01、概述

生成式AI如今已成為各個行業的核心技術，無論你是在科技領域工作、準備面試，還是從事AI項目，掌握生成式AI的基本術語和概念都是非常重要的。這篇指南將帶你了解生成式AI中的25個必備術語，以清晰易懂的定義、實際案例和深度資源助你深入掌握這些知識，幫助你在這個飛速發展的領域保持競爭力。

02、25 個生成式AI核心術語

1）. 生成模型（Generative Model）

• 定義：生成模型是一種可以從學習到的模式中生成新數據點的AI模型。
• 示例：如GPT模型可以基于輸入生成類似人類的文本。

2）. Transformer

• 定義：一種利用自注意力機制來處理和生成序列（如文本或圖像）的神經網絡架構。
• 示例：BERT是一種Transformer模型，廣泛應用于問答和文本分類任務。

3）. 隱空間（Latent Space）

• 定義：生成模型將數據映射到的多維空間，使其能夠學習和生成變體。
• 示例：在圖像生成中，相似的圖像在隱空間中會被放置在彼此相鄰的位置。

4）. 生成對抗網絡（GAN）

• 定義：由兩個神經網絡（生成器和判別器）對抗訓練以生成逼真的數據。
• 示例：GANs可生成逼真的人臉圖像，且這些圖像并不屬于真實的人。

5）. 自編碼器（Autoencoder）

• 定義：一種學習壓縮和重構數據的神經網絡，常用于降維和去噪。
• 示例：自編碼器可以用來從損壞的圖像中去除噪音。

6）. 擴散模型（Diffusion Models）

• 定義：學習通過反向降噪過程生成細致一致的數據。
• 示例：擴散模型在DALL-E 2中用于從隨機噪聲生成高質量圖像。

7）. 提示工程（Prompt Engineering）

• 定義：為優化模型輸出而設計輸入提示的過程。
• 示例：在GPT-4中修改提示詞以生成更簡潔的摘要。

8）. 零樣本學習（Zero-Shot Learning）

• 定義：模型無需明確訓練就能完成新任務，通過其他任務知識的遷移實現。
• 示例：GPT-3無需專門的翻譯數據集即可進行翻譯任務。

9）. 少樣本學習（Few-Shot Learning）

• 定義：模型通過少量示例學習新任務，減少大量訓練數據的需求。
• 示例：GPT-3可以用極少的樣本進行微調，生成特定風格的文本。

10）. 強化學習（Reinforcement Learning）

• 定義：通過與環境交互并最大化累積獎勵，AI代理學會決策的學習范式。
• 示例：AlphaGo通過對弈數百萬次來掌握圍棋。

11）. 變分自編碼器（VAE）

• 定義：一種在隱空間中引入隨機性的自編碼器，生成新數據。
• 示例：VAEs被用于生成新的人臉，并在不同面部特征間平滑過渡。

12）. 自監督學習（Self-Supervised Learning）

• 定義：模型從數據中生成自己的標簽，減少對標注數據的依賴。
• 示例：BERT在訓練過程中通過遮蓋詞語并預測它們來進行自監督學習。

13）. 分詞（Tokenization）

• 定義：將文本分割成更小單位（如詞或子詞）以便于模型處理。
• 示例：在GPT-4中將文本輸入分詞成詞語，以便模型處理。

14）. 集束搜索（Beam Search）

• 定義：一種搜索算法，通過擴展多個候選序列生成最可能的輸出序列。
• 示例：集束搜索常用于機器翻譯，生成連貫的文本輸出。

15）. 遷移學習（Transfer Learning）

• 定義：利用在一個任務上預訓練的模型，并微調它用于另一任務。
• 示例：在情感分析任務上微調BERT模型。

16）. 語言模型（Language Model）

• 定義：預測自然語言中詞序列概率的模型，幫助生成或理解文本。
• 示例：GPT-4是一種能夠生成連貫文本的語言模型。

17）. AI偏見（Bias in AI）

• 定義：AI系統產生偏向性結果，通常由于訓練數據或算法的偏見。
• 示例：AI招聘系統可能對性別產生偏見，優先選擇歷史數據中較多的群體。

18）. GPT（生成式預訓練Transformer）

• 定義：一種大規模語言模型，通過大規模文本預訓練生成類似人類的文本。
• 示例：GPT-4可以生成文章、故事和詳細的回答。

19）. 困惑度（Perplexity）

• 定義：衡量語言模型對給定詞序列的預測能力，困惑度越低表示模型表現越好。
• 示例：比較GPT-3和GPT-4的困惑度來評估文本生成質量。

20）. 自然語言處理（NLP）

• 定義：人工智能領域，研究人與計算機通過自然語言交互的技術。
• 示例：NLP模型用于分析客戶評論的情感。

21）. 神經網絡（Neural Network）

• 定義：受人腦神經元啟發的計算系統，由多層節點組成，用于圖像識別、語言處理等任務。
• 示例：卷積神經網絡（CNN）用于圖像識別。

22）. 訓練數據（Training Data）

• 定義：用于訓練AI模型的數據，使其學會識別模式并進行預測。
• 示例：ImageNet數據集用于訓練圖像分類模型。

23）. 注意力機制（Attention Mechanism）

• 定義：一種神經網絡方法，幫助模型聚焦于輸入序列中的關鍵部分，提高性能。
• 示例：在機器翻譯中，注意力機制幫助模型專注于重要詞匯。

24）. 訓練輪次（Epoch）

• 定義：機器學習模型在訓練過程中對整個數據集的完整遍歷。
• 示例：為神經網絡設置10個訓練輪次以避免過擬合。

25）. 多模態AI（Multimodal AI）

• 定義：處理并生成多種模態（如文本、圖像、音頻）的AI。
• 示例：CLIP處理圖像和文本，為圖像生成標題。

03、結語

掌握生成式AI中的關鍵術語是構建基礎的第一步，隨著深入理解，你可以更好地應用這些知識到項目中。這些術語不僅幫助我們理解生成式AI背后的機制，也為我們在實際應用中提供了指導方向。

參考：

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

本文轉載自公眾號Halo咯咯 作者：基咯咯

原文鏈接：??https://mp.weixin.qq.com/s/zb6N0dqjbIvkQckUnoiviA??