AI专业术语解析

一、基础概念类

人工智能（Artificial Intelligence, AI）

• 定义：人工智能是指通过计算机模拟人类智能的技术，使机器能够执行通常需要人类智能的任务，如学习、推理、感知和决策等。
• 详细解释：AI可分为弱人工智能和强人工智能。弱人工智能专注特定任务，如语音识别或图像分类；强人工智能试图实现通用智能，但目前尚未实现。其目标是让机器具备类似人类的智能行为，涵盖理解语言、识别图像、解决问题和决策等能力。
• 应用场景：语音助手（如Siri、Alexa）、自动驾驶汽车、智能推荐系统（如Netflix、淘宝）。

机器学习（Machine Learning, ML）

• 定义：是AI的一个子领域，通过算法使计算机从数据中学习，无需明确编程。
• 详细解释：核心是数据驱动学习，通过数据训练模型，自动识别模式并进行预测。学习方式主要有监督学习、无监督学习和强化学习。
• 应用场景：垃圾邮件过滤、图像识别、医疗诊断等。

深度学习（Deep Learning, DL）

• 定义：属于机器学习的子领域，基于多层非线性模型（如神经网络）解决复杂的模式识别问题。
• 详细解释：特点是层次结构和自学习能力，能处理大规模、高维度的数据。常用于图像识别、语音识别、自然语言处理等领域。
• 应用场景：人脸识别、语音识别、机器翻译等。

自然语言处理（Natural Language Processing, NLP）

• 定义：是AI的一个分支，关注计算机对人类语言的理解和生成，包括文本分析、语音识别、语义解析、机器翻译等。
• 详细解释：涉及多种技术，如分词、词性标注、命名实体识别、情感分析等。
• 应用场景：聊天机器人、机器翻译、信息检索等。

计算机视觉（Computer Vision, CV）

• 定义：致力于使计算机从图像或视频中获取信息并进行决策。
• 详细解释：结合了图像处理、图像识别和理解等技术，能让计算机从数字图像或视频中提取信息并做出决策。
• 应用场景：安防监控、自动驾驶、医学影像分析等。

强化学习（Reinforcement Learning, RL）

• 定义：智能体在环境中执行动作，根据奖励反馈学习策略以最大化累积奖励。
• 详细解释：智能体在环境中执行动作，改变环境状态并获取奖励，目标是学习策略以最大化累积奖励。
• 应用场景：游戏AI（如AlphaGo、Atari游戏）、机器人控制、资源调度等。

二、模型与算法类

支持向量机（Support Vector Machine, SVM）

• 定义：一种强大的非线性学习算法，在高维空间中寻找最大间隔超平面进行分类和回归。
• 详细解释：通过核技巧处理高维数据，在特征空间中找到最优分隔超平面，适用于数据维度高于样本数量的分类和回归任务。
• 应用场景：文本分类、手写识别等。

决策树（Decision Tree）

• 定义：以树状结构进行决策和分类的模型，每个内部节点是一个特征上的测试，每个分支是测试输出，每个叶节点是一个类别或值。
• 详细解释：结构直观，易于理解和解释，能处理非线性关系，常用于分类和回归任务。
• 应用场景：疾病诊断、信用风险评估等。

生成对抗网络（Generative Adversarial Network, GAN）

• 定义：由生成器和判别器组成，生成器生成数据，判别器判断其真实性。
• 详细解释：两个网络相互博弈，生成器不断生成更逼真的数据，判别器不断提升识别能力。
• 应用场景：图像合成、数据增强等。

自监督学习（Self-Supervised Learning）

• 定义：无需人工标注数据，模型从数据中自动学习特征和规律。
• 详细解释：通过构建自监督任务，让模型学习数据中的结构和关系，提高泛化能力。
• 应用场景：计算机视觉、自然语言处理等领域。

迁移学习（Transfer Learning）

• 定义：将从一个任务中学到的知识应用到另一个相关任务中。
• 详细解释：可加速模型训练，提高模型在新任务上的表现，尤其在数据稀缺时优势明显。
• 应用场景：图像分类、语音识别等。

三、数据处理类

数据标注（Data Labeling）

• 定义：为原始数据添加标签或注释，使其成为监督学习中的训练数据。
• 详细解释：在监督学习中，模型需要标记数据来学习输入与输出之间的关系，高质量的数据标注对模型性能至关重要。
• 应用场景：图像分类、语音识别、情感分析。

特征工程（Feature Engineering）

• 定义：从原始数据中提取、选择和转换特征，以提升机器学习模型的性能。
• 详细解释：常见技术包括特征选择、特征缩放和特征生成等，目的是提取对模型预测最有用的信息。
• 应用场景：金融风控（提取用户行为特征）、推荐系统（提取用户偏好特征）、医疗诊断（提取患者健康指标特征）。

模型评估（Model Evaluation）

• 定义：通过指标和测试数据评估机器学习算法的性能。
• 详细解释：目的是确定模型在未见数据上的表现，常见指标有准确率、精确率、召回率、F1分数和AUC - ROC曲线等。
• 应用场景：分类模型评估（如垃圾邮件分类）、回归模型评估（如房价预测）、聚类模型评估（如客户细分）。

四、生成式人工智能相关

生成式人工智能（Generative AI）

• 定义：专注于内容的创造和生成，能生成图像、视频、文本等多种类型的内容。
• 详细解释：基于大量数据训练，学习模式和规律，生成新的内容。
• 应用场景：创意设计、内容制作、艺术创作等。

文本生成（Text Generation）

• 定义：基于输入信息生成自然语言文本的过程。
• 详细解释：可应用于新闻写作、故事创作等领域，通过模型学习语言模式和结构来生成合理文本。
• 应用场景：新闻写作、故事创作等。

图像生成（Image Generation）

• 定义：通过GAN等技术生成逼真的图像。
• 详细解释：利用生成对抗网络等技术，让计算机创造出与真实图像相似的图像。
• 应用场景：艺术创作、游戏设计等。

五、自然语言处理相关

分词（Tokenization）

• 定义：把文本拆分成最小的词或子词单元。
• 详细解释：是自然语言处理的基础步骤，有助于后续的语义分析和处理。
• 应用场景：文本分类、机器翻译等。

词向量（Word Embeddings）

• 定义：将文本转换为向量，捕捉词之间的语义关系。
• 详细解释：常见方法有Word2Vec、BERT embedding等，能让计算机更好地理解文本。
• 应用场景：文本分类、语义搜索等。

注意力机制（Attention Mechanism）

• 定义：在深度学习模型中，让模型关注输入的重要部分，提升性能。
• 详细解释：是Transformer架构等模型的关键技术，帮助模型集中于输入序列的重要部分。
• 应用场景：自然语言处理、图像识别等。

六、其他专业术语

大模型（Large Language Model, LLM）

• 定义：参数量巨大的深度学习模型，如GPT - 4、文心一言等。
• 详细解释：具有强大的语言理解和生成能力，能处理多场景任务，但训练成本和推理速度可能是痛点。
• 应用场景：多场景任务，如文本生成、问答系统等。

小样本学习（Few - Shot Learning）

• 定义：用极少量标注数据训练AI模型。
• 详细解释：可能是在预训练模型上微调，实际仍需大量隐性数据支持。
• 应用场景：某些特定的分类模型训练。

端到端（End - to - End）

• 定义：输入数据直接到输出结果，无需人工干预中间流程。
• 详细解释：优势是流程简化，但可能存在“黑盒化”问题，即不知道中间发生了什么。
• 应用场景：语音翻译等。

对齐（Alignment）

• 定义：让AI系统的目标与人类价值观保持一致。
• 详细解释：理想很丰满，但现实可能只是添加关键词过滤功能。
• 应用场景：确保AI系统输出无害内容。

赋能（Empowerment）

• 定义：用AI技术为传统业务或工具增加智能化能力。
• 详细解释：可能只是给旧系统添加自动报表功能，需关注赋能后效率提升和成本问题。
• 应用场景：制造业、金融、医疗等多个行业。

提示词注入（Prompt Injection）

• 定义：恶意指令攻击，可能导致AI泄露用户隐私等问题。
• 详细解释：防御方案包括规则过滤、复核机制、权限隔离等。
• 应用场景：所有使用AI模型的系统。

护栏（Guardrails）

• 定义：为AI设置规则，如禁止生成医疗建议、强制标注信息来源、限制回复长度等。
• 详细解释：可避免AI生成有害内容，确保输出符合特定要求。
• 应用场景：各类AI系统，特别是涉及信息安全和伦理问题的场景。

幻觉（Hallucination）

• 定义：AI虚构事实。
• 详细解释：可通过明确指令、事实核查、RAG技术等减少。
• 应用场景：所有使用大语言模型的场景，如智能客服、内容创作等。

检索增强生成（RAG, Retrieval Augmented Generation）

• 定义：结合检索和生成，让AI基于专属知识库作答。
• 详细解释：流程包括知识分块、向量化存储、语义匹配，能提高生成内容的相关性和准确性。
• 应用场景：企业知识问答、专业领域内容生成等。

提示词工程（Prompt Engineering）

• 定义：优化指令使AI更精准。
• 详细解释：包括明确要求、提供背景、结构化输入、反向提问、示例教学等技巧。
• 应用场景：各类基于大语言模型的应用，如生成特定风格的文案、获取准确回复等。

向量数据库（Vector DB）

• 定义：存储文本片段的“数字地图”，通过将文本片段转化为向量，实现快速匹配和检索。
• 详细解释：每个片段转化为数百维向量，相似内容位置接近，实现毫秒级精准匹配。
• 应用场景：文本检索、推荐系统等。

语义搜索（Semantic Search）

• 定义：按含义而非关键词检索，依赖文本向量化技术。
• 详细解释：能将“如何提升客户留存率”自动关联到“会员体系优化方案”等相关内容。
• 应用场景：知识检索、信息推荐等。

模态学习（Multimodal Learning）

• 定义：结合声音、图像和文本等多种类型的数据进行学习的技术。
• 详细解释：在机器学习中，结合多种类型的数据进行学习，提升模型的泛化能力和适应性。
• 应用场景：智能驾驶、智能客服等领域，可综合利用多种信息源进行决策和交互。

自动学习（Auto Learning）

• 定义：计算机系统通过自身经验或数据改进决策过程，不依赖固定规则，而是分析数据来做决策。
• 详细解释：是一种让计算机系统从数据中自主学习和改进的方式，区别于传统编程中依赖明确规则的方式。在自动学习中，系统通过分析大量数据，找出其中的模式和规律，从而优化决策过程。例如在金融领域，自动学习系统可以分析市场数据、交易记录等信息，识别潜在的投资机会或风险，而不是按照预先设定的规则进行操作。
• 应用场景：金融市场的投资决策、风险评估等领域，通过对大量数据的分析来优化决策过程。

半监督学习（Semi - Supervised Learning）

• 定义：结合监督学习和无监督学习的方法，使用少量标记数据和大量未标记数据进行训练。
• 详细解释：这种方法能够提高模型的学习效果，减少对大量标记数据的依赖。在实际应用中，获取大量标记数据可能成本高昂或耗时较长，半监督学习可以利用少量标记数据和大量未标记数据进行训练，从而提高模型的泛化能力和效率。
• 应用场景：图像识别、医疗诊断等领域，在数据获取困难的情况下，可以利用半监督学习提高模型性能。

自动编码器（Autoencoder）

• 定义：一种无监督学习模型，由编码器和解码器组成。编码器将输入数据压缩成低维表示，解码器将低维表示重构为原始输入数据。
• 详细解释：自动编码器的目标是学习数据的潜在结构，通过最小化重构误差来优化模型参数。它在数据压缩、特征提取、异常检测等方面有广泛应用。
• 应用场景：数据压缩、异常检测、特征提取等领域。

贝叶斯网络（Bayesian Network）

• 定义：一种概率图模型，用于表示随机变量之间的条件依赖关系。
• 详细解释：通过有向无环图和条件概率表来表示变量之间的依赖关系，常用于推理和决策支持。
• 应用场景：医疗诊断、金融风险评估、故障诊断等领域，帮助进行概率推理和决策。

动态路由（Dynamic Routing）

• 定义：一种在机器学习中优化序列生成过程的算法，通过跟踪每一步的候选者数量来优化序列的生成过程。
• 详细解释：在神经网络中，动态路由可以根据每一步的候选者数量调整生成过程，提高生成效率和质量。
• 应用场景：自然语言处理、图像生成等领域，可用于优化序列生成过程。

时间卷积网络（Temporal Convolutional Network, TCN）

• 定义：专门设计用于处理时间序列数据的卷积网络，能够捕捉时间序列数据中的长期依赖关系。
• 详细解释：与传统的卷积网络不同，TCN在处理时间序列数据时，能够更好地保留时间信息，从而在处理长期依赖问题时表现出色。
• 应用场景：时间序列预测、语音识别、视频分析等领域，如预测股票价格走势、语音识别中的语音特征提取等。

图神经网络（Graph Neural Network, GNN）

• 定义：用于处理图结构数据的神经网络，能够学习图中节点和边的特征。
• 详细解释：图神经网络可以处理具有复杂关系的数据，如社交网络、知识图谱等。它通过对图结构的学习，能够更好地捕捉节点之间的关系和信息传播。
• 应用场景：社交网络分析、知识图谱构建、推荐系统等领域，帮助理解和处理复杂的图结构数据。

零样本学习（Zero - Shot Learning）

• 定义：模型在没有见过特定任务的任何训练样本的情况下，能够对该任务进行预测。
• 详细解释：这是一种强大的泛化能力体现，模型可以利用已有的知识和模式识别能力，对未见过的任务进行处理。
• 应用场景：新兴领域的快速响应和创新应用，当面对新的任务或数据稀缺时，零样本学习可以使模型快速适应并做出预测。

强化学习环境（Reinforcement Learning Environment）

• 定义：智能体在其中执行动作并学习的环境，由状态、动作、奖励等元素构成。
• 详细解释：环境定义了智能体的行动范围和规则，智能体通过与环境的交互来学习最优策略。例如在游戏中，环境包括游戏的规则、关卡设置、奖励机制等，智能体在这个环境中通过不断尝试不同的动作，根据获得的奖励来调整自己的策略，以达到游戏的胜利目标。
• 应用场景：游戏开发、机器人控制、资源管理等领域，帮助智能体学习在不同环境下的最优策略。

生成式预训练模型（Generative Pre - trained Model）

• 定义：经过大规模数据训练的模型，能够根据输入生成自然语言文本、图像等内容。
• 详细解释：这些模型在大量数据上进行预训练，学习到语言的模式和规律，从而能够根据输入生成合理的输出。例如GPT系列模型，通过在大规模文本数据上的训练，能够生成连贯的自然语言文本。
• 应用场景：新闻写作、故事创作、对话系统等领域，可快速生成高质量的文本内容。

数据增强（Data Augmentation）

• 定义：通过生成额外的数据来增加训练数据的多样性和数量，以提高模型的泛化能力。
• 详细解释：在数据稀缺的情况下，数据增强是一种有效的方法。例如在图像识别中，可以通过旋转、翻转、缩放等操作生成新的图像数据，用于训练模型，使模型能够学习到更多的特征和变化，从而提高在实际应用中的性能。
• 应用场景：图像识别、医疗影像分析等领域，当数据有限时，数据增强可以帮助模型更好地学习和适应不同的情况。

多模态融合（Multimodal Fusion）

• 定义：结合多种输入信息（如文本、图像、音频等）进行学习和生成的技术。
• 详细解释：在处理复杂任务时，单一模态的数据可能无法提供足够的信息，多模态融合可以综合利用多种模态的数据，提高模型的性能和理解能力。例如在智能客服中，结合文本和语音信息，可以更准确地理解用户的需求。
• 应用场景：智能客服、智能驾驶、智能家居等领域，通过综合多种模态的数据来提供更准确和丰富的交互体验。

数据挖掘（Data Mining）

• 定义：从大量数据中提取有价值信息和知识的过程，涉及机器学习、统计分析等多种技术。
• 详细解释：数据挖掘的目标是发现数据中的模式、趋势和关系，以支持决策和预测。例如，在商业领域，数据挖掘可以帮助企业分析客户购买行为、市场趋势等，从而制定更有效的营销策略。在医疗领域，数据挖掘可以从患者的病历数据中发现疾病的潜在模式和风险因素。
• 应用场景：市场营销、医疗诊断、金融风险评估等领域，帮助从海量数据中提取有价值的信息。

知识图谱（Knowledge Graph）

• 定义：一种结构化的知识表示形式，由实体、属性和关系构成，用于存储和推理知识。
• 详细解释：知识图谱通过图的形式组织实体和关系，使得计算机能够更好地理解和处理人类的知识。例如，在医疗领域，知识图谱可以整合患者的病历、检查结果、疾病诊断等信息，形成一个结构化的知识体系，帮助医生更全面地了解患者的病情。
• 应用场景：医疗诊断、智能问答系统、信息检索等领域，通过知识图谱可以更准确地理解和回答用户的问题。

自动编码器（Autoencoder）

• 定义：一种无监督学习模型，由编码器和解码器组成。编码器将输入数据映射到低维空间，解码器将低维表示重构为原始输入数据。
• 详细解释：自动编码器的目标是学习数据中的潜在结构，通过最小化重构误差来优化模型参数。它可以用于数据压缩、特征提取、异常检测等。
• 应用场景：数据压缩、特征提取、异常检测等领域。

贝叶斯网络（Bayesian Network）

• 定义：一种基于概率推理的图模型，用于表示随机0变量之间的条件依赖关系。
• 详细解释：贝叶斯网络通过有0向无环图和条件概率表来表示变量之间的依赖关系，常用于推理和决策支持。
• 应用场景：风险评估、医疗诊断、金融分析等领域。

动态路由（Dynamic Routing）

• 定义：一种优化序列生成过程的算法，通过跟踪每一步的候选者数量来优化序列的生成过程。
• 详细解释：在神经网络中，动态路由可以帮助模型更好地处理序列生成问题，提高生成效率。
• 应用场景：自然语言处理、图像生成等领域。

零样本学习（Zero-Shot Learning）

• 定义：模型在没有见过特定任务的任何训练数据的情况下，也能对该任务进行预测。
• 详细解释：这是一种强大的泛化能力体现，模型可以根据已有的知识和模式识别能力，对未见过的任务进行处理。
• 应用场景：新兴领域的快速响应和创新应用。

强化学习环境（Reinforcement Learning Environment）

• 定义：智能体在其中执行动作并学习策略的环境，由状态、动作、奖励等元素构成。
• 详细解释：智能体在环境中执行动作，根据奖励调整策略，以最大化累积奖励。
• 应用场景：游戏开发、机器人控制、资源管理等领域。

生成式预训练模型（Generative Pre-trained Model）

• 定义：经过大量数据训练的模型，能够根据输入生成文本、图像等内容。
• 详细解释：这些模型通过学习大量数据中的模式和规律，具备生成新内容的能力。
• 应用场景：内容创作、艺术设计、游戏开发等领域。

数据增强（Data Augmentation）

• 定义：通过生成额外的数据来增加训练数据的多样性和数量，以提高模型的泛化能力。
• 详细解释：在数据稀缺的情况下，数据增强是一种有效的方法。例如在图像识别中，可以通过旋转、翻转、缩放等操作生成新的图像数据，用于训练模型，使模型能够学习到更多的特征和变化，从而提高在实际应用中的性能。
• 应用场景：图像识别、医疗影像分析等领域，当数据有限时，数据增强可以帮助模型更好地学习和适应不同的情况。

多模态融合（Multimodal Fusion）

• 定义：结合多种输入信息（如文本、图像和音频）进行学习和生成的技术。
• 详细解释：在处理复杂任务时，单一模态的数据可能无法提供足够的信息，多模态融合可以综合利用多种模态的数据，提高模型的性能和理解能力。
• 应用场景：智能驾驶、智能客服、智能家居等领域，通过综合多种模态的数据来提供更准确和丰富的交互体验。

知识图谱（Knowledge Graph）

• 定义：一种结构化的知识表示形式，由实体、属性和关系构成，用于存储和推理知识。
• 详细解释：知识图谱通过图的形式组织实体和关系，使得计算机能够更好地理解和处理人类的知识。例如，在医疗领域，知识图谱可以整合患者的病历、检查结果、疾病诊断等信息，形成一个结构化的知识体系，帮助医生更全面地了解病情。
• 应用场景：医疗诊断、智能问答系统、信息检索等领域。

提示词工程（Prompt Engineering）

• 定义：优化指令让AI更精准，包含明确要求、提供背景、结构化输入、反向提问、示例教学等技巧。
• 详细解释：通过精心设计提示词，能引导AI输出更符合需求的结果。例如，在与大语言模型交互时，明确的提示词能让模型生成更符合期望的回复。如“生成10条母婴品牌微博文案，每条带话题标签”这样的提示，能让AI生成更精准的内容。
• 应用场景：与大语言模型交互的各种场景，如内容创作、问题解答等。

检索增强生成（RAG, Retrieval-Augmented Generation）

• 定义：让AI基于专属知识库作答，结合知识分块、向量化存储、语义匹配等流程。
• 详细解释：在处理一些需要大量背景知识的任务时，RAG能让AI依据可靠知识源回答，提高回答的准确性和相关性。比如企业数据库接入RAG后，AI能准确回答“去年华东区销售额”这类问题。
• 应用场景：企业知识问答、智能客服等需要准确回答依赖知识库信息问题的场景。

语义搜索（Semantic Search）

• 定义：按含义而非关键词检索，依赖文本向量化技术。
• 详细解释：能将“如何提升客户留存率”自动关联到“会员体系优化方案”等相关内容。
• 应用场景：信息检索、智能问答等领域。

向量数据库（Vector DB）

• 定义：存储文本片段的“数字地图”，每个片段转化为数百维向量，相似内容位置接近，实现毫秒级精准匹配。
• 详细解释：在处理文本数据时，向量数据库能将文本片段转化为向量，通过计算向量之间的距离，快速找到相似的内容，在信息检索和推荐系统中发挥着重要作用。
• 应用场景：信息检索、推荐系统等领域。

微调（Fine - Tuning）

• 定义：在预训练模型基础上，用特定领域的数据进一步训练模型。
• 详细解释：能使模型在特定任务上表现更好，例如用法律文书微调的模型，在合同审核方面会更准确。
• 应用场景：各行业特定任务，如医疗、法律等领域。

涌现（Emergence）

• 定义：复杂系统中出现的新特性或行为，无法从系统组成部分的性质直接预测。
• 详细解释：在神经网络中，大量神经元相互作用可能产生涌现现象，展现出单个神经元不具备的能力。
• 应用场景：神经网络研究、复杂系统分析等领域。

提示词注入（Prompt Injection）

• 定义：恶意指令攻击，可能让AI忽略审核规则，透露用户隐私等。
• 详细解释：防御方案包括规则过滤、复核机制、权限隔离等。
• 应用场景：所有使用AI的系统，特别是涉及用户隐私和信息安全的场景。

护栏（Guardrails）

• 定义：AI的“交通规则系统”，可设置禁止生成医疗建议、强制标注信息来源、限制回复长度等。
• 详细解释：确保AI输出符合规则和期望。
• 应用场景：各类AI应用，特别是对输出内容有严格要求的场景。

小样本学习（Few - Shot Learning）

• 定义：用极少量标注数据训练AI模型。
• 详细解释：可能是在预训练模型上微调，但实际仍需大量隐性数据支持。
• 应用场景：数据稀缺的场景，如某些罕见病的诊断模型训练。

端到端（End - to - End）

• 定义：输入数据直接到输出结果，无需人工干预中间流程。
• 详细解释：优势是流程简化，但有“黑盒化”缺点，即不知道中间发生了什么。
• 应用场景：语音翻译等。

对齐（Alignment）

• 定义：让AI系统的目标与人类价值观保持一致。
• 详细解释：理想很丰满，现实可能只是加了关键词过滤功能。
• 应用场景：确保AI系统输出无害内容的场景。

赋能（Empowerment）

• 定义：用AI技术为传统业务或工具增加智能化能力。
• 详细解释：需关注赋能后效率提升和成本问题。
• 应用场景：各行业，如制造业、金融、医疗等。

提示词注入（Prompt Injection）

• 定义：恶意指令攻击，可能让AI忽略审核规则，透露用户隐私等。
• 详细解释：防御方案包括规则过滤、复核机制、权限隔离等。
• 应用场景：所有使用AI的系统，特别是涉及用户隐私和信息安全的场景。

护栏（Guardrails）

• 定义：AI的“交通规则系统”，可设置禁止生成医疗建议、强制标注信息来源、限制回复长度等。
• 详细解释：确保AI输出符合规则和期望。
• 应用场景：各类AI应用，特别是对输出内容有严格要求的场景。

小样本学习（Few - Shot Learning）

• 定义：用极少量标注数据训练AI模型。
• 详细解释：可能是在预训练模型上微调，但实际仍需大量隐性数据支持。
• 应用场景：数据稀缺的场景，如某些罕见病的诊断模型训练。