AIGC 基础名词通俗解释

AI

人工智能 (Artificial Intelligence)

专业解释:指由人制造出来的机器所表现出来的智能,通常指用普通计算机程序来呈现人类智能的技术

通俗解释

可以把它想象成一个超级聪明的机器人大脑,这个大脑不是用金属做的,而是用计算机代码和大量数据“喂养”出来的。简单来说,AI 就像是一个虚拟的助手,它在数字世界里帮助我们做各种事情,让我们的生活变得更方便、更智能

——

自主学习

从数据中学习,改进自身,不断适应新环境

处理复杂逻辑

具备逻辑推理能力,解决复杂问题,制定策略

感知能力

理解图像、音频、文本,实现人机自然交互

AIGC

人工智能生成内容 (AI Generated Content)

专业解释:人工智能技术自动生成或辅助生成的各种形式的内容

通俗解释

利用人工智能算法生成具有一定创意和质量的内容,例如,通过输入关键词、描述或样本,AIGC可以生成与之相匹配的文章、图像、音频等。就像是有一个无形的艺术家,它能够根据人类的指令或者自己的学习成果,创作出新的内容

——

自动化和高效性

快速生成大量内容,节省了人力和时间

多样性和创新性

可创造出新颖且多样的作品,提供创意灵感,甚至超越人类想象力

可定制性和个性化

基于对用户数据的分析,可以生成针对特定受众或个人的内容

提示词

Prompt

专业解释:指提供给模型的一段文本或其他形式的输入,用以引导模型生成相应的输出

通俗解释

提示词就像是给 AI 的作业指导,它告诉 AI 要做什么或者写什么

想象你有一个很聪明的机器人朋友,你想让他帮你写一篇故事,你会说:“给我写一个关于海盗的冒险故事。”这句话就是提示词,它给出了故事的主题和方向

——

明确性

明确指出任务的细节或生成内容的要求,如主题、风格、格式等

可操作性

提示词应该能够被模型执行或生成响应

机器学习

ML (Machine Learning)

专业解释:人工智能的一个分支,旨在通过经验自动改进计算机系统的性能。它主要涉及构建能够从数据中学习的算法,这些算法可以在不明确编程的情况下进行预测或决策

通俗解释

机器学习就像教小朋友学东西,你给它一堆例子,它就能自己总结出规律,然后用这些规律来做新的事情

关键是,机器学习系统不是你告诉它每一步该怎么做,而是通过看大量的例子,它自己学会如何做。就像小朋友通过看很多次才知道如何系鞋带一样,机器学习系统通过看很多例子学到如何识别事物或预测结果

——

数据驱动

算法通过分析大量数据来识别模式、规律或做出决策

自适应和学习能力

与传统编程不同,机器学习能够在接收新数据时更新和改进其性能

泛化能力

不仅仅能在训练数据上表现良好,还能将学习到的知识应用于新的、未见过的数据上

深度学习

DL (Deep Learning)

专业解释:是机器学习的分支,是一种以人工神经网络为架构,对资料进行表征学习的算法

通俗解释

深度学习可以理解为是机器学习的一个升级版,就好比从小学跳到了大学

想象你正在教一个小朋友认猫。你会教他:“猫有胡须,耳朵是三角形的。”这个机器学习的小朋友可能就只会记住这些表面的特征。但深度学习就像是给这个小朋友开了外挂,不仅能记住你教的几个特征,还能自己从照片里提取出更多、更深层次的信息。他不仅能识别猫,还能告诉你这只猫在干什么,是高兴还是生气

机器学习是手把手教,深度学习是自学成才

——

多层网络结构

深度学习使用多层神经网络,每层处理数据的不同层次信息

自动特征提取

它能从原始数据中自动学习和提取重要特征,而不需要手动指定

处理复杂任务

适合解决复杂模式识别和理解任务,如图像、语音、自然语言处理

神经网络

Neural Networks

专业解释:是机器学习和人工智能领域的一个基础模型。由大量的简单处理单元(称为神经元)组成,这些神经元通过连接(权重)相互连接,模拟人类大脑的工作方式

通俗解释

神经网络就像一个超级智能的蚁群

每个蚂蚁(神经元)负责一点小任务,通过“蚁道”(权重)传递信息。它们一起学习:一开始可能乱糟糟,但通过看很多例子,蚁群调整路径,变得越来越聪明。就像蚂蚁学会找食物一样,神经网络学会识别猫、理解语言或预测天气。信息层层传递,越来越复杂,最终蚁群能给出答案

——

层级结构

由输入、隐藏和输出层组成,信息层层传递

自适应学习

通过调整权重自我优化,基于数据学习

非线性处理

使用激活函数引入非线性,处理复杂模式

生成对抗网络

GAN (Generative Adversarial Network)

专业解释:是一种由生成器(Generator, G)和判别器(Discriminator, D)组成的深度学习框架,这两个网络在训练过程中进行对抗,以提高数据生成的质量

通俗解释

生成对抗网络(GAN)就像两个朋友在互相较劲,生成器(G)变一个东西出来,判别器(D)就能看出它是假的;然后生成器(G)又学到新招数,下次变出更好的假东西,来继续挑战判别器(D)。最终,他们合作的结果是,生成器能创造出一些非常逼真的新东西,比如图片、音乐,甚至视频

——

对抗训练

两个AI模型相互竞争,一个生成数据,另一个判断真假

多样性输出

可以产生多种不同的、具有创新性的内容

自然语言处理

NLP (Natural Language Processing)

专业解释:是人工智能(AI)和计算机科学的一个分支,旨在使计算机能够理解、解释、生成和操作人类语言

通俗解释

NLP 就像教一个机器人朋友学习人类语言。你给它看书,它学会读懂句子的意思;教它说话,它就能编故事或回答问题;翻译就像教它用另一种语言表达;它还能分析文字,知道你开不开心或你在哪儿玩过

通过看很多书和听很多话,这个机器人朋友就能像我们一样用语言交流,帮你查找信息、回答问题,甚至陪你聊天

——

理解人类语言

像读懂文章和对话一样

生成和翻译

能说话、写文章或翻译成其他语言

语义分析

识别情感、地点、人名等信息

大语言模型

LLM (Large Language Model)

专业解释:是一种语言模型,由具有许多参数(通常数十亿个权重或更多)的人工神经网络组成,使用自监督学习或半监督学习对大量未标记文本进行训练

通俗解释

大语言模型(LLM)就像一个语言天才书呆子,从自然语言处理(NLP)“学校”学到了读懂、说话和翻译人类语言的超能力。他通过阅读海量文字来学习,理解我们的深层意思,并能即兴创作故事或回答复杂问题,就像一个博学多才的朋友。LLM 用他的大脑处理语言,让我们与科技交流变得自然,就像和一个聪明朋友聊天

——

广泛学习

通过大量文本数据学习语言

理解深层含义

不只看字面,还理解语境和情感

创造性表达

能生成新内容或模仿各种语言风格

判别模型

Discriminative Models

专业解释:是在机器学习和统计学中用于分类或回归任务的一类模型,核心目标是学习给定输入特征 x 时,预测输出类别y 的条件概率 P(y∣x)

通俗解释

判别模型就像是一个经验丰富的裁判,专门负责看比赛然后决定谁赢谁输,它只关心如何从比赛的表现(也就是数据的特征)来判断结果(分类或预测)

比如,你给它一张猫和狗的照片,它会告诉你这是猫还是狗,但它不会告诉你如何画出一只猫或狗。它只会说:“这张照片是猫的概率是 80%,是狗的概率是 20%。”

——

直接映射

直接学习从输入特征到输出标签的映射函数,专注于如何从给定的数据特征中区分或预测类别或值

模型简洁性

相较于生成模型,判别模型通常在结构和计算上更为简单,因为它们只需要学习如何判别而不需要模拟数据的生成过程

生成模型

Generative Model

专业解释:是在机器学习和统计学中用于模拟数据生成过程的一类模型。它们的核心思想是学习数据的潜在分布,从而能够生成新的、未见过的数据样本

通俗解释

生成模型就像一个超级画家,它不只是能告诉你“这是一张猫的画”,还能自己画出新的猫来。想象你有一个大画册,里面都是各种动物的图画。判别模型就像是看过这些画册后,它能说出“这是一只猫”,但它不会画画。而生成模型呢,它不但能看画册,还能学到画里面动物的技巧。

——

高维数据处理

通过学习数据的复杂特征来捕捉数据的内在结构,这使得它们在处理多模态数据时表现出色

数据生成能力

生成模型能够学习数据的潜在分布,并根据这种学习生成新的、看似真实的数据样本