人工智能

人工智能：旨在在机器中复制类人思维的技能。
这类能力的一些例子包括识别照片中的人，在工厂事情。

天生式AI：天生式AI是一种可以创建文本、图像、声音和***等内容的AI。
传统的人工智能运用紧张对内容进行分类，而天生式人工智能模型则创建内容。
例如，语音识别模型可以识别你的声音，而天生语音模型可以利用你的声音创建有声读物。
最近吸引"大众把稳力的险些所有模型都是天生的，包括谈天机器人，如OpenAI的ChatGPT；图像创建者，如稳定扩散（Stable Diffusion）和midjourney；语音克隆程序，如esemble。

演习数据：用于帮助人工智能模型完成任务的文本、图像、声音等信息的凑集。
在措辞模型中，演习数据集中于基于文本的材料，如书本、社交媒体上的评论，乃至是代码。
低质量的演习数据可能会引入偏见，导致不公正的模型做出种族主义或性别歧视的决定。

算法偏差：由糟糕的演习数据和糟糕的编程导致的缺点，导致模型做出有偏见的决定。
这些模型可能会基于性别、能力或种族做出不恰当的假设。
实际上，这些缺点会影响决策——从抵押贷款申请到器官移植批准——从而造成严重危害。
许多批评人工智能过快发展的人士，便指出了算法偏见的可能性。

人工通用智能(AGI)：一种程序的描述，它的能力与人类一样——乃至比人类更强。
虽然全面的通用智能仍未实现，但模型正在变得越来越繁芜。

自主代理：一种既有目标又有足够工具来实现目标的人工智能模型。
例如，自动驾驶汽车是自主代理，它利用感官输入、GPS数据和驾驶算法来独立决定如何导航和到达目的地。
斯坦福大学的研究职员已经证明，一组自主主体乃至可以发展文化和传统。

提示链：利用先前与AI模型的交互来创建更准确的相应过程，特殊是在提示驱动的措辞建模中。
例如，当你让ChatGPT给你的朋友发短信时，你希望它能记住你和她说话的语气、笑话和以前发言的其他内容。
这些技能有助于整合高下文。

大型措辞模型(LLM)：人工智能的一种运用，常日是天生式的。
这些模型的特点是规模大：最大的版本GPT-3包含1750亿个称为参数的不同变量，这些参数是在570GB的数据上演习的。
谷歌的PaLm模型更大，有5400亿个参数。
随着硬件和软件的不断发展，这一规模估量还会增加。
它也可能编造学术引用，对你哀求它剖析的数听说谎，或者编造演习数据中没有的事宜事实。

幻觉：幻觉是人工智能程序的意外和禁绝确的反应，可能是由于尚未完备理解的缘故原由而产生的。
当你问如何栽种果树时，措辞模型可能会溘然给出身果沙拉食谱。
目前还不完备清楚为什么会发生这种情形，但可能是由于数据稀疏、信息缺口和缺点分类造成的。

突发性行为：AI可能证明它并不是专门为之构建的技能。
一些例子包括表情符号的阐明、讽刺和利用性别原谅的措辞。

同等性：努力确保人工智能系统与其人类操作员具有相同的代价不雅观和目标。
为了使动机达成同等，同等性研究寻求演习和校准模型，常日利用函数来褒奖或惩罚模型。

多模态人工智能：一种可以理解和处理多种类型信息的人工智能形式，包括文本、图像、语音等。
这很强大，由于它许可AI在多个维度上理解和表达自己，从而对任务有更广泛和更细致的理解。
多模式人工智能的一个运用便是这个翻译器，它可以把日语漫画翻译成英语。

提示工程：这是给AI一个指令的行为，这样它就有了实现你的目标所需的环境。
提示工程最好与OpenAI的ChatGPT联系在一起，它描述了用户输入算法的任务(例如“给我五个盛行的婴儿名字”)。

演习：演习是利用数据细化人工智能的过程，使其更适宜任务。
人工智能可以根据你希望它学习的内容输入数据来演习，就像把莎士比亚的十四行诗输入诗歌机器人一样。
你可以在称为“epoch”的迭代中多次实行此操作，直到你的模型的性能是同等和可靠的。

神经网络：神经网络是一种近似人类思维构造的打算机系统，它们许可一个模型从抽象到详细的建立。

狭义AI：思维单一的一些AI算法，它们被设计成只能做一件事。
如果一个狭义的AI算法能下跳棋，那它就不能下国际象棋。