AIGC 基础名词通俗解释

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