现在人工智能（AI）可以说是相当火爆，对于想投身AI领域的同学，有必要对AI相关的名词了解清楚。其领域涉及的概念繁多，为了方便查阅，我将常见且重要的AI名词按照类别进行了整理和解释。这个术语表涵盖了从基础理论到前沿技术的核心词汇，希望能帮助你快速理解。
01 基础概念
人工智能（Artificial Intelligence，AI）：指通过计算机程序或机器模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。目标是使机器能像人一样思考、学习、决策。
图灵测试（Turing Test）：由艾伦·图灵提出，测试机器是否能表现出与人类无法区分的智能行为。如果一台机器在对话中能让人类无法分辨它是人还是机器，就认为它具有智能。
强人工智能vs弱人工智能：
弱人工智能（Weak AI/Narrow AI）：专注于完成特定任务（如人脸识别、语音助手），当前所有AI都属于此类。
强人工智能（Strong AI/AGI）：具备与人类同等水平的通用智能，能理解、学习和应用知识解决任何问题，目前尚未实现。
超人工智能（Artificial Superintelligence，ASI）：假设中在几乎所有领域都远超最聪明人类的智能体，仍处于理论阶段。
智能体（Agent）：能够感知环境并采取行动以实现目标的实体，可以是软件程序（如聊天机器人）或硬件设备（如机器人）。
02 机器学习（Machine Learning，ML）
机器学习：实现AI的主要途径，通过数据训练模型，使计算机能从经验中自动改进。
监督学习（Supervised Learning）：使用带标签的数据训练模型，输入与输出一一对应，如分类、回归任务（识别猫狗图片）。
无监督学习（Unsupervised Learning）：使用无标签数据，让模型自行发现数据中的模式或结构，如聚类、降维（客户分群）。
半监督学习（Semi-supervised Learning）：结合少量标签数据和大量无标签数据训练，降低标注成本。
强化学习（Reinforcement Learning，RL）：智能体通过与环境交互，根据奖惩信号学习最优策略，如AlphaGo、自动驾驶。
特征（Feature）：用于描述数据的属性或变量，如预测房价时的面积、卧室数量。
标签（Label）：监督学习中希望预测的结果，如邮件是否为垃圾邮件（是/否）。
模型（Model）：通过算法从数据中学习到的规律或表示，可用于对新数据进行预测。
训练（Training）：使用数据调整模型参数，使模型预测误差最小的过程。
过拟合（Overfitting）：模型在训练数据上表现极好，但在新数据上表现差，因为学到了噪声或细节。
欠拟合（Underfitting）：模型过于简单，无法捕捉数据中的规律，在训练和测试数据上表现都差。
泛化能力（Generalization）：模型对新数据的适应能力，是衡量模型好坏的关键。
交叉验证（Cross-validation）：将数据分成多份，轮流用作训练集和验证集，以更稳健地评估模型性能。
偏差与方差（Bias and Variance）：
偏差：模型预测值与真实值的差距，高偏差导致欠拟合。
方差：模型对训练数据波动的敏感度，高方差导致过拟合。
损失函数（Loss Function）：衡量模型预测值与真实值差异的函数，训练目标是最小化损失。
梯度下降（Gradient Descent）：通过计算损失函数对参数的梯度，沿梯度反方向更新参数以最小化损失的优化算法。
超参数（Hyperparameter）：训练前人为设定的参数，如学习率、神经网络层数，不由模型自动学习。
03 深度学习（Deep Learning，DL）
深度学习的核心是构建多层神经网络，自动提取数据的层次化特征。
神经网络（Neural Network）：模拟人脑神经元结构的计算模型，由输入层、隐藏层、输出层组成，每层包含多个神经元。
神经元（Neuron）：神经网络的基本单元，接收输入、加权求和、经激活函数输出。
激活函数（Activation Function）：引入非线性，使网络能学习复杂模式。常用：ReLU、Sigmoid、Tanh。
层（Layer）：
输入层：接收原始数据。
隐藏层：中间计算层，可有多层。
输出层：输出最终结果。
深度神经网络（Deep Neural Network，DNN）：具有多个隐藏层的神经网络。
卷积神经网络（Convolutional Neural Network，CNN）：专为处理网格状数据（如图像）设计的网络，利用卷积核提取局部特征，常用于计算机视觉。
循环神经网络（Recurrent Neural Network，RNN）：处理序列数据（如文本、时间序列）的网络，具有记忆能力，但存在长程依赖问题。
长短期记忆网络（Long Short-Term Memory，LSTM）：RNN的一种变体，通过门控机制有效解决长期依赖问题。
门控循环单元（Gated Recurrent Unit，GRU）：LSTM的简化版本，参数更少，训练更快。https://mybj123.com/29850.html
Transformer：基于自注意力机制的架构，彻底改变了自然语言处理领域，是BERT、GPT等模型的基础。
自注意力（Self-Attention）：Transformer的核心，允许序列中每个位置关注所有其他位置，捕捉长距离依赖。
多头注意力（Multi-Head Attention）：将自注意力并行执行多次，从不同表示子空间学习信息。
前馈网络（Feed-Forward Network，FFN）：Transformer中的组成部分，对每个位置的表示进行非线性变换。
位置编码（Positional Encoding）：Transformer中为序列添加位置信息的方法，因为模型本身不具备顺序概念。
残差连接（Residual Connection）：将输入直接加到输出上，缓解深层网络梯度消失问题，让训练更深网络成为可能。
层归一化（Layer Normalization）：对每个样本的特征进行归一化，稳定训练过程。
反向传播（Backpropagation）：计算损失函数对每个参数梯度的算法，用于更新网络权重。
优化器（Optimizer）：实现梯度下降的具体算法，如SGD、Adam、RMSprop。
批量（Batch）：一次训练中同时输入模型的多个样本。
轮次（Epoch）：完整遍历一次整个训练数据集。
学习率（Learning Rate）：梯度下降中参数更新的步长，过大可能震荡，过小收敛慢。
嵌入（Embedding）：将离散对象（如词、商品）映射为连续向量，便于模型处理。
词嵌入（Word Embedding）：将单词表示为低维稠密向量，语义相近的词向量距离近，如Word2Vec、GloVe。
04 自然语言处理（Natural Language Processing，NLP）
让计算机理解、生成和处理人类语言的技术。
分词（Tokenization）：文本切分成更小的单元（词、子词、字符），如“我爱AI”→[“我”,“爱”,“AI”]。
词性标注（Part-of-Speech Tagging）：为每个词标注词性，如名词、动词。
命名实体识别（Named Entity Recognition，NER）：识别文本中的专有名词（人名、地名、机构名等）。
句法分析（Parsing）：分析句子的语法结构，如依存关系、短语结构。
语义理解（Semantic Understanding）：理解文本的含义，包括词义消歧、意图识别等。
情感分析（Sentiment Analysis）：判断文本的情感倾向，如正面、负面、中性。
机器翻译（Machine Translation，MT）：将一种语言自动翻译成另一种语言，如谷歌翻译。
文本生成（Text Generation）：根据输入自动生成连贯的文本，如写诗、新闻稿。
问答系统（Question Answering，QA）：自动回答用户提出的问题，可基于文档或知识库。
对话系统（Dialogue System）：与用户进行多轮对话，如聊天机器人、任务型助手。
预训练语言模型（Pre-trained Language Model，PLM）：在大规模语料上预先训练好的语言模型，下游任务微调即可使用，如BERT、GPT。
BERT（Bidirectional Encoder Representations from Transformers）：Google提出的双向Transformer编码器，善于理解上下文，适合分类、阅读理解等任务。
GPT（Generative Pre-trained Transformer）：OpenAI提出的自回归语言模型，擅长文本生成，如ChatGPT。
大语言模型（Large Language Model，LLM）：参数规模巨大（数十亿至数千亿）的语言模型，如GPT-4、Llama、通义千问。
上下文学习（In-Context Learning）：大模型通过提示词中的示例直接学习任务，无需更新参数。
思维链（Chain-of-Thought，CoT）：引导模型生成中间推理步骤，提升复杂问题解决能力。
提示工程（Prompt Engineering）：设计输入提示词以引导大模型生成期望输出的技术。
微调（Fine-tuning）：在预训练模型基础上，用特定任务数据继续训练，使模型适应下游任务。
RLHF（Reinforcement Learning from Human Feedback）：基于人类反馈的强化学习，用于使大模型输出更符合人类偏好（如ChatGPT）。
幻觉（Hallucination）：大模型生成看似合理但事实上错误或无依据的内容。
05 计算机视觉（Computer Vision，CV）
让计算机理解和处理图像、视频等视觉信息。
图像分类（Image Classification）：将图像分为预定义类别，如“猫”、“狗”。
目标检测（Object Detection）：识别图像中多个物体的位置和类别，用边界框标出。
图像分割（Image Segmentation）：
语义分割：给每个像素分配类别标签。
实例分割：区分同一类别的不同个体。
人脸识别（Face Recognition）：识别或验证图像中的人脸身份。
图像生成（Image Generation）：根据输入（如文本、噪声）生成新图像，如GAN、扩散模型。
图像超分辨率（Super-Resolution）：从低分辨率图像重建高分辨率图像。
图像风格迁移（Style Transfer）：将一幅图像的风格应用到另一幅图像上。
卷积核（Kernel/Filter）：CNN中用于提取特征的矩阵，在图像上滑动进行卷积操作。
池化（Pooling）：降低特征图尺寸的操作，如最大池化、平均池化。
感受野（Receptive Field）：网络中某层神经元对应的输入图像区域大小。
06 强化学习（Reinforcement Learning）
智能体（Agent）：做出决策的实体。
环境（Environment）：智能体交互的外部世界。
状态（State）：环境在某个时刻的描述。
动作（Action）：智能体可执行的操作。
奖励（Reward）：环境对智能体动作的反馈信号（标量），指导学习。
策略（Policy）：从状态到动作的映射，可以是确定性的或随机的。
值函数（Value Function）：评估某个状态或状态下采取某个动作的长期期望回报。
Q-learning：一种无模型的强化学习算法，学习动作值函数（Q函数）https://mybj123.com/29925.html。
深度强化学习（Deep Reinforcement Learning）：使用深度神经网络近似策略或值函数，如DQN、AlphaGo。
蒙特卡洛树搜索（Monte Carlo Tree Search，MCTS）：通过模拟搜索最优决策的算法，AlphaGo中用到。
07 生成模型
生成对抗网络（Generative Adversarial Network，GAN）：由生成器和判别器组成，两者博弈，生成器力图生成逼真数据，判别器判断真假。
变分自编码器（Variational Autoencoder，VAE）：基于自编码器的生成模型，学习数据的潜在分布，可生成新样本。
扩散模型（Diffusion Model）：通过逐步向数据添加噪声（前向过程），然后学习逆向去噪过程来生成数据，如Stable Diffusion、DALL·E 2。
自回归模型（Autoregressive Model）：逐个生成序列元素，每一步都依赖之前生成的内容，如GPT、PixelCNN。
08 框架与工具
TensorFlow：Google开发的开源深度学习框架，支持静态计算图。
PyTorch：Facebook开发的开源深度学习框架，动态计算图，研究界广泛使用。
Keras：高级神经网络API，可运行在TensorFlow、Theano等后端上。
JAX：Google开发的数值计算库，支持自动微分和GPU/TPU加速。
Hugging Face Transformers：提供大量预训练模型（BERT、GPT等）的库，简化NLP开发。
LangChain：用于构建基于大语言模型应用的框架，提供链式调用、记忆、工具集成等。
Scikit-learn：Python机器学习库，包含传统ML算法和工具。
Pandas/NumPy：数据处理和数值计算的基础库。
OpenCV：计算机视觉开源库，提供图像处理、视频分析等功能。
CUDA：NVIDIA的并行计算平台，允许利用GPU加速深度学习计算。
09 其他重要术语
图神经网络（Graph Neural Network，GNN）：处理图结构数据（如社交网络、分子结构）的神经网络。
迁移学习（Transfer Learning）：将一个任务上学到的知识迁移到另一个相关任务，减少训练数据需求。
多模态（Multimodal）：涉及多种类型数据（如文本、图像、音频）的AI任务，如文生图、视频理解。
联邦学习（Federated Learning）：在保护数据隐私的前提下，分布式训练模型，数据不离开本地。
可解释AI（Explainable AI，XAI）：旨在让AI模型的决策过程透明、可理解，增强信任。
对抗样本（Adversarial Example）：对输入故意添加微小扰动，导致模型错误分类的样本。
元学习（Meta Learning）：学会如何学习，让模型能够快速适应新任务。
零样本学习（Zero-shot Learning）：模型能识别训练中从未见过的类别，依靠语义描述。
少样本学习（Few-shot Learning）：仅用少量样本就能完成新任务的学习。
知识蒸馏（Knowledge Distillation）：将大模型（教师）的知识转移到小模型（学生），压缩模型体积。
模型量化（Quantization）：降低模型参数精度（如从32位浮点转为8位整数），减少内存和加速推理。
剪枝（Pruning）：移除神经网络中不重要的连接或神经元，压缩模型。
这个列表涵盖了AI领域的主要名词，但AI技术日新月异，新术语将会不断涌现。我们也需要与时俱进，不断学习。
