38个AI领域的专业词汇名词解释

AI领域专业词汇总结

一、基础概念与模型类型

• 机器学习（ML）：通过数据学习规律，无需明确编程即可完成任务的技术。
• 深度学习（DL）：机器学习分支，基于多层神经网络处理复杂数据（如图像、语言）。
• 神经网络（Neural Network）：模拟人脑神经元连接结构的数学模型，由输入层、隐藏层、输出层组成。
• 卷积神经网络（CNN）：擅长处理图像、视频，通过卷积操作提取局部特征（如边缘、纹理）。
• 循环神经网络（RNN）：处理序列数据（如文本、语音），能记忆上下文信息（存在梯度消失问题）。
• Transformer模型：基于自注意力机制的神经网络，擅长处理长序列数据（如文本），是BERT、GPT等大模型的基础。
• 生成式模型（Generative Model）：能生成新数据的模型（如GAN、GPT），例如生成逼真图像、文本。
• 判别式模型（Discriminative Model）：用于分类或预测的模型（如SVM、逻辑回归），专注于区分不同类别。

二、训练与优化相关

• 数据集（Dataset）：用于训练、验证、测试模型的数据集合（如图片集、文本库）。
• 过拟合（Overfitting）：模型死记硬背训练数据，导致在新数据上表现差。
• 欠拟合（Underfitting）：模型太简单，无法捕捉数据规律。
• 梯度下降（Gradient Descent）：训练模型时优化参数的核心算法，通过沿梯度方向调整参数最小化误差。
• 反向传播（Backpropagation）：神经网络训练的关键步骤，通过计算输出误差反向调整各层参数。
• Epoch：模型完整遍历一次训练数据集的过程（如训练10个Epoch即把数据学10遍）。
• Batch Size：每次训练时输入模型的数据样本量（如一次喂128张图片给模型）。
• 学习率（Learning Rate）：梯度下降时参数调整的步长，过大可能错过最优解，过小则训练慢。
• 损失函数（Loss Function）：衡量模型预测结果与真实结果差距的函数（如交叉熵、均方误差），目标是最小化损失。

三、自然语言处理（NLP）相关

• 自然语言处理（NLP）：让计算机理解、处理人类语言的技术（如翻译、聊天机器人）。
• 大语言模型（LLM）：基于海量文本训练的大型语言模型（如GPT、LLaMA），能生成类人文本、回答问题等。
• 词嵌入（Word Embedding）：将文字转化为数值向量的技术（如Word2Vec、BERT嵌入），让计算机“理解”词语含义。
• 注意力机制（Attention Mechanism）：让模型处理数据时“聚焦重点”，是Transformer的核心。
• 提示词（Prompt）：用户输入给大模型的指令或问题，引导模型生成特定输出。
• 少样本学习（Few-Shot Learning）：通过少量示例让模型学会新任务（如给3个例子）。
• 零样本学习（Zero-Shot Learning）：无需示例，让模型直接完成从未训练过的任务。

四、计算机视觉（CV）相关

• 计算机视觉（CV）：让计算机“看懂”图像、视频的技术（如人脸识别、物体检测）。
• 目标检测（Object Detection）：识别图像中物体的位置和类别。
• 图像分割（Image Segmentation）：将图像按像素级划分成不同区域。
• 迁移学习（Transfer Learning）：将一个任务训练好的模型参数迁移到新任务。
• 生成对抗网络（GAN）：由生成器和判别器组成的模型，生成器造“假数据”，判别器分辨真假，两者对抗优化。

五、部署与工程相关

• 模型部署（Model Deployment）：将训练好的模型集成到实际应用中（如手机APP、服务器）。
• 轻量化（Model Lightweighting）：减小模型大小和计算量，使其能在手机等设备上运行。
• 边缘计算（Edge Computing）：模型在本地设备上运行，而非依赖云端服务器。
• API（Application Programming Interface）：应用程序接口，大模型通过API提供服务。

六、其他重要术语

• 强化学习（RL）：让模型通过“试错”学习最优行为（如AlphaGo下棋）。
• 联邦学习（Federated Learning）：多设备联合训练模型，但数据不共享（如多个医院联合训练疾病预测模型）。
• hallucination（幻觉）：大模型生成看似合理但错误的内容。
• 对齐（Alignment）：让模型的目标与人类价值观一致。
• 多模态（Multimodal）：模型能处理多种类型数据（如图像+文本+语音）。