《AI进化志》22 附录2： AI 核心术语通俗解释表
·
AI 核心术语通俗解释表
| 专业术语 | 口语化解释 | 生活化类比 |
|---|---|---|
| 人工神经网络（1943 年首次提出） | 模仿人类大脑 “神经元” 工作的计算机模型，简单说就是让机器像大脑一样 “连上线”，把零散信息串起来处理 | 就像串珠子：每个神经元是一颗珠子，珠子之间的线就是信息传递的通道，串得越合理，信息处理越顺畅 |
| 图灵测试（1950 年提出） | 判断机器是否 “像人” 的测试：如果一个人跟机器聊天，聊半天没发现对方是机器，那这机器就通过了测试 | 好比网上 “匿名聊天”：你不知道对面是真人还是机器人，要是没察觉异常，说明这机器人 “演得够像” |
| 符号主义（1960s-1990s 主流） | 让机器靠 “规则和逻辑” 解决问题，比如先给机器设定 “狗有四条腿、会叫” 的规则，再让它判断什么是狗 | 像教小孩认动物：先告诉他 “有长鼻子、大耳朵、会喷水的是大象”，他就按这个规则去认，可遇到 “大象雕塑” 就会出错（因为规则没涵盖 “真假”） |
| 深度学习（2000s 后崛起） | “多层神经网络” 的升级版，能处理更复杂的信息 —— 比如看图片时，第一层先认 “线条”，第二层认 “色块”，最后一层拼出 “这是猫” | 类似剥洋葱：从外层 “皮”（简单特征）一层层往里剥，直到看到 “芯”（最终结果），层数越多，越能看清复杂事物的细节 |
| ReLU 激活函数（2012 年 AlexNet 用） | 给神经网络 “提精神” 的工具：让有用的信息 “使劲传”，没用的信息 “别捣乱”，避免机器处理时 “越算越慢、越算越错” | 像公司里的 “筛选员”：重要文件优先传给老板，没用的垃圾邮件直接拦下，让工作效率变高 |
| Transformer 架构（2017 年提出） | 让机器能 “抓重点” 的处理方式 —— 读文章时，自动把 “核心词”（比如 “追” 在 “猫追老鼠” 里）标出来，重点关注，还能联系上下文 | 好比读小说：看到 “他” 这个字，你会自动联想到前面提到的 “小明”，知道 “他” 指谁；Transformer 就是让机器也会这种 “联想和抓重点” |
| 自注意力机制（Transformer 核心） | 机器 “判断信息重要性” 的能力：处理一句话时，给每个词打分，重要的词（比如 “病” 在 “看医生治什么病” 里）分数高，优先处理 | 像听人说话：别人说 “我今天头疼，想请假”，你会重点听 “头疼”“请假”，忽略 “今天” 这种次要词，机器也靠这个机制抓关键 |
| 大模型（2020 年 GPT-3 后流行） | 参数量特别大、能处理多种任务的 AI 模型 —— 参数量就像 “机器的知识储备量”，储备越多，能做的事越多（比如写文章、算数学、画画） | 好比 “全能型学霸”：不仅语文好，数学、英语也厉害，不用单独学一门课，靠平时积累的知识就能应对多种考试 |
| 多模态 AI（2023 年 GPT-4 代表） | 能同时处理 “文字、图片、语音” 的 AI—— 比如你发一张猫的照片，它能说出 “这是橘猫，看起来很胖”，还能把这句话读给你听 | 像会 “全能翻译” 的人：既能看文字懂意思，又能看图片说内容，还能听语音转文字，不用换工具就能处理多种信息 |
| RLHF（人类反馈强化学习，2022 年 ChatGPT 用） | 让 AI “听人的话” 的训练方式：先让 AI 输出结果，人判断 “这个好”“那个不好”，再让 AI 根据人的反馈调整，越练越符合人的需求 | 类似教宠物：小狗做对动作（比如握手）就给奖励，做错就纠正，慢慢它就知道 “怎么做能让主人开心” |
| 低风险 AI（2023 年欧盟法案定义） | 出错了影响不大的 AI—— 比如视频推荐、购物推荐，就算推错了，大不了划走不看、不买 | 像超市里的 “导购员”：推荐的零食你不爱吃，换一个就行，不会有大损失 |
| 高风险 AI（2023 年欧盟法案定义） | 出错了会影响健康、安全的 AI—— 比如医疗诊断 AI、自动驾驶 AI，要是判断错了，可能危及生命 | 好比医院里的 “医生助手”：要是帮医生看错了病情，可能耽误治疗，所以必须严格把关，每一步都得说清楚 “为什么这么判断” |
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
15
0- 0
已为社区贡献30条内容
所有评论(0)