在Artifipedia上导航每个概念以及它们之间的每个链接。拖动节点，悬停以追踪其连接，点击以阅读。深度学习、语言与大型语言模型、人工智能代理、生成式人工智能、机器学习、计算机视觉、安全与伦理、基础工具与生态系统。 拖动 · 悬停 · 点击打开 56个概念 · 150个连接 · 此地图是根据每个条目的“连接到”链接生成的，因此随着百科全书的增长而增长。 每个概念： 代理记忆 给人工智能一个在对话中记忆的方式，因为模型本身在会话结束时会忘记所有内容。 AGI（人工通用智能） 一个假设的系统，具有人类级别的广泛能力，跨领域——这个定义模糊到人们可以争论它是否已经到来。 人工智能代理 通过自主采取步骤（决定、行动和反应）来达到目标的软件，而不是仅仅回答一次并停止。 AI对齐 使人工智能系统真正按照人们的意图行动的问题——可靠地追求我们想要的目标，而不仅仅是那些我们意外指定的目标。 人工智能 使机器能够执行看似需要智力的事情的领域——这个定义在机器成功的每个时刻都在变化。 注意力 让人工智能决定在解释每个单词时哪些其他单词重要的机制——变压器的核心思想。 反向传播 计算导致错误的权重及其影响的算法——神经网络能够学习的原因。 偏见与公平性 人工智能系统产生不公或歧视结果的问题——通常是由于吸收训练数据中存在的偏见。 思维链 让模型逐步推理后再作答——这大大提高了其在困难问题上的表现。 聚类 将彼此相似的事物分组——以及算法总是返回组的事实，无论是否存在任何组。 CNN（卷积神经网络） 滑动小滤波器跨越图像以发现局部模式的网络——使计算机视觉工作的架构。 上下文窗口 人工智能可以同时考虑的最大文本量——其短期工作记忆，以令牌计量。 深度学习 使用多层神经网络的机器学习——几乎每一个近期人工智能突破背后的方法。 扩散模型 大多数人工智能图像工具的工作方式——从随机噪声开始，逐步去除噪声，在提示的指导下，直到出现图像。 嵌入 将单词（或图像，或任何事物）转换为数字列表，排列得相似的意义彼此靠近。 可解释性 让模型展示其工作过程——以及令人不安的事实是，大多数方法解释的是解释，而不是决策。 特征工程 将原始数据重塑为模型实际可以使用的东西——在深度学习之外，大部分准确性依旧来自这里。 微调 在您自己的示例上继续训练模型以改变其行为——内置于模型中，而不是在回答时提供。 GAN（生成对抗网络） 互相训练的两个网络——一个伪造，一个检测——直到伪造品通过。这一技术被扩散模型大部分替代。 GPU 使深度学习成为可能的芯片——成千上万个小核心同时进行相同的计算，这正是神经网络所需的。 梯度下降 在错误表面上渐次下坡，一小步一小步地走——模型的权重如何更新的实际方式。 保护措施 决定模型可以接收、发言和行动的检查——防止演示变成事件的部分。 幻觉 当人工智能生成流畅且自信但实际上是错误的内容时——流畅性并不等同于准确性。 图像分类 让人工智能查看图像并说明其内容的基础任务——计算机视觉的基础任务。 图像分割 标记每个像素而不是绘制框——当确切形状很重要时所需的。 推理API 按请求租用模型——几乎所有人都在实际使用人工智能，并随着其产生依赖性。 智能 “人工智能”下的词——不断使用，无人定义，且是该领域最大争议无法解决的原因。 越狱 让模型做出其训练时拒绝的事情——它不断有效的结构性原因。 大型语言模型（LLM） 在大量文本上训练的人工智能，以预测下一段写作——像ChatGPT和Claude这样的聊天机器人的技术。 损失函数 表示模型错误程度的数字——因此，定义它试图成为什么。 机器学习 让计算机从数据中学习模式并在任务中改进，而不是通过规则的明确编程。 多代理系统 多个人工智能代理共同解决一个问题，彼此分工——在演示中强大，在生产中尴尬。 多模态人工智能 处理不止一种输入类型的模型——文本和图像，有时...