AIGC（生成式AI）试用 33 -- 用AI学AI名词
AIGC（生成式AI）试用 33 -- 用AI学AI名词
·
用AI学AI名词，待续补充
日新月益，变化总是存在，AI时代的变化尤其的快
从MCP开始，MCP是什么？用AI了解下。。。。。。
从百度搜索 到 AI提问
其实想提问：解释AI常用名词，表格输出
不过还是装个样子，试着写几个自己曾知道的，其他的交给AI吧
还要博闻强记吗？
| 解释以下名词，表格输出 AIGC AGI AIG MCP Agent RAG LLM Prompt |
|||||
|---|---|---|---|---|---|
| 术语 | 全称 | 定义 | 关键特点 | 应用领域 | 相关技术/框架 |
| AI | Artificial Intelligence（人工智能） | 通过算法模拟人类智能行为的技术总称，目标是让机器完成需要人类智慧的任务。 | 跨学科性、模拟人类智能、依赖数据与算法、应用广泛。 | 自动驾驶、智能助手、医疗诊断、金融分析、游戏等。 | TensorFlow、PyTorch、Keras、Caffe、MXNet、PaddlePaddle等。 |
| LLM | Large Language Model（大型语言模型） | 基于深度学习技术构建的人工智能模型，通过海量文本数据训练，具备理解和生成自然语言的能力。 | 1. 参数规模庞大（数千亿级） 2. 上下文感知（自注意力机制） 3. 多任务处理（生成、翻译、问答等） 4. 涌现能力（自主推理与泛化） 5. 持续进化（结合联邦学习、边缘计算） |
智能客服（阿里云小蜜）、内容创作（Jasper AI）、医疗诊断（Med-PaLM）、法律分析、教育辅导、金融预测、工业优化（西门子Teamcenter） | Transformers库、Llama.cpp、vLLM、TGI、DeepSpeed、Ollama |
| prompt | 提示词（人工智能交互指令） | 用户向大语言模型（LLM）提供的输入指令或问题，用于引导模型生成特定输出。 | 1. 人机交互桥梁：直接决定模型输出方向 2. 结构化设计：需包含任务、上下文、格式等要素 3. 动态影响：微小调整可能导致输出显著差异 4. 多模态扩展：可结合图像/音频等非文本信息 |
内容生成（文案/代码/诗歌）、问答系统（客服/教育）、数据分析（报告生成）、医疗诊断（症状解析） | 零样本提示、少样本提示、思维链（CoT）、角色提示、分隔符（```）、JSON/表格格式指令 |
| prompt engineering | 提示工程（提示词优化技术） | 通过系统化设计和优化提示词，提升大语言模型（LLM）输出质量与任务适配性的技术学科。 | 1. 工程化流程：包含设计、测试、迭代全周期 2. 模型适配性：需结合具体LLM特性调整（如GPT-4与LLaMA差异） 3. 自动化趋势：利用AI自动生成优化提示（如APE框架） 4. 多模态融合：支持图像/语音等跨模态提示设计 |
商业应用（广告文案优化）、科研（复杂推理任务）、教育（个性化学习材料生成）、企业服务（智能客服系统） | 零样本/少样本提示、思维链（CoT）、自一致性（Self-Consistency）、RAG（检索增强生成）、LangChain工具链 |
| AIGC | Artificial Intelligence Generated Content | 利用人工智能技术自动生成文本、图像、视频、音频等内容。 | 多样化（跨模态生成）、自动化（减少人工干预）、高效性（快速产出）、个性化（定制化输出）、创新性（突破传统创作）。 | 广告营销（文案/图像生成）、教育（教材制作）、娱乐（剧本创作）、客户服务（智能回复）、媒体（新闻初稿生成）。 | GPT系列、Midjourney、Stable Diffusion、Sora |
| AGI | Artificial General Intelligence | 具备与人类相当或超越的通用智能，能跨领域理解、学习、推理并自主解决问题。 | 跨领域适应性、自主学习能力、自我意识（理论目标）、常识推理、情感理解（未来方向）。 | 科研（复杂问题求解）、医疗（综合诊断）、机器人（自主决策）、虚拟助手（高度智能化交互）。 | 尚未实现，研究聚焦于神经符号系统、强化学习、认知架构（如OpenAI的o系列模型）。 |
| AIG | Artificial Intelligence Governance | 规范人工智能系统的设计、开发、部署及使用，确保安全、伦理和合规性。 | 政策制定（如数据隐私保护）、伦理框架（防止算法偏见）、透明性要求（决策可解释）、风险评估（AI安全）。 | 政府监管（AI法案制定）、企业合规（算法审计）、技术研发（内置治理模块）、公众教育（AI伦理普及）。 | 欧盟AI法案、OECD AI原则、伦理审查委员会、可解释AI（XAI）技术。 |
| MCP | Model Context Protocol | 由Anthropic提出的开放协议，标准化大语言模型（LLM）与外部数据源、工具的交互方式。 | 数据互通（连接数据库/API）、工具调用（动态执行操作）、上下文增强（预设模板引导响应）、安全认证（OAuth支持）。 | 企业应用集成（如连接内部数据库）、代码开发（自动提交Git操作）、智能客服（实时调用业务系统）、数据分析（动态查询）。 | JSON-RPC 2.0协议、客户端-服务器架构、预构建服务器（如GitHub/Postgres连接器）。 |
| Agent | 智能体（Autonomous Agent） | 能自主感知环境、决策并执行任务的AI系统，具备目标驱动和持续学习能力。 | 自主性（无人工干预）、环境感知（多模态数据采集）、动态决策（实时调整策略）、多智能体协作（分布式架构）。 | 自动驾驶（路径规划）、智能家居（中枢控制）、工业自动化（机器人调度）、虚拟助手（任务自动化执行）。 | 反应式架构（快速响应）、慎思式架构（逻辑推理）、混合式架构（如自动驾驶系统）、通信模块（多Agent交互）。 |
| RAG | Retrieval Augmented Generation | 结合外部知识检索与大语言模型生成，通过动态注入上下文提升内容准确性和时效性。 | 知识时效性（实时更新）、减少幻觉（依赖事实数据）、领域适配（接入专业数据库）、可解释性（追溯信息来源）。 | 搜索引擎（增强回答）、企业知识库（动态问答）、法律/医疗（专业领域咨询）、新闻聚合（实时信息整合）。 | 稠密向量检索（如BGE模型）、混合检索（TF-IDF+向量）、LLM生成器（GPT-4/ERNIE-Bot）、提示模板设计。 |
| Transformer |
GPT(Generative Pre-trained Transformer)中“T” 转换器 |
基于自注意力机制的序列模型架构，是现代大型语言模型的核心架构。 由Google在2017年提出的革命性神经网络架构 |
自注意力机制、并行计算、长距离依赖处理、可扩展性强。 自然语言处理的重要神经网络结构 |
机器翻译、文本生成、问答系统、语音识别、计算机视觉等。 | GPT系列、BERT、ViT、Llama等。 |
| GPT | Generative Pre-trained Transformer（生成式预训练转换器） | 由OpenAI开发的基于Transformer架构的大型语言模型，通过海量文本数据预训练，具备生成连贯自然文本的能力。 | 1. 生成式模型：根据上下文生成类似人类写作的文本，支持从简单补全到复杂创作的多场景应用。 2. 预训练与微调结合：先在大规模无标签文本上预训练，再通过少量标注数据微调适应特定任务。 3. Transformer架构：采用自注意力机制捕捉长距离依赖，支持并行计算。 4. 多模态扩展：最新版本（如GPT-4o）支持文本、图像、音频、视频的跨模态交互。 5. 涌现能力：参数规模扩大（从1.17亿到1750亿）带来自主推理、复杂任务处理等能力。 |
1. 内容创作：新闻稿、小说、广告文案等高质量文本生成。 2. 智能客服：通过ChatGPT等对话系统提供实时交互。 3. 代码开发：辅助编程（如GitHub Copilot）、代码补全与优化。 4. 医疗与法律：辅助诊断、合同审查、法规检索。 5. 教育与金融：个性化学习材料生成、市场预测与风险评估。 6. 图像与多模态：图像描述生成、跨模态检索、语音交互（如GPT-4o的实时语音对话）。 |
1. Transformer架构：核心组件，通过自注意力机制和前馈神经网络处理序列数据。 2. 预训练技术：在BooksCorpus、WebText等大规模语料库上进行无监督学习。 3. 微调策略：通过添加任务特定输出层，快速适应问答、分类等任务。 4. RLHF（人类反馈强化学习）：优化模型输出，减少偏见和有害内容。 5. 稀疏注意力机制：降低计算复杂度，支持更长上下文（如GPT-4的32K tokens）。 6. 多模态融合：GPT-4o整合图像、音频、视频处理能力，实现跨模态交互。 |
| GAN | Generative Adversarial Network（生成对抗网络） | 由生成器和判别器组成的网络，通过对抗训练生成新的数据样本。 | 生成器与判别器对抗、生成逼真数据、数据增强、无监督学习。 | 图像生成、视频生成、数据增强、风格迁移等。 | PyTorch、TensorFlow、Stable Diffusion等。 |
| Fine-tuning | 微调（模型优化技术） | 在预训练模型的基础上，使用特定领域的数据进一步训练，使模型适应特定任务。 | 提升模型性能、适应特定任务、依赖预训练模型、数据效率高。 | 法律咨询、医疗诊断、特定领域的智能客服、企业知识库等。 | LLM系列、LangChain、Llama Factory等。 |
| COT | Chain of Thought | 通过分步推理提升模型性能的技术，引导模型生成中间推理步骤，增强逻辑性和可解释性。 | 逐步推理、中间步骤生成、提升复杂问题解决能力 | 复杂问题求解（如数学、逻辑推理）、大语言模型训练 | 少样本提示（Few-shot Prompting）、LangChain、o1模型 |
| REACT | Reasoning and Acting | 结合推理与行动的智能体架构，通过“感知-决策-执行”循环动态解决问题。 | 反应性、自主性、适应性、动态调整策略 | 实时决策（如自动驾驶、智能客服）、复杂任务规划 | LangChain、AutoGen、CrewAI |
| PDDL | Planning Domain Definition Language | 用于描述自动化规划问题的标准化语言，定义领域（动作、状态）和问题（初始状态、目标）。 | 标准化、动作与状态定义、支持复杂规划 | 机器人规划、物流优化、任务自动化 | Fast Downward规划器、PDDL Thrift框架 |
| TOKEN | - | 身份验证：数字标识符；NLP：文本处理的最小单元（如单词、子词）。 | 身份验证：唯一性、时效性、安全性；NLP：文本分割基础、支持多语言处理 | 身份验证（Web应用、API）、NLP（自然语言处理、机器翻译） | JWT（JSON Web Token）、SentencePiece、BPE分词器 |
| TEMPERATURE | Temperature | 控制生成模型输出随机性的参数，通过调整概率分布的平滑程度平衡创造性与确定性。 | 动态调整输出多样性、平衡创造性与准确性 | 文本生成、图像生成等生成式模型 | PyTorch、TensorFlow、Hugging Face Transformers |
| Model Alignment | 模型对齐 | 调整人工智能模型，使其行为和目标与人类的意图、价值观和伦理原则相一致的过程 | 让模型“听话”，朝着我们希望的方向发展，并避免产生不希望的或者有害的结果 | ||
| Perception / Reasoning | 感知(Perception)和推理(Reasoning) | ||||
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
7
0- 0
已为社区贡献10条内容
所有评论(0)