25个生成式AI核心术语【值得收藏】 原创

01、概述

生成式AI如今已成为各个行业的核心技术，无论你是在科技领域工作、准备面试，还是从事AI项目，掌握生成式AI的基本术语和概念都是非常重要的。这篇指南将带你了解生成式AI中的25个必备术语，以清晰易懂的定义、实际案例和深度资源助你深入掌握这些知识，帮助你在这个飞速发展的领域保持竞争力。

02、25 个生成式AI核心术语

1）. 生成模型（Generative Model）

• 定义：生成模型是一种可以从学习到的模式中生成新数据点的AI模型。
• 示例：如GPT模型可以基于输入生成类似人类的文本。

2）. Transformer

• 定义：一种利用自注意力机制来处理和生成序列（如文本或图像）的神经网络架构。
• 示例：BERT是一种Transformer模型，广泛应用于问答和文本分类任务。

3）. 隐空间（Latent Space）

• 定义：生成模型将数据映射到的多维空间，使其能够学习和生成变体。
• 示例：在图像生成中，相似的图像在隐空间中会被放置在彼此相邻的位置。

4）. 生成对抗网络（GAN）

• 定义：由两个神经网络（生成器和判别器）对抗训练以生成逼真的数据。
• 示例：GANs可生成逼真的人脸图像，且这些图像并不属于真实的人。

5）. 自编码器（Autoencoder）

• 定义：一种学习压缩和重构数据的神经网络，常用于降维和去噪。
• 示例：自编码器可以用来从损坏的图像中去除噪音。

6）. 扩散模型（Diffusion Models）

• 定义：学习通过反向降噪过程生成细致一致的数据。
• 示例：扩散模型在DALL-E 2中用于从随机噪声生成高质量图像。

7）. 提示工程（Prompt Engineering）

• 定义：为优化模型输出而设计输入提示的过程。
• 示例：在GPT-4中修改提示词以生成更简洁的摘要。

8）. 零样本学习（Zero-Shot Learning）

• 定义：模型无需明确训练就能完成新任务，通过其他任务知识的迁移实现。
• 示例：GPT-3无需专门的翻译数据集即可进行翻译任务。

9）. 少样本学习（Few-Shot Learning）

• 定义：模型通过少量示例学习新任务，减少大量训练数据的需求。
• 示例：GPT-3可以用极少的样本进行微调，生成特定风格的文本。

10）. 强化学习（Reinforcement Learning）

• 定义：通过与环境交互并最大化累积奖励，AI代理学会决策的学习范式。
• 示例：AlphaGo通过对弈数百万次来掌握围棋。

11）. 变分自编码器（VAE）

• 定义：一种在隐空间中引入随机性的自编码器，生成新数据。
• 示例：VAEs被用于生成新的人脸，并在不同面部特征间平滑过渡。

12）. 自监督学习（Self-Supervised Learning）

• 定义：模型从数据中生成自己的标签，减少对标注数据的依赖。
• 示例：BERT在训练过程中通过遮盖词语并预测它们来进行自监督学习。

13）. 分词（Tokenization）

• 定义：将文本分割成更小单位（如词或子词）以便于模型处理。
• 示例：在GPT-4中将文本输入分词成词语，以便模型处理。

14）. 集束搜索（Beam Search）

• 定义：一种搜索算法，通过扩展多个候选序列生成最可能的输出序列。
• 示例：集束搜索常用于机器翻译，生成连贯的文本输出。

15）. 迁移学习（Transfer Learning）

• 定义：利用在一个任务上预训练的模型，并微调它用于另一任务。
• 示例：在情感分析任务上微调BERT模型。

16）. 语言模型（Language Model）

• 定义：预测自然语言中词序列概率的模型，帮助生成或理解文本。
• 示例：GPT-4是一种能够生成连贯文本的语言模型。

17）. AI偏见（Bias in AI）

• 定义：AI系统产生偏向性结果，通常由于训练数据或算法的偏见。
• 示例：AI招聘系统可能对性别产生偏见，优先选择历史数据中较多的群体。

18）. GPT（生成式预训练Transformer）

• 定义：一种大规模语言模型，通过大规模文本预训练生成类似人类的文本。
• 示例：GPT-4可以生成文章、故事和详细的回答。

19）. 困惑度（Perplexity）

• 定义：衡量语言模型对给定词序列的预测能力，困惑度越低表示模型表现越好。
• 示例：比较GPT-3和GPT-4的困惑度来评估文本生成质量。

20）. 自然语言处理（NLP）

• 定义：人工智能领域，研究人与计算机通过自然语言交互的技术。
• 示例：NLP模型用于分析客户评论的情感。

21）. 神经网络（Neural Network）

• 定义：受人脑神经元启发的计算系统，由多层节点组成，用于图像识别、语言处理等任务。
• 示例：卷积神经网络（CNN）用于图像识别。

22）. 训练数据（Training Data）

• 定义：用于训练AI模型的数据，使其学会识别模式并进行预测。
• 示例：ImageNet数据集用于训练图像分类模型。

23）. 注意力机制（Attention Mechanism）

• 定义：一种神经网络方法，帮助模型聚焦于输入序列中的关键部分，提高性能。
• 示例：在机器翻译中，注意力机制帮助模型专注于重要词汇。

24）. 训练轮次（Epoch）

• 定义：机器学习模型在训练过程中对整个数据集的完整遍历。
• 示例：为神经网络设置10个训练轮次以避免过拟合。

25）. 多模态AI（Multimodal AI）

• 定义：处理并生成多种模态（如文本、图像、音频）的AI。
• 示例：CLIP处理图像和文本，为图像生成标题。

03、结语

掌握生成式AI中的关键术语是构建基础的第一步，随着深入理解，你可以更好地应用这些知识到项目中。这些术语不仅帮助我们理解生成式AI背后的机制，也为我们在实际应用中提供了指导方向。

参考：

1. ​​https://ai.plainenglish.io/top-25-generative-ai-terminologies-you-must-know-6a3bb0300988​​

本文转载自公众号Halo咯咯 作者：基咯咯

原文链接：​​https://mp.weixin.qq.com/s/zb6N0dqjbIvkQckUnoiviA​​