跳到主要内容
Zubnet AI › 学习 › Wiki

AI 维基 — 第 4 页,共 10 页

AI概念,由建造者解释,而非教科书。没有术语墙。没有学术门槛。清晰、实用的定义。

454 术语 8 分类 2026-11-22 更新
💡
每日术语
语义搜索
基于语义而非精确关键词匹配来查找结果的搜索方式。语义搜索不是寻找包含“修复”这个词的文档,而是找到关于“修理”、“解决”、“补丁”和“调试”的文档,因为它们含义相近。它的工作原理是将文本转换为嵌入向量(数值向量),然后在向量空间中找到最接近的匹配项。
→
本页没有符合筛选条件的术语。

第 151–200 个术语,共 454 个 · 第 4 页,共 10 页

筛选本页

人脸识别别名:面部识别、Face ID
安全
从图像或视频中识别或验证一个人的面部。验证问的是“这个人是不是他们声称的那个人?”(1:1匹配,用于手机解锁)。识别问的是“这个人是谁?”(1:N匹配,在数据库中比对,用于监控)。现代系统使用深度学习提取面部嵌入并进行比较,在受控条件下达…
Falcon别名:TII Falcon、Falcon LLM
模型
Falcon 是由阿布扎比先进技术研究委员会的应用研究机构——技术创新研究院(TII)构建的开放权重大型语言模型系列。2023 年,Falcon 的 40B 和 180B 模型登顶 Hugging Face 开放 LLM…
特征别名:学习表示、激活
基础
神经网络学会在其输入中检测的模式或概念。在视觉中,早期层特征是边缘和纹理;后期层特征是物体部分和完整物体。在语言模型中,特征从简单的(字母“a”、特定的语法模式)到抽象的(讽刺的概念、特定的推理策略)。特征表示为跨神经元的激活模式。
联邦学习别名:FL、协作学习
训练
一种在不共享原始数据的情况下跨多个设备或组织训练模型的方法。每个参与者不是将数据发送到中央服务器,而是在自己的数据上训练模型的本地副本,并仅将模型更新(梯度)发送给中央协调器。协调器聚合所有参与者的更新以改进全局模型。
前馈网络别名:FFN、MLP 块
基础
Transformer 每层中的组件,通过两个线性变换和中间的激活函数独立处理每个 token。注意力在 token 之间混合信息(哪些 token 与哪些相关),而前馈网络单独处理每个 token…
少样本学习别名:上下文学习、In-Context Learning
使用AI
在提示词中提供示例输入-输出配对。零样本(zero-shot)= 无示例,少样本(few-shot)= 2到10个。模型无需训练就能学会这种模式。
微调别名:Fine-tuning
训练
使用预训练模型,并在较小的特定数据集上进一步训练,以使其行为更加专业化。就像让一位通科医生接受外科住院医师培训——同样的基础知识,新的专业技能。
Fireworks AI别名:Fireworks、fireworks.ai
公司
一个 AI 推理平台,通过高速、按量付费的 API 提供开放权重模型。它由 Meta PyTorch 团队的工程师于 2022 年创立,既有按 token 计费的无服务器端点,也为高流量工作负载提供专用 GPU…
Flash Attention别名:FlashAttention、FlashAttention-2
基础设施
一种 GPU 优化的注意力机制实现,比标准注意力快 2–4 倍,且内存消耗显著更低。Flash Attention 的实现方式不是改变注意力的计算内容,而是重新组织计算在 GPU 硬件上的执行方式——最大限度减少 GPU HBM 和片上…
FLOPs别名:浮点运算、FLOP/s、算力
基础
浮点运算——AI中计算工作量的标准度量。训练模型需要一定数量的FLOPs(总运算量)。硬件以FLOP/s(每秒运算量)评级。H100 GPU在FP16下可执行约2,000…
流匹配别名:整流流、Rectified Flow
模型
一种生成技术:学习从噪声到数据的平滑、直接路径。在相当质量下比扩散模型所需步骤更少。
FLUX别名:FLUX.1、FLUX.2、FLUX Kontext
模型
Black Forest Labs 的图像生成与编辑模型家族,以出色的提示遵循、清晰可读的文字和开放权重版本著称。
基础
在一个广泛数据集上训练的大型模型,可作为许多不同任务的基础。Claude、GPT、Gemini 和 Llama…
Function Calling别名:工具调用、工具使用API
使用AI
一种让AI模型在对话过程中请求执行外部函数的结构化方式。你定义具有名称、描述和参数模式的函数。当模型判断某个函数有助于回答查询时,它输出结构化的函数调用(带参数)而非文本。你的代码执行该函数并返回结果供模型整合。
GAN别名:生成对抗网络
模型
一种模型架构,其中两个神经网络相互竞争:生成器生成假数据,而判别器试图区分真实与虚假。通过这种对抗性游戏,生成器在生成逼真输出方面变得越来越好。从2014年到~2022年,主导了图像生成领域。
Gemini别名:Google Gemini、Bard、谷歌双子座
模型
Google 旗舰级大型语言模型家族,由 Google DeepMind 打造,是 PaLM 和 Bard 聊天机器人的后继者。这些模型从一开始就接受文本、图像、音频和视频的联合训练,天生具备多模态能力,产品档位则从端侧 Nano…
Gemma别名:Google Gemma、Gemma 3
模型
Google 推出的开放权重语言模型家族,由 Google DeepMind 使用 Gemini 背后的同一套研究与技术打造。Gemma 从设计之初就走小模型路线——参数规模从 10 亿到 270…
生成式 AI别名:GenAI
基础
生成式AI系统能够创建新的内容—文本、图像、音频、视频、代码、3D模型—而不仅仅是分析或分类现有数据。生成式AI是统称,涵盖从ChatGPT撰写文章到Stable…
GEO别名:Generative Engine Optimization、生成式引擎优化、AEO、LLMO
使用AI
让内容更容易被 ChatGPT、Perplexity 和 Google 的 AI Overviews 等 AI 回答引擎找到、引用和推荐的做法。
GGUF别名:GGML 统一格式
基础设施
通过 llama.cpp、Ollama 和其他本地推理工具运行量化语言模型的标准文件格式。GGUF 文件包含量化格式的模型权重(将精度从 16 位降低到 4 位或 8…
GitHub Copilot别名:Copilot
工具
GitHub 与 OpenAI 合作构建的 AI 编程助手,2021 年推出,被公认为第一个主流的 AI…
GNN别名:图神经网络
模型
设计用于处理图结构数据的神经网络——即实体通过关系连接的数据(社交网络、分子、知识图谱、交通网络)。GNN 通过在连接的节点之间传递消息来学习,允许每个节点根据其邻居更新其表示。它们处理不适合网格(图像)或序列(文本)的数据。
古德哈特定律别名:Goodhart's Law、坎贝尔定律、应试教学
基础
一条观察结论,说的是一旦某个度量成了目标,它就不再是好的度量,这解释了 AI 基准为什么会失效、奖励信号为什么会被钻空子。
Google别名:谷歌、Alphabet、Google AI、Google Cloud
公司
发明了 Transformer 的搜索巨头,如今打造 Gemini、TPU,以及遍布搜索、Android 和 Workspace 的 AI 功能。
Google DeepMind别名:Gemini、AlphaGo、AlphaFold
公司
Google的统一AI研究部门,由DeepMind和Google Brain于2023年合并而成。负责Gemini、AlphaGo、AlphaFold以及许多推动现代AI发展的基础研究。
GPT别名:ChatGPT、GPT-4、GPT-5
模型
GPT(Generative Pre-trained Transformer)是 OpenAI 的大型语言模型家族:仅解码器架构的 Transformer,先通过预测下一个 token 进行训练,再针对聊天和推理进行对齐。这一家族从…
GPU别名:图形处理器
基础设施
最初设计用于图形渲染的GPU,结果证明非常适合人工智能,因为它们可以同时进行数千个数学运算。训练和运行人工智能模型本质上是大规模矩阵乘法—正是GPU所擅长的领域。英伟达主导了这个市场。
GQA别名:分组查询注意力
基础
一种注意力变体,多个查询头共享单个键值头,在不显著降低质量的情况下减少KV缓存大小。GQA不是每个查询头都有自己的K和V投影(标准MHA),而是多组查询头共享K和V投影。Llama 2…
梯度累积别名:Gradient Accumulation、累积梯度、虚拟批大小
训练
一种训练技巧,先把几个小批次的梯度加在一起再更新权重,从而在内存有限的情况下模拟大批次。
梯度提升别名:Gradient Boosting、决策树、Decision Trees、XGBoost、LightGBM、GBDT
基础
一种经典的机器学习方法,依次构建许多小决策树,每一棵都纠正前面那些树的错误,至今仍是表格类数据的首选。
梯度检查点别名:激活检查点、重计算
训练
一种在训练过程中用计算换内存的节省内存技术。梯度检查点不存储前向传播的所有中间激活(反向传播需要),而是只在某些"检查点"层存储激活,并在反向传播过程中重新计算其他激活。这以约30%的额外计算为代价,将内存使用减少高达5–10倍。
梯度下降别名:SGD、反向传播
训练
通过计算梯度并沿下坡方向步进来迭代调整参数以减少损失。反向传播(Backpropagation)高效地计算各层的梯度。
GraphRAG别名:Graph RAG、Knowledge Graph RAG、知识图谱 RAG
使用AI
检索增强生成的一种形式,先把文档转成知识图谱,使系统能够回答横跨许多文档的问题。
Grok别名:xAI Grok
模型
Grok 是由埃隆·马斯克(Elon Musk)的人工智能公司 xAI 构建的大型语言模型系列,同时也是这些模型所驱动的聊天机器人助手的名字。它的突出特点是与 X…
Grokking别名:Delayed Generalization、延迟泛化、顿悟
训练
一种训练现象,网络先把训练数据死记硬背下来,过了很久之后才突然学会一般规律。
Groq别名:Groq LPU
公司
定制AI推理芯片(LPU)。专为顺序token生成而设计。500到800 tok/s,通常比GPU快10倍。
事实接地别名:Grounding
使用AI
将模型的响应与事实性、可验证的来源相连接,而不是仅仅依赖其训练数据。锚定技术包括 RAG、网络搜索集成和引用要求。一个基于事实的响应会说“根据 [来源]”,而不是仅仅陈述事实。
GRPO别名:Group Relative Policy Optimization、群体相对策略优化
训练
一种用于微调语言模型的强化学习算法,由 DeepSeek 于 2024 年提出,再因 DeepSeek-R1…
护栏别名:Guardrails
安全
防止AI模型生成有害、不恰当或偏离主题内容的安全机制。防护措施可以在训练期间内置到模型中(RLHF),通过系统提示应用,或通过外部过滤器强制执行,这些过滤器在输出到达用户之前检查内容。
引导比例别名:CFG比例、无分类器引导
使用AI
控制图像生成模型遵循文本提示强度的参数。低引导(1–3):模型自由生成,产出多样但可能偏题的图像。高引导(7–15):模型严格遵循提示,但可能产出过饱和、有瑕疵的图像。通常的最佳区间是7–9。它是图像生成中相当于文本模型温度参数的东西。
使用AI
当AI模型生成的信息听起来自信且合理,但实际上是错误的或完全虚构时。模型并不是在“撒谎”—它只是通过模式匹配生成流畅的文本,而没有对真理的概念。虚假的引用、编造的统计数据和不存在的API方法是常见的例子。
HBM别名:High Bandwidth Memory、高带宽内存、高带宽存储器
基础设施
堆叠起来并紧挨着 AI 处理器封装的内存芯片,提供大模型所需的容量和速度,也是 AI 芯片供应链中的关键瓶颈。
HeyGen别名:AI 数字人视频、唇形同步配音
公司
AI视频平台,专精于生成逼真的面部动画和自动口型同步配音。被企业用于营销、培训和本地化——将一个视频转换为数十种语言,同时保持口型同步。
HiDream别名:HiDream 图像生成模型
公司
新兴的图像生成公司正在构建高质量的扩散模型。他们的开放权重版本在创意AI社区中因强大的提示遵循能力和出色的视觉质量而受到关注。
Hugging Face别名:HF
公司
开源AI的中心枢纽。托管50万+模型、10万+数据集,提供Transformers库和Spaces平台。AI领域的GitHub。
人工评估别名:人类评估、手动评估
基础
通过让人类直接判断来评估AI输出质量。人类评估流畅性、准确性、有用性、安全性,以及输出是否真正满足了请求。尽管成本高昂且速度较慢,人工评估仍然是金标准,因为自动化指标常常忽略对用户真正重要的东西。
人在回路别名:Human-in-the-Loop、HITL、人工监督
使用AI
一种设计方式,让人在规定的节点上审核、批准或纠正 AI 系统的工作,而不是让它完全自行运转。
Humanity's Last Exam别名:HLE、人类最后的考试
训练
一个由 2,500 道专家编写、处于人类知识边界的题目组成的基准,在 2025 年专门为了让当时最好的 AI 模型不及格而打造。
Hume别名:共情语音接口、情绪识别
公司
AI公司正在构建能够理解和表达人类情感的模型。他们的Empathic Voice Interface能够实时检测语调、情感和情感语境,使AI对话不仅能够回应你所说的话,还能回应你说话的方式。
ESC