AI时代，你必须知道这些定义-优快云博客

本文链接：https://blog.youkuaiyun.com/python122_/article/details/139434758

什么是AI

AI：人工智能（Artificial Intelligence）的简称，是一种科学技术，通过机器和软件模拟、扩展和增强人类的智能。它的目标是让计算机和机器能模拟人类的学习、逻辑推理、知识表达、感知、问题解决和创新等智能行为。

AGI：Artificial General Intelligence，也称作通用人工智能，是指一种具备执行任何智能任务能力的人工智能系统，这类系统在认知功能上与人类相当。与专门针对某一具体任务或问题领域设计的窄AI（Narrow AI）不同，AGI可以广泛学习、理解、推理，并在各种不同的任务和环境中应用这些技能，类似于一个智能生物。AGI是AI领域的一个长期目标，其难度在于需要创造出能够具有类似人类的思维和学习能力的机器。这样的系统应该能够理解复杂的概念，从经验中学习，应对新情况，解决从未遇到过的问题，甚至在艺术、科学和其他创造性领域进行创新。

AI的工作方式

AI工作的方式有多种，但大致可以分为两大类：基于规则的系统和基于学习的系统。

基于规则的系统是早期AI的主要形式，它们遵循一系列预设定的规则或算法来执行任务或解决问题。例如，早期的国际象棋计算机程序就使用了明确的算法和策略进行游戏。然而，这类系统的问题在于其灵活性和适应性较差，无法处理未预见到的新情况。

基于学习的系统，特别是机器学习系统，是目前AI发展的主要方向。这类系统不再依赖预设定的规则，而是通过学习数据中的模式和关系来生成预测并做出决策。这种方法的优点在于其灵活性和适应性强，可以处理各种复杂和动态的情况。

机器学习可以进一步分为监督学习、无监督学习和强化学习。在监督学习中，模型通过训练集中的输入和相应的输出进行学习，以便对新的输入进行正确的预测或分类。在无监督学习中，模型需要自我发现输入数据的结构和模式。强化学习则是通过与环境的互动，在试错中找到最优策略。

在这些类型中，深度学习是一种特殊的机器学习方法，它使用了类似人脑的神经网络结构进行学习和预测。深度学习在语音和图像识别、自然语言处理等众多领域都取得了突破性的进展。

AI模型的定义

AI模型：指使用人工智能算法构建的特定结构或框架，它能够处理输入数据并产生预期的输出。

AI模型通常包括以下几个部分：

输入：这是模型接收的原始数据，可能是图像、文本、音频等。
特征：这些是从输入数据中提取的重要信息，用来帮助模型做出预测。
算法：这是模型的核心，它将特征转化为预测。算法可以是决策树、神经网络、支持向量机等。
输出：这是模型产生的结果，可能是分类（如猫或狗）、预测值（如明天的股票价格）、推荐列表等。
训练：这是一个反复的过程，在这个过程中，模型通过不断调整其参数来优化其性能，以尽可能减小预测值和实际值之间的差距。
评估：通过使用未参与训练的测试数据来检查模型的性能，包括准确性、召回率、精确度等。

什么是大模型

大模型，也称为LLM，是大规模语言模型（Large Language Model）的简称。语言模型是一种人工智能模型，它被训练成理解和生成人类语言。“大”在“大语言模型”中的意思是指模型的参数量非常大。比如ChatGPT，文心一言等。

大模型主要分为两类：语言模型和机器学习模型。下面是各自的类型和特点：

语言模型：
1. Transformer模型：这种模型基于注意力机制，它可以处理长距离依赖性，对序列数据的处理效果非常好，如Google的BERT, GPT3等。
2. 循环神经网络（RNN）：适用于处理序列数据，特别是处理长度可变的序列。如LSTM, GRU等。
3. 卷积神经网络（CNN）：在处理图像和语音识别任务上效果显著。

特点：语言模型能够理解和生成人类语言，可以用于机器翻译，问答系统，语音识别等任务。