Chatgpt Thuật ngữ: 52 Điều khoản AI mà mọi người nên biết

AI bây giờ là một phần của cuộc sống hàng ngày của chúng tôi. Từ sự phổ biến lớn của Chatgpt đến Google nhồi nhét các bản tóm tắt AI ở đầu kết quả tìm kiếm, AI hoàn toàn chiếm lĩnh Internet. Với AI, bạn có thể nhận được câu trả lời tức thì cho khá nhiều câu hỏi. Nó có thể cảm thấy như nói chuyện với một người có bằng tiến sĩ. Trong mọi thứ.

Nhưng khía cạnh đó của AI Chatbots chỉ là một phần của phong cảnh AI. Chắc chắn, việc Chatgpt giúp làm bài tập về nhà của bạn hoặc có Midjourney tạo ra những hình ảnh hấp dẫn của mechs dựa trên đất nước xuất xứ là tuyệt vời, nhưng tiềm năng của AI thế hệ có thể định hình lại hoàn toàn các nền kinh tế. Điều đó có thể trị giá 4,4 nghìn tỷ đô la cho nền kinh tế toàn cầu hàng năm, theo Học viện Toàn cầu McKinsey, đó là lý do tại sao bạn nên nghe nhiều hơn về trí tuệ nhân tạo.

Nó hiển thị trong một loạt các sản phẩm chóng mặt-một danh sách ngắn, ngắn bao gồm Gemini của Google, Copilot của Microsoft, Claude của Anthropic, sự bối rối mà bạn có thể đọc các đánh giá và đánh giá thực hành của chúng tôi về những sản phẩm đó và các sản phẩm khác, cùng với tin tức, người giải thích và bài đăng hướng dẫn của chúng tôi tại trung tâm AI của chúng tôi.

Khi mọi người trở nên quen thuộc hơn với một thế giới đan xen với AI, các điều khoản mới đang xuất hiện ở khắp mọi nơi. Vì vậy, cho dù bạn đang cố gắng nghe thông minh qua đồ uống hoặc gây ấn tượng trong một cuộc phỏng vấn việc làm, đây là một số thuật ngữ AI quan trọng mà bạn nên biết.

Thuật ngữ này được cập nhật thường xuyên.

---

Trí tuệ nhân tạo nói chung, hoặc AGI: Một khái niệm cho thấy một phiên bản AI tiên tiến hơn chúng ta biết ngày nay, một khái niệm có thể thực hiện các nhiệm vụ tốt hơn nhiều so với con người trong khi cũng giảng dạy và thúc đẩy khả năng của chính nó.

Tác nhân: Các hệ thống hoặc mô hình triển lãm cơ quan với khả năng tự chủ theo đuổi các hành động để đạt được mục tiêu. Trong bối cảnh AI, một mô hình tác nhân có thể hành động mà không cần giám sát liên tục, chẳng hạn như một chiếc xe tự trị cấp cao. Không giống như một khung “tác nhân”, nằm trong nền, các khung tác nhân đang ở phía trước, tập trung vào trải nghiệm người dùng.

Đạo đức AI: Các nguyên tắc nhằm ngăn chặn AI gây hại cho con người, đạt được thông qua các phương tiện như xác định cách các hệ thống AI nên thu thập dữ liệu hoặc xử lý sai lệch.

AI an toàn: Một lĩnh vực liên ngành liên quan đến các tác động lâu dài của AI và làm thế nào nó có thể tiến triển đột ngột đến một siêu trí thông minh có thể thù địch với con người.

Thuật toán: Một loạt các hướng dẫn cho phép một chương trình máy tính học và phân tích dữ liệu theo một cách cụ thể, chẳng hạn như nhận ra các mẫu, sau đó tự học và tự mình thực hiện các tác vụ.

Căn chỉnh: Điều chỉnh AI để tạo ra kết quả mong muốn tốt hơn. Điều này có thể đề cập đến bất cứ điều gì từ kiểm duyệt nội dung đến duy trì các tương tác tích cực đối với con người.

Nhân chủng học: Khi con người có xu hướng đưa ra các đối tượng phi nhân, đặc điểm giống con người. Trong AI, điều này có thể bao gồm tin rằng một chatbot giống người và nhận thức hơn thực tế, giống như tin rằng nó vui, buồn hoặc thậm chí hoàn toàn tình cảm.

Trí tuệ nhân tạo, hoặc AI: Việc sử dụng công nghệ để mô phỏng trí thông minh của con người, trong các chương trình máy tính hoặc robot. Một lĩnh vực trong khoa học máy tính nhằm xây dựng các hệ thống có thể thực hiện các nhiệm vụ của con người.

Các tác nhân tự trị: Một mô hình AI có khả năng, lập trình và các công cụ khác để hoàn thành một nhiệm vụ cụ thể. Một chiếc xe tự lái là một tác nhân tự trị, ví dụ, vì nó có đầu vào cảm giác, GPS và thuật toán lái xe để tự điều hướng đường. Các nhà nghiên cứu của Stanford đã chỉ ra rằng các tác nhân tự trị có thể phát triển văn hóa, truyền thống và ngôn ngữ chung của riêng họ.

Xu hướng: Liên quan đến các mô hình ngôn ngữ lớn, các lỗi do dữ liệu đào tạo. Điều này có thể dẫn đến việc phân bổ sai các đặc điểm nhất định cho các chủng tộc hoặc nhóm nhất định dựa trên các khuôn mẫu.

Chatbot: Một chương trình giao tiếp với con người thông qua văn bản mô phỏng ngôn ngữ của con người.

Chatgpt: Một chatbot AI được phát triển bởi Openai sử dụng công nghệ mô hình ngôn ngữ lớn.

Điện toán nhận thức: Một thuật ngữ khác cho trí tuệ nhân tạo.

Tăng dữ liệu: Phối lại dữ liệu hiện có hoặc thêm một bộ dữ liệu đa dạng hơn để đào tạo AI.

Bộ dữ liệu: Một bộ sưu tập thông tin kỹ thuật số được sử dụng để đào tạo, kiểm tra và xác nhận mô hình AI.

Học sâu: Một phương pháp của AI và một trường con của học máy, sử dụng nhiều tham số để nhận ra các mẫu phức tạp trong hình ảnh, âm thanh và văn bản. Quá trình này được lấy cảm hứng từ bộ não con người và sử dụng các mạng lưới thần kinh nhân tạo để tạo ra các mẫu.

khuếch tán: Một phương pháp học máy có một đoạn dữ liệu hiện có, như ảnh và thêm tiếng ồn ngẫu nhiên. Các mô hình khuếch tán đào tạo mạng của họ để thiết kế lại hoặc phục hồi bức ảnh đó.

Hành vi mới nổi: Khi một mô hình AI thể hiện khả năng ngoài ý muốn.

Học từ đầu đến cuối, hoặc E2E: Một quá trình học tập sâu trong đó một mô hình được hướng dẫn thực hiện một nhiệm vụ từ đầu đến cuối. Nó không được đào tạo để hoàn thành một nhiệm vụ theo tuần tự mà thay vào đó học hỏi từ các đầu vào và giải quyết tất cả cùng một lúc.

Những cân nhắc về đạo đức: Nhận thức về ý nghĩa đạo đức của AI và các vấn đề liên quan đến quyền riêng tư, sử dụng dữ liệu, công bằng, lạm dụng và các vấn đề an toàn khác.

foom: Còn được gọi là cất cánh nhanh hoặc cất cánh cứng. Khái niệm rằng nếu ai đó xây dựng một AGI thì có thể đã quá muộn để cứu nhân loại.

Mạng lưới đối thủ, hoặc Gans: Gans: Một mô hình AI tổng quát bao gồm hai mạng thần kinh để tạo dữ liệu mới: một trình tạo và phân biệt đối xử. Trình tạo tạo nội dung mới và phân biệt đối xử kiểm tra xem nó có xác thực không.

AI thế hệ: Một công nghệ tạo nội dung sử dụng AI để tạo văn bản, video, mã máy tính hoặc hình ảnh. AI được cung cấp một lượng lớn dữ liệu đào tạo, tìm các mẫu để tạo ra các phản hồi mới lạ của riêng mình, đôi khi có thể tương tự như tài liệu nguồn.

Google Gemini: Một chatbot AI của Google có chức năng tương tự như chatgpt nhưng lấy thông tin từ web hiện tại, trong khi Chatgpt bị giới hạn ở dữ liệu cho đến năm 2021 và không được kết nối với Internet.

Bảo vệ: Các chính sách và hạn chế được đặt trên các mô hình AI để đảm bảo dữ liệu được xử lý có trách nhiệm và mô hình không tạo ra nội dung đáng lo ngại.

ảo giác: Một phản hồi không chính xác từ AI. Có thể bao gồm các câu trả lời sản xuất AI tổng quát không chính xác nhưng được nêu với sự tự tin như thể chính xác. Những lý do cho điều này không hoàn toàn được biết đến. Ví dụ, khi hỏi một chatbot AI, “Khi nào Leonardo da Vinci vẽ Mona Lisa?” Nó có thể trả lời bằng một tuyên bố không chính xác, “Leonardo da Vinci đã vẽ Mona Lisa vào năm 1815,” là 300 năm sau khi nó thực sự được vẽ.

suy luận: Các mô hình AI quy trình sử dụng để tạo văn bản, hình ảnh và nội dung khác về dữ liệu mới, bằng cách suy luận từ dữ liệu đào tạo của họ.

Mô hình ngôn ngữ lớn, hoặc LLM: Một mô hình AI được đào tạo về số lượng lớn dữ liệu văn bản để hiểu ngôn ngữ và tạo nội dung mới lạ bằng ngôn ngữ giống con người.

Độ trễ: Độ trễ thời gian từ khi một hệ thống AI nhận được đầu vào hoặc dấu nhắc và tạo ra đầu ra.

Học máy, hoặc ML: Một thành phần trong AI cho phép máy tính học và tạo ra kết quả dự đoán tốt hơn mà không cần lập trình rõ ràng. Có thể được kết hợp với các bộ đào tạo để tạo nội dung mới.

Microsoft Bing: Một công cụ tìm kiếm của Microsoft hiện có thể sử dụng công nghệ cung cấp năng lượng cho công nghệ để cung cấp kết quả tìm kiếm do AI cung cấp. Nó tương tự như Google Gemini khi được kết nối với Internet.

AI đa phương thức: Một loại AI có thể xử lý nhiều loại đầu vào, bao gồm văn bản, hình ảnh, video và lời nói.

Xử lý ngôn ngữ tự nhiên: Một nhánh của AI sử dụng học máy và học sâu để cung cấp cho máy tính khả năng hiểu ngôn ngữ của con người, thường sử dụng thuật toán học tập, mô hình thống kê và quy tắc ngôn ngữ.

Mạng lưới thần kinh: Một mô hình tính toán giống với cấu trúc của bộ não con người và có nghĩa là nhận ra các mẫu trong dữ liệu. Bao gồm các nút liên kết hoặc nơ -ron, có thể nhận ra các mẫu và học theo thời gian.

quá mức: Lỗi trong học máy khi nó hoạt động quá chặt chẽ với dữ liệu đào tạo và chỉ có thể xác định các ví dụ cụ thể trong dữ liệu nói trên nhưng không phải là dữ liệu mới.

Gapapleclips: Lý thuyết Maximer bao gồm giấy, được đặt ra bởi nhà triết học Nick Boström của Đại học Oxford, là một kịch bản giả thuyết trong đó một hệ thống AI sẽ tạo ra càng nhiều giấy tờ giấy theo nghĩa đen càng tốt. Trong mục tiêu của mình là sản xuất số lượng kẹp giấy tối đa, một hệ thống AI sẽ tiêu thụ hoặc chuyển đổi tất cả các vật liệu để đạt được mục tiêu của nó. Điều này có thể bao gồm việc tháo dỡ các máy móc khác để sản xuất nhiều kẹp giấy, máy móc có thể có lợi cho con người. Hậu quả không lường trước của hệ thống AI này là nó có thể phá hủy nhân loại trong mục tiêu làm cho kẹp giấy.

tham số: Các giá trị số cung cấp cấu trúc và hành vi LLM, cho phép nó đưa ra dự đoán.

Sự bối rối: Tên của một công cụ tìm kiếm và chatbot do AI hỗ trợ thuộc sở hữu của Perplexity AI. Nó sử dụng một mô hình ngôn ngữ lớn, giống như các mô hình được tìm thấy trong các chatbot AI khác, để trả lời các câu hỏi với câu trả lời mới lạ. Kết nối của nó với internet mở cũng cho phép nó cung cấp thông tin cập nhật và thu hút kết quả từ trên web. Perplexity Pro, một tầng dịch vụ trả phí, cũng có sẵn và sử dụng các mô hình khác, bao gồm GPT-4O, Claude 3 Opus, Mistral Large, Llama 3 nguồn mở và Sonar 32K của riêng nó. Người dùng Pro cũng có thể tải lên các tài liệu để phân tích, tạo hình ảnh và giải thích mã.

nhắc nhở: Đề xuất hoặc câu hỏi bạn nhập vào chatbot AI để nhận được phản hồi.

Chuỗi nhanh chóng: Khả năng của AI sử dụng thông tin từ các tương tác trước đây để tô màu các phản hồi trong tương lai.

Định lượng: Quá trình theo đó một mô hình học tập lớn AI được thực hiện nhỏ hơn và hiệu quả hơn (mặc dù, hơi kém chính xác) bằng cách giảm độ chính xác của nó từ định dạng cao hơn xuống định dạng thấp hơn. Một cách tốt để suy nghĩ về điều này là so sánh hình ảnh 16 megapixel với hình ảnh 8 megapixel. Cả hai vẫn rõ ràng và rõ ràng, nhưng hình ảnh độ phân giải cao hơn sẽ có nhiều chi tiết hơn khi bạn được phóng to.

vẹt ngẫu nhiên: Một sự tương tự của các LLM minh họa rằng phần mềm không có sự hiểu biết lớn hơn về ý nghĩa đằng sau ngôn ngữ hoặc thế giới xung quanh nó, bất kể âm thanh đầu ra thuyết phục như thế nào. Cụm từ đề cập đến làm thế nào một con vẹt có thể bắt chước các từ của con người mà không hiểu ý nghĩa đằng sau chúng.

Chuyển giao phong cách: Khả năng điều chỉnh phong cách của một hình ảnh với nội dung của một hình ảnh khác, cho phép AI diễn giải các thuộc tính trực quan của một hình ảnh và sử dụng nó trên một hình ảnh khác. Ví dụ, lấy bức chân dung tự họa của Rembrandt và tạo lại nó theo phong cách của Picasso.

nhiệt độ: Các tham số được đặt để kiểm soát mức độ đầu ra của mô hình ngôn ngữ ngẫu nhiên. Nhiệt độ cao hơn có nghĩa là mô hình có nhiều rủi ro hơn.

Tạo văn bản-hình ảnh: Tạo hình ảnh dựa trên mô tả văn bản.

mã thông báo: Các bit nhỏ của văn bản bằng văn bản mà các mô hình ngôn ngữ AI xử lý để xây dựng câu trả lời của họ đối với lời nhắc của bạn. Một mã thông báo tương đương với bốn ký tự bằng tiếng Anh, hoặc khoảng ba phần tư từ.

Dữ liệu đào tạo: Các bộ dữ liệu được sử dụng để giúp các mô hình AI học, bao gồm văn bản, hình ảnh, mã hoặc dữ liệu.

Mô hình biến áp: Một kiến ​​trúc mạng thần kinh và mô hình học tập sâu học bối cảnh bằng cách theo dõi các mối quan hệ trong dữ liệu, như trong các câu hoặc các phần của hình ảnh. Vì vậy, thay vì phân tích một câu một từ tại một thời điểm, nó có thể nhìn vào toàn bộ câu và hiểu bối cảnh.

Kiểm tra Turing: Được đặt theo tên của nhà toán học nổi tiếng và nhà khoa học máy tính Alan Turing, nó kiểm tra khả năng cư xử của một cỗ máy như một con người. Máy vượt qua nếu một con người không thể phân biệt được phản ứng của máy với người khác.

Học tập không giám sát: Một hình thức học máy nơi dữ liệu đào tạo được dán nhãn không được cung cấp cho mô hình và thay vào đó, mô hình phải tự xác định các mẫu trong dữ liệu.

AI yếu, hay còn gọi là AI hẹp: AI tập trung vào một nhiệm vụ cụ thể và không thể học vượt ra ngoài bộ kỹ năng của nó. Hầu hết AI ngày nay là AI yếu.

Học không bắn: Một bài kiểm tra trong đó một mô hình phải hoàn thành một nhiệm vụ mà không được cung cấp dữ liệu đào tạo cần thiết. Một ví dụ sẽ là nhận ra một con sư tử trong khi chỉ được huấn luyện trên hổ.