职场人必备的55个AIGC专业术语

飞书用户7881

2023年8月3日修改

作者：AIGC研究师

1.AGI(通用人工智能):

释义:AGI 即Artificial general intelligence 的简写，与狭义人工智能(专注于特定任务)不同，它的目标是实现全面性的智能，具备自主决策和创造性思维。​

2.AI(人工智能):

释义:AI 是人工智能(Artificial lntelligence)的缩写。它涵盖了各种技术和方法，旨在使计算机系统具备感知、理解、学习、推理、决策和交互等能力。​

3.AIGC(人工智能生成内容):

释义:AIGC即Artificial Intelligence Generative Content即人工智能生成内容。它的核心思想是利用人工智能模型，根据给定的主题、关键词、格式、风格等条件，自动生成各种类型的文本、图像、音频、视频等内容。​

4.ANI(狭义人工智能):

释义:狭义人工智能(Artifical Narrow intelligence)，即专注于一件事的Al，比如下围棋的AlphaGo，又称为弱人工智能。​

5.LORA(低秩适配):

释义:LoRA的全称是Low-Rank Adaptation，即大型语言模型的低阶自适应。LORA大大降低了适用于特定任务的大型语言模型的存储需求，并在部署期间实现了高效的任务切换而不会带来推导延迟的问题​

6.CNN(卷积神经网络):

释义:卷积神经网络(Convolutional Neural Network)是一种深度学习的神经网络架构专门设计用于处理和分析具有网格结构数据的任务，如图像和视频。​

7.CV(计算机视觉):

释义:计算机视觉(Computer Vision)是人工智能领域的一个分支，研究如何使计算机系统能够理解和解释图像和视频数据。​

8.Connectionism(联结主义):

释义:联结主义(Connectionism)是一种认知科学和心理学的理论框架，强调神经网络在认知过程中的作用。它试图通过模拟大脑中神经元之间的连接和交互来解释人类认知的基本原理。在计算机科学中，联结主义也指代一类基于神经网络的机器学习方法​

9.CLIP(对比语言-图像预训练):

释义:对比语言-图像预训练(Contrastive Language-lmage Pretraining)是一种先对语言和图像数据进行预训练，然后将两者结合以提高多模态任务性能的方法。​

10.LLM(大语言模型):

释义:大语言模型(Large Language Model)是指具有庞大规模的参数和训练数据的语言模型。可以用于自然语言处理任务，如文本生成、机器翻译、对话系统等。​

11.GPU(图形处理单元):

释义:图形处理单元(Graphics Processing Unit)是一种专门用于图形染和图形计算的处理器。它是计算机中的一种硬件设备，用于加速图形和图像处理任务。​

12.GAN(通用对抗网络):

释义:通用对抗网络(Generative Adversarial Networks)是一种深度学习模型，由生成器(Generator)和判别器(Discriminator)两个部分组成通过对抗训练的方式进行学习。GAN的核心思想是通过生成器和判别器之间的竞争和博弈来提高生成模型的性能。​

13.Machine Learning(机器学习):

释义:机器学习(Machine Learning)是一种人工智能(Artificial intelligence)的分支领域旨在使计算机系统能够从数据中学习和提高性能，而无需明确地编程规则。机器学习通过从大量数据中自动学习模式、规律和知识，使计算机能够自主地做出预测、决策和推断​

14.NLP(自然语言处理):

释义:自然语言处理(Natural Language Processing)是人工智能领域的一个分支，专注于让计算机理解、处理和生成人类自然语言的能力。自然语言处理旨在让计算机能够处理文本、语音等形式的自然语言数据，实现对文本内容、语义和情感的理解与处理。​

15.Agents(代理):

释义:代理(Agent)在人工智能领域中指的是一个能够感知环境、做出决策并执行动作的实体。代理可以是物理实体(如机器人)或虚拟实体(如计算机程序)。​

16.Attention(注意力):

释义:注意力(Attention)在人工智能领域中是指模型或系统对输入数据中不同部分的关注程度或重要性。注意力机制可以帮助模型在处理复杂任务时，集中于关键信息。​

17.Alignment(对齐):

释义:对齐(Alignment)在人工智能领域中指的是确保人工智能系统的目标与人类价值和意图保持一致的过程。在开发和部署人工智能系统时，对齐的目标是确保系统的行为和决策符合人类的期望，并符合道德、法律和社会规范。​

18.Backpropagation(反向传播):

释义:反向传播(Backpropagation)是一种在神经网络中训练模型的常用方法。它是通过计算模型预测与实际标签之间的误差，并将误差反向传播回网络的每一层，以更新权重和偏置的过程。​

19.BIAS(偏见):

释义:偏见(Bias)在人工智能领域中，偏见可以指在机器学习和数据分析中出现的系统性错误或不公平性。解决偏见的方法包括数据清洗、样本平衡、特征选择、模型调整等。​

20.End-to-End Learning(端到端学习):

释义:端到端学习(End-to-End Learning)是一种机器学习的方法，旨在通过一个统一的模型或系统直接从原始输入数据中学习端到端的映射或任务​

21.Few-shot(小样本学习):

释义:小样本学习(Few-shot Learning)是一种机器学习任务，旨在从非常有限的标记数据中学习新的类别或任务。常见的小样本学习方法包括元学习、迁移学习和生成模型等。​

22.Fine-tuning(微调):

释义:微调(Fine-tuning)是指在预训练模型的基础上，使用少量的新标记数据对模型进行进一步训练的过程。在微调过程中，预训练模型的权重会根据新数据进行调整，以适应新任务或新领域的特定需求​

23.Deep Learning(深度学习):

释义: 深度学习(Deep Learning)是一种机器学习方法，通过构建和训练多层神经网络来模拟和学习复杂的数据表达和特征。深度学习的优势在于它能够自动学习特征表示，并从大规模数据中发现复杂的模式和关系。​

24.Fitting(拟合):

职场人必备的55个AIGC专业术语​