AI知识库

数字孪生（Digital Twin）是一种在虚拟数字空间中，以高精度、高保真、实时双向交互的方式，对物理实体或复杂系统进行镜像建模、动态映射与全生命周期管理的技术体系。

监督学习是机器学习中一种最为常见和基础的方法，核心思想是通过已有的、带有“正确答案”的数据集，教会计算机模型如何做出预测或判断。

通用人工智能（AGI）是能在任何认知任务上像人类一样甚至超越人类地理解、学习、推理、适应和创造的智能系统。

人工智能治理是涵盖技术、伦理、法律和社会的综合性框架，对人工智能系统的整个生命周期——从设计、开发、部署到最终使用——进行有效的引导、管理和监督。核心目标不是阻碍技术创新，是确保AI技术的发展与应用始...

可解释性人工智能（Explainable AI，简称XAI）是一套涵盖理念方法技术与治理框架的总体方案。

无监督学习（Unsupervised Learning）是机器学习的重要分支，专注于处理没有预先标注标签的数据集。

半监督学习是机器学习领域中的重要分支，利用少量标注数据和大量未标注数据共同训练模型，提升学习效果和泛化能力。

自监督学习（Self-Supervised Learning）是机器学习领域新兴的学习范式，核心思想是从无标签数据中自动生成监督信号，训练模型学习数据的有用表示。

人工智能安全（AI Safety）是确保人工智能系统，尤其是那些日益强大和自主的系统，在整个生命周期内都能可靠、可预测地按照人类意图行事，不会产生有害后果的前沿交叉学科领域。

迁移学习（Transfer Learning）是机器学习领域中的重要分支，核心思想在于将从一个任务或领域中学到的知识应用到另一个相关但不同的任务或领域中。

超人工智能（Artificial Super Intelligence, ASI）是超越人类智能的智能系统，能力在所有领域均超越人类，包括认知、创造力、问题解决和决策能力。

人工智能公平性是确保人工智能系统在设计、开发、部署和运行的整个生命周期中，能以公正、无偏见的方式对待所有个体和群体的跨学科领域。

循环神经网络（Recurrent Neural Network，RNN）是专为处理序列数据而设计的神经网络架构。序列数据指具有时序或依赖关系的数据集合，如语言文本、语音信号或时间序列。

元学习（Meta-Learning），或称为学习如何学习，是机器学习领域的重要分支，专注于开发能快速适应新任务的学习算法。

神经网络（Neural Network）是一种计算模型，设计灵感来源于生物大脑中神经元的工作方式。

联邦学习（Federated Learning）是一种创新的机器学习方法，由谷歌研究团队在2016年首次提出，旨在解决数据隐私和分布式计算中的挑战。

Transformer 架构是一种深度学习模型，专为处理序列到序列的任务设计，例如机器翻译或文本摘要。核心创新在于完全依赖自注意力机制，摒弃了传统的循环或卷积结构。允许模型并行处理序列中的所有元素，大...

注意力机制（Attention Mechanism）是模仿人类认知过程的计算技术，最初应用于机器翻译领域，后成为深度学习的重要组成部分。

扩散模型（Diffusion Model）是一种生成模型，专门用于创建新的数据样本，例如图像、音频或文本。模型的核心灵感来源于物理学中的扩散过程，模拟粒子从高浓度区域向低浓度区域自然扩散的现象。在机器...

预训练模型（Pre-trained Model）是人工智能领域一项基础而强大的技术，代表在大规模数据集上预先进行训练的机器学习模型。模型通过处理海量信息，学习数据中的通用模式和特征，形成广泛的知识基础...

长短期记忆网络（Long Short-Term Memory，LSTM）是专门用于处理序列数据的循环神经网络变体。在人工智能领域，序列数据广泛存在于时间序列预测、自然语言处理和语音识别等任务中。

大语言模型（Large Language Model, LLM）是基于海量文本数据训练的深度学习系统，核心是Transformer架构。该架构的自注意力机制能有效捕捉语言中的长距离依赖关系。模型的“大...

模型微调（Fine-tuning）是机器学习中迁移学习的一种具体实现方式。核心流程以预训练模型为基础，预训练模型利用大规模数据集学习通用模式，形成广泛的特征提取能力。微调阶段则引入特定任务的数据集，对...

自注意力（Self-Attention）是深度学习中的一种关键机制，最初在Transformer架构中被提出并广泛应用。核心思想是让模型能同时关注输入序列中的所有位置，通过加权汇总的方式计算每个位置的...

多任务学习（Multi-Task Learning, MTL）并非孤立的算法，而是一种富有智慧的机器学习范式。

正则化（Regularization）是机器学习与统计学中防止模型过拟合的核心技术。正则化通过在目标函数中添加与模型复杂度相关的惩罚项，控制拟合程度。常见形式包括L1和L2正则化：L1产生稀疏解，适用...

生成对抗网络（Generative Adversarial Network，GAN）是一种深度学习模型，由Ian Goodfellow等人于2014年提出。框架通过两个神经网络的对抗训练来实现生成模型...

逻辑回归（Logistic Regression）是用于解决二分类问题的统计学习方法。核心目标是根据输入特征预测样本属于特定类别的概率。模型通过线性组合特征值，利用S形函数将线性输出映射到0到1之间的...