AI基础术语及其释义
作者：微信文章一、基础概念
人工智能（ArtificialIntelligence,AI）模拟人类智能的科学与技术，使计算机具备学习、推理、感知、决策等能力，应用于图像识别、自然语言处理等领域。
机器学习（MachineLearning,ML）AI的子领域，通过数据自动学习规律并改进性能，无需显式编程，分为监督、无监督、强化学习等类型。
深度学习（DeepLearning）基于多层神经网络的机器学习方法，擅长处理图像、语音等高维数据，核心技术包括卷积神经网络（CNN）、Transformer等。
强化学习（ReinforcementLearning,RL）通过与环境交互获得奖励信号，学习最优策略（如游戏AI、机器人控制）。
自然语言处理（NaturalLanguageProcessing,NLP）
使计算机理解、生成人类语言的技术，涵盖机器翻译、情感分析、问答系统等。
计算机视觉（ComputerVision,CV）让计算机“看懂”图像和视频，用于人脸识别、自动驾驶、医学影像分析等。
认知计算（CognitiveComputing）模拟人类思维过程的系统，结合推理、学习和交互，用于复杂决策支持（如IBMWatson）。
边缘计算（EdgeComputing）在数据源附近处理数据（如摄像头、传感器），降低延迟，支持实时AI应用。
自动化机器学习（AutoML）自动化模型选择、超参数调优等流程，降低AI开发门槛（如GoogleAutoML）。
可解释AI（ExplainableAI,XAI）使模型决策透明化，增强用户信任，适用于医疗诊断、金融风控等高风险场景。
二、算法与模型
监督学习（SupervisedLearning）使用标注数据训练模型（如分类、回归任务），经典算法：线性回归、支持向量机（SVM）。
无监督学习（UnsupervisedLearning）从无标注数据中发现模式（如聚类、降维），典型算法：K均值、主成分分析（PCA）。
集成学习（EnsembleLearning）结合多个模型提升性能（如随机森林、梯度提升树GBDT）。
生成对抗网络（GenerativeAdversarialNetwork,GAN）
生成器与判别器对抗训练，生成逼真数据（图像、文本），用于艺术创作、数据增强。
Transformer架构基于自注意力机制的模型，突破序列处理瓶颈，驱动ChatGPT、BERT等大语言模型。
图神经网络（GraphNeuralNetwork,GNN）处理社交网络、知识图谱等图结构数据，应用于推荐系统、药物发现。
元学习（Meta-Learning）“学会学习”的算法，快速适应新任务（如少样本学习）。
贝叶斯网络（BayesianNetwork）概率图模型，表示变量间依赖关系，用于风险评估、医疗诊断。
联邦学习（FederatedLearning）分布式训练模型，保护数据隐私（如手机用户数据不离开本地）。
神经符号AI（Neuro-SymbolicAI）结合神经网络（感知）与符号推理（逻辑），提升可解释性和推理能力。
三、数据相关
数据标注（DataLabeling）为原始数据添加标签（如图像分类、文本情感标签），是监督学习的基础。
数据增强（DataAugmentation）通过旋转、裁剪、添加噪声等扩充数据集，提升模型泛化能力。
数据湖（DataLake）存储原始数据的仓库（结构化、非结构化），支持灵活分析（如AWSS3）。
数据治理（DataGovernance）确保数据质量、安全与合规性的管理框架（如数据隐私、权限控制）。
特征工程（FeatureEngineering）通过特征提取、转换优化输入数据，直接影响模型性能（如文本向量化）。
数据版本控制（DataVersioning）管理数据集变更历史，确保实验可复现（如DVC工具）。
数据泄露（DataLeakage）测试集信息污染训练集，导致模型过拟合（需严格划分数据集）。
数据偏差（DataBias）数据分布不均衡或包含歧视性信息，导致模型决策不公（需数据清洗）。
四、框架与工具
TensorFlow/PyTorch主流深度学习框架，分别以静态图（TF）和动态图（PyTorch）著称。
HuggingFaceTransformersNLP领域标杆库，提供预训练模型（如GPT、BERT）和便捷API。
Scikit-learn机器学习基础库，涵盖分类、回归、聚类等经典算法。
MLflow管理机器学习生命周期（实验跟踪、模型部署）。
JupyterNotebook/Colab交互式开发环境，支持代码、可视化与文档结合。
Docker/Kubernetes容器化部署工具，实现模型跨平台运行与扩展。
Ray分布式计算框架，支持大规模强化学习与超参数调优。
五、应用场景
推荐系统（RecommendationSystem）基于用户行为数据推荐内容（如Netflix、抖音），常用协同过滤、深度学习。
智能客服（Chatbot）结合NLP与知识图谱，提供7x24小时自动问答服务。
自动驾驶（AutonomousDriving）融合计算机视觉、传感器数据与强化学习，实现车辆自主导航。
AI生成内容（AIGC）生成文本（ChatGPT）、图像（MidJourney）、视频（Sora），革新内容生产。
医疗AI（MedicalAI）辅助疾病诊断（如肺癌CT识别）、药物研发（AlphaFold预测蛋白质结构）。
工业缺陷检测（IndustrialInspection）基于CV的自动化质检，替代人工目检。
六、伦理与法律
算法公平性（AlgorithmicFairness）确保模型不因性别、种族等因素歧视用户（需偏差检测与修正）。
AI透明度（AITransparency）用户有权了解决策逻辑（如欧盟《AI法案》要求高风险系统可解释）。
数据隐私（DataPrivacy）遵守GDPR等法规，最小化数据收集，匿名化处理敏感信息。
AI责任归属（AIAccountability）明确AI错误导致损失时的责任方（开发者、用户或系统本身）。
AI伦理准则（AIEthicsGuidelines）如阿西洛马23原则，强调AI应服务于人类福祉、避免伤害。
七、前沿技术
大语言模型（LargeLanguageModel,LLM）如GPT-4、Claude，通过海量文本训练实现通用对话与推理。
多模态学习（MultimodalLearning）融合文本、图像、语音等多源数据，提升场景理解（如GPT-4V）。
具身智能（EmbodiedAI）赋予AI物理身体（如机器人），通过与环境交互学习技能。
AI芯片（AIAccelerators）专为AI计算设计的硬件（如NVIDIAH100、TPU），提升算力效率。
AIforScienceAI驱动科学发现（如DeepMind预测天气、核聚变控制）。
八、补充说明
AI产品经理核心关注点：技术可行性、用户体验、数据合规性、商业价值闭环。
AI交互设计原则：透明性（告知用户AI参与）、可控性（允许用户修正结果）、容错性（优雅处理AI错误）。
页:
[1]