人工智慧基礎知識—第三部分：概念
是的， 您喜歡我們之前發布的兩篇關於Linux用戶人工智慧（AI）學習的文章嗎？所以今天您很可能會喜歡這第三部分，我們將介紹與該技術領域相關的一些最重要的概念和術語。如果您還沒有閱讀前兩部分，我們想在此說明一下： 第二部分我們將討論 關於兩者差異的觀點 符號人工智慧和連接人工智慧 以及過去100年來該技術領域的歷史里程碑。然而，在 第一部分我們重點關注 en 什麼是人工智慧？目前已經開發出哪些類型的人工智慧？ （狹義或弱智能、生成式智能和代理智能）以及預期創建的智能（通用或強智能和人工智慧超級智能）。
和以往一樣，請記住，就像他們那個時代一樣，電力、廣播、電視、電腦、電話、網路和社交網路； 人工智慧這項技術已經發展到將深度融入我們生活的各個層面。而且，這樣做可以節省我們寶貴的時間和昂貴的工作時間，並使我們更有效率、更有創造力、更靈活；毫無疑問， 它會逐漸取代那些對其存在和運作一無所知的人。因此，最好的方法莫過於開始了解與此相關的一切背景資訊。
人工智慧基礎－第一部分：起源（二）
但是，在我們深入探討這個問題之前… “人工智慧領域激動人心且充滿驚喜的第三部分”更具體地說，關於一些需要考慮、理解和掌握的最重要的概念和術語，我們建議您探索以下內容： 本系列出版品中先前和近期發表的相關出版物讀完之後：
人工智慧基礎—第三部分：相關概念與術語
人工智慧領域中經常提到的20個重要概念和術語
1. 幻覺
幻覺是指人工智慧系統（尤其是處理自然語言的系統）根據輸入內容產生不相關、無意義或錯誤結果的情況。這種情況通常發生在人工智慧系統不確定上下文、過度依賴訓練資料或對主題缺乏正確理解時。
2.機器學習
機器學習是人工智慧的一個子領域，它涵蓋了演算法和統計模型的開發，使機器能夠透過經驗提升效能。例如，機器學習演算法可以根據客戶過去的行為預測其流失的可能性。借助機器學習程序，機器可以從範例中學習如何解決問題：因此，它可以比較和分類數據，甚至識別複雜的形狀。
3. 深度學習
機器學習的一個子領域，它使用多層神經網路從資料中學習，這意味著它採用不同的神經網路結構來學習層層遞進、意義越來越明確的資料表示。目前，它是人工智慧領域最熱門的分支。它源自於機器學習演算法與形式化神經網路以及大數據應用的結合。
4.大數據
大數據是資訊科技的一個分支，專門研究處理大型資料集所面臨的固有難題。大型數據集也稱為宏數據，指的是規模龐大且結構複雜的數據集，這些數據集通常過於龐大或類型多樣，無法使用傳統方法進行處理。此外，它們來自各種管道（例如社交網路、感測器等），需要藉助人工智慧和機器學習等先進技術進行分析，才能提取有用資訊。
5. 數據集
資料集是資料的集合，通常以表格形式組織。它是用於訓練、測試或驗證人工智慧模型的有序資料集合。它可以包含文字、圖像、影片或其他類型的信息，通常會進行標記，以便機器學習演算法能夠識別模式並進行預測。
6. 模型訓練
模型訓練是指利用資料集來訓練人工智慧或機器學習模型，使其能夠執行特定任務（例如分類或預測）的過程。模型會根據提供的範例調整其參數，以提高其在新數據上的準確率。
7. 透過回收增強發電
RAG（檢索增強生成）是一種允許人工智慧在產生回應之前查詢外部資料庫或搜尋網路以獲取最新資訊的方法。 RAG 無需使用新資料重新訓練整個模型，而是為人工智慧提供一種「即時教育」。這非常有用，因為它迫使系統依賴特定且經過驗證的文檔，從而大大降低了人工智慧捏造資訊（產生幻覺）的風險。
8.GPT（生成式預訓練變壓器）
GPT（生成式預訓練Transformer）是由OpenAI開發的一系列語言模型，它們利用神經網路來理解和自然地生成文字。這些模型採用名為Transformer的架構，能夠分析提示訊息，並基於海量資料集的訓練預測最可能的回應。正因如此，GPT能夠模擬人類的語言理解能力。
9. 自然語言生成（自然語言生成)
自然語言生成是人工智慧的一個子領域，它涉及自動產生易於理解的人類語言文字或語音。它使機器能夠將原始資料轉換為自然的句子或段落，例如用於自動摘要或虛擬助理。
10. 快速工程
它是一門藝術，旨在開發能夠產生有意義的生成性輸出的提示，從而獲得更準確、更有效率、更具創新性的輸出。或者換句話說，它是一門科學，旨在設計、優化和改進我們向生成式人工智慧發出的指令。其目標是引導人工智慧獲得準確、相關且高品質的答案，並充當溝通橋樑，避免出現通用或錯誤的結果。
11. 模型
模型是代表學習演算法輸出的物件。因此，它是人工智慧進行輸出預測的基礎。例如，基礎模型是一個廣泛的人工智慧模型類別，包括大型語言模型以及其他類型的模型，例如電腦視覺模型和強化學習模型。之所以稱之為“基礎模型”，是因為它們是建立應用程式的基礎，能夠應對廣泛的領域和用例。
12. 大型語言模型
它們是一類基於大型資料集訓練的深度學習模型，用於執行自然語言理解和生成任務。知名的模型包括 BERT、PaLM、GPT-2、GPT-3、GPT-3.5 以及創新的 GPT-4。這些模型在規模（可調節參數的數量）、可執行的任務範圍（編碼、聊天、科學計算等）以及訓練所依據的知識庫方面各不相同。
13. 小型語言模型
它們是大型語言模型（LLM）的袖珍版本。兩者都利用機器學習技術來識別模式和關係，從而產生逼真的自然語言回應。但大型語言模型體積龐大，需要大量的計算能力和內存，而像 Phi-3 這樣的小型語言模型則使用更小、更精簡的數據集進行訓練，參數也更少，因此更加緊湊，甚至可以離線使用。
14. 偏見
這些都是人工智慧模型對數據所做的假設。 「偏差-方差權衡」是指模型對資料所做的假設與模型在不同訓練資料下預測結果變化幅度之間必須達到的平衡。歸納偏差是指機器學習演算法對資料潛在分佈所做的假設集合。
15. 自然語言處理
自然語言處理是一個跨學科領域，其核心理念是賦予機器閱讀和理解人類語言的能力。自然語言處理研究旨在解答以下問題：人們如何理解口語或書面句子的含義，如何理解事件發生的時間和地點；以及假設、信念和事實之間的區別。因此，它涉及對計算機進行編程，使其能夠處理海量的語言數據，並專注於將自由文本轉換為標準化的結構。
16.提示
提示是指向電腦系統發出的指令或指令集（輸入），用於產生回應。在人工智慧領域，提示是提供給模型的初始指令、命令、問題、請求或文字語句，用於指導模型產生特定的回應或輸出。提示充當人工智慧的刺激或觸發器，指示預期回應的主題、風格、方向或類型。提示的措詞方式（框架）直接決定了最終結果的品質和相關性。
17. 神經網絡
它們是一種基於大量簡單神經單元（人工神經元）的計算模型，大致類似於生物大腦中神經元軸突的行為。它們是深度學習的基本工作單元。此外，它是一種機器學習模型，能夠基於機器學習或深度學習進行模式識別和問題解決，旨在模擬人腦的分析機制。
18.變形金剛
Transformer 是一種神經網路架構，專為處理序列資料（例如文字）而設計。 Transformer 能夠學習上下文，從而理解文本的含義。與傳統模型依序處理不同，Transformer 並行地捕捉序列中不同元素（單字、句子）之間的關係。 Transformer 是 GPT 和 BERT 等成功模型的基礎，並被廣泛應用於自然語言處理任務。
19。 代幣
在人工智慧中，詞元（token）是語言學習模型（LLM，例如GPT或Gemini）用來處理、理解和生成文字的基本資料單元（可以是單字、字根、字元或符號）。它是人工智慧讀取和分析的「貨幣」或關鍵訊息，使人工智慧能夠將人類語言分解成易於管理（可計算）的單元。因此，人工智慧模型透過處理詞元來理解它們之間的關係，並解鎖預測、生成和推理等功能。詞元處理速度越快，模型學習和回應的速度就越快。
20. 交叉驗證
這是一種用於評估分析結果並確保機器學習模型預測準確性的方法。因此，它是一種評估機器學習模型的技術，其核心在於將資料集劃分為若干子集（或「折疊」）。然後，模型在一些子集上進行訓練，並在其他子集上進行測試。這可以透過減少過度擬合來更可靠地評估模型的性能。
本部分第三部分也將探討人工智慧的其他一些基礎知識，這些知識值得深入研究、理解和掌握。
以上僅列舉了眾多真正值得了解、理解和掌握的概念和術語中的幾個。 在人工智慧這個現代且充滿創新的領域。因此，為了擴展這裡提供的信息並方便您了解其他信息，我們特此向您提供以下內容： 用人工智慧製作的有趣資訊圖 再簡單介紹一下其他同樣重要且不可或缺的東西：
總結
簡而言之，我們希望這 “人工智慧領域激動人心且充滿驚喜的第三部分” 尤其著重於生成式人工智慧（GAI）的課程，或許能更有效地增強和提升您在這一現代創新領域的知識和技能。請記住這一點。 人工智慧和機器人技術正在改變世界和我們的生活方式。未來幾年，當量子運算實現商業化，量子能源（透過卡西米爾效應產生）惠及全人類時，我們所體驗到的世界可能會與今天截然不同。因此，現在學習人工智慧遠比拒絕學習、日後後悔好得多。當然，也請大家繼續參與、貢獻並支持我們摯愛的Linux社群。
最後，記住 訪問我們的 «主頁» 用西班牙語或者，您也可以使用其他語言（只需在當前網址末尾添加 2 個字母，例如：ar、de、en、fr、ja、pt 和 ru 等）來查找更多最新內容。