AI 指南：一览 AI 领域重要概念和顶级玩家

来源：Techcrunch

编译：巴比特

图片来源：由无界 AI 工具生成

人工智能（AI）似乎出现在现代生活的每一个角落，从音乐和媒体到商业和生产力，甚至是约会。有太多东西很难跟上。本文将介绍 AI 从最新的大发展到你需要知道的术语和公司的一切，以便在这个快速发展的领域了解最新状态。

首先，什么是人工智能？

人工智能，也称为机器学习（Machine Learning），是一种基于神经网络的软件系统，这种技术实际上是几十年前开创的，但最近由于强大的新计算资源而蓬勃发展。目前，AI 已经实现了有效的语音和图像识别，以及生成合成图像和语音的能力。研究人员正在努力使人工智能能够实现浏览网页、订票、调整食谱等功能。

但是，如果你担心黑客帝国式的机器崛起——不必担忧。我们稍后再谈这个问题！

本篇 AI 指南包含两个主要部分：

AI 101

图片来源： Andrii Shyp / Getty Images

关于 AI 的一个疯狂之处是，尽管其核心概念可以追溯到 50 多年前，但在最近之前，即使是精通技术的人也很少熟悉其中的概念。因此，如果你感到迷茫，请不要担心——每个人都是如此。

有一件事我们要预先明确：虽然它被称为“人工智能”，但这个词有点误导。目前智能没有统一的定义，但这些系统所做的绝对更接近于计算器而不是大脑，只是这个计算器的输入和输出更加灵活。人工智能可能就像“人造椰子”（Artificial Coconut）——它是模仿智能。

以下是在任何有关 AI 的讨论中都会找到的基本术语。

神经网络

我们的大脑主要由称为神经元的相互连接的细胞构成，它们相互啮合形成执行任务和存储信息的复杂网络。自 20 世纪 60 年代以来，人们一直在尝试在软件中重建这个惊人的系统，但所需的处理能力直到 15-20 年前才被广泛应用，当时的 GPU 让数字定义的神经网络蓬勃发展。

从本质上讲，它们只是很多点和线：点是数据，线是这些值之间的统计关系。就像在大脑中一样，这可以创建一个多功能系统，快速接收一个输入，通过网络传递并产生一个输出。这个系统被称为模型。

模型

模型是接受输入并返回输出的实际代码集合。与统计模型或模拟复杂自然过程的建模系统在术语上的相似性并非偶然。在 AI 中，模型可以指像 ChatGPT 这样的完整系统，或者几乎任何 AI 或机器学习结构，无论它做什么或产生什么。模型有各种大小，这意味着它们占用多少存储空间以及它们运行需要多少计算能力。而这些都取决于模型的训练方式。

训练

为了创建一个 AI 模型，构成系统基础的神经网络会暴露在所谓的数据集或语料库中的一堆信息中。在这样做的过程中，这些巨大的网络创建了该数据的统计表示。这个训练过程是计算最密集的部分，这意味着它需要在巨大的高功率计算机上花费数周或数月的时间。这样做的原因不仅是网络复杂，而且数据集可能非常大：必须分析数十亿个单词或图像，并在巨大的统计模型中给出表示。另一方面，一旦模型完成训练，它在使用时可以小得多，要求也低得多，这个过程称为推理（Inference）。

图片来源：谷歌

推理（Inference）

当模型真正发挥作用时，我们称之为推理，这个词的传统含义非常多：通过对可用证据的推理来陈述一个结论。当然，这不完全是“推理”，而是在统计学上将它摄取的数据中的点联系起来，实际上是预测下一个点。例如，说“完成以下序列：红色、橙色、黄色……”它会发现这些词对应于它所摄取的列表的开头，即彩虹的颜色，并推断下一个项目，直到它产生了该列表的其余部分。

推理的计算成本通常比训练低得多：可以把它想象成浏览卡片目录而不是组装它。大型模型仍然必须在超级计算机和 GPU 上运行，但较小的模型可以在智能手机或更简单的设备上运行。

生成式人工智能

每个人都在谈论生成式 AI，这个广义术语仅指生成原始输出（如图像或文本）的 AI 模型。一些 AI 进行总结，一些进行重组，一些进行识别等等——但真正生成某些东西（无论它是否“创造”是有争议的）的 AI 现在特别流行。请记住，仅仅因为 AI 生成了某些东西，并不意味着它是正确的，甚至不意味着它反映了现实！只是它在你要求之前并不存在，就像一个故事或一幅画。

现在的热门词汇

除了基础知识，以下是 2023 年年中最相关的 AI 术语。

大型语言模型（LLM）