LLM、AI agent 、Token、AGI、NLP、知识库

⼈⼯智能代理 AI Agent

专业解释 : ⼈⼯智能代理是⼀种ᇿ⽴的软件实体，能够在其环境中执⾏任务以实现既定⽬标。这些代理可以是⾃主的，具有⼀定程度的 智能，能够根据输⼊数据做出决策，并在没有⼈类直接⼲预的情况下执⾏任务。 ⽩话解释： 你可以把它想象成⼀个虚拟的助⼿或代理⼈。这个代理⼈可以⾃动执⾏任务，⽐如帮你安排⽇程、回答问题或者控制智能家 居设备。它通过学习来更好地理解和执⾏这些任务。（ GPTs 、数字助⼿）

通⽤⼈⼯智能AGI

专业解释: AGI是指⼀种具备⼈类级别认知能⼒的⼈⼯智能。与当前的⼈⼯智能（通常专注于特定的、ሀ窄的任务）不同，AGI能够跨多个领域理解、学习 和应⽤知识。它能够进⾏抽象思考、理解复杂概念、解决⼴泛的问题，并具有学习新任务的能⼒。AGI的研究是⼈⼯智能领域的⼀个重⼤挑战， ⽬前尚未实现。 ⽩话解释： ⽬前⼤多数的⼈⼯智能都是擅⻓特定任务的，⽐如推荐电影或者识别语⾳。但AGI是⼀个更⾼级的概念，它指的是⼀种智能，这种智能能够像⼈ 类⼀样⼴泛地理解、学习和应⽤知识。这意味着它可以在很多不同的领域和任务中表现得像⼈类⼀样好，⽽不仅仅是某⼀个领域。

LLM（⼤语⾔模型）

专业解释: 基于深度学习的⾃然语⾔处理技术。⼤型语⾔模型通过在海量⽂本数据上进⾏预训练，学习语⾔的深层结构和模式。这种模型通常由⼏⼗亿甚⾄千亿个参数组 成，使其能够⽣成、理解和翻译⽂本，以及执⾏多种语⾔任务，如⽂本摘要、问题回答等。 ⽩话解释： 有⼀个超级聪明的图书管理员，他阅读过成千上万本书籍、⽂章、⽹⻚等。当你问他问题时，他能根据他读过的所有内容给出答案。这就是⼤型语⾔模型的⼯ 作⽅式。它通过阅读⼤量⽂本，学会了如何理解和⽣成语⾔。 参数量⼤：百亿级参数 chatglm2 6b ，gpt3 175B

知识库 Knowledge

专业解释: 知识库是⼀个存储事实、信息、规则和关系的结构化数据库。它⽤于⽀持信息检索、推理和⾃动决策。知识库可以采⽤不同的形式，如语义⽹络、本体 论或关系数据库，⽬的是提供⼀种⽅式，使机器能够有效地存储和访问知识 ⽩话解释： 巨⼤的信息仓库。它储存了⼤量的事实、数据和信息。当⼈⼯智能需要特定信息时，⽐如历史事件的⽇期或者科学事实，它可以查阅这个知识库来找答 案。（在我们的使⽤中，其实相当于我们把⾃⼰的资料存⼊gpt⾥，就形成了⼀个知识库）

Token

专业解释 : 在⾃然语⾔处理中，⼀个 token 是⽂本的基本单位，通常是词或字符。对⽂本进⾏ tokenization （分词）是将⽂本分割成更⼩部分以便于进⼀步 处理的⼀个关键步骤。 ⽩话解释： 想象你有⼀句话，把这句话切成⼀个个⼩块，⽐如每个单词或标点，每个⼩块就是⼀个token 。⽐如 浩哥是⼀个 AI 博主 浩哥 是 ⼀ 个 AI 博主 Openai 1个 token 约 750 个英⽂单词，约 500个汉字

神经元 Neural

专业解释: 在⼈⼯神经⽹络中，神经元是基本的计算单元，模仿⽣物神经元的功能。它接收输⼊，对输⼊进⾏加权求和，然后通过⼀个 激活函数产⽣输出。 ⽩话解释： 想象⼀个⼩⼩的检查站，它接收来⾃其他地⽅的信息，做出⼀些计算，然后决定是否向其他地⽅发送信号。（负责做抉择）

神经⽹络 Neural Network

神经⽹络是⼀种模仿⼈脑⼯作原理的计算系统，由⼀系列相互连接的节点（或称神经元）组成。它们能够通过学习数据 中的模式来进⾏预测和决策。 ⽩话解释： 想象⼀个⼤脑由许多⼩灯泡组成，每个灯泡互相连接，学习东⻄时，这些灯泡会根据信息点亮或变暗。（三体）

⾃然语⾔处理 NLP

专业解释:

NLP 是⼀种计算机科学、⼈⼯智能和语⾔学的交叉领域，它使计算机能够理解、解释和⽣成⼈类语⾔。 ⽩话解释： 就像⼀个能理解你说的话并且回答你问题的智能助⼿。（ GPT ）

强化学习 Reinforcement Learning

专业解释 : 强化学习是⼀种机器学习范式，其中模型通过与环境互动并从⾃⼰的⾏为中学习，⽬标是最⼤化某种奖励或效⽤函数。 ⽩话解释： 就像玩游戏，通过尝试不同的动作，学习如何赢得更多分数。（死记硬背、孰能⽣巧）

深度学习 Deep Learning

专业解释 : 深度学习是⼀种基于⼈⼯神经⽹络的机器学习⽅法，特别强调⽹络中的多层结构。这些多层结构（称为隐藏层）使得深度学习模型能够学习数据的复杂和层次化的表示。 每⼀层都⾃动从其前⼀层的输出中提取特征，并将这些特征传递给下⼀层。深度学习特别擅⻓于处理⾼维度和⼤规模的数据集，并已在诸如图像识别、⾃然语⾔处理、⾳ 频识别等领域取得显著成就。这些模型通常需要⼤量的数据和计算资源来训练。 ⽩话解释： 可以把深度学习想象成⼀个⾮常聪明的机器，它通过模仿⼈脑的⼯作⽅式来学习东⻄。就像⼈脑有很多不同层次的神经元连接在⼀起，深度学习中的 “ 神经⽹络 ” 也有许多 层。每⼀层都像是⼀个⼩团队，负责学习和理解信息的⼀⼩部分。⽐如，在处理图⽚时，第⼀层可能只关注颜⾊和边缘，下⼀层可能学习识别形状，再下⼀层则可能学会 识别整个物体，如脸部或⻋辆。这样层层累积，深度学习能够处理⾮常复杂的任务，⽐如识别照⽚中的物体或理解⼈类说的话。但是，这需要⼤量的数据来教它学习，就 像是给它看成千上万的图⽚或让它听很多句话。（ GPT ）

Transformers

专业解释 : Transformers 是⼀种在⾃然语⾔处理领域中⼴泛使⽤的深度学习模型架构。它们的核⼼机制是 ” ⾃注意⼒ “ （ self-attention ），能够处理输⼊数据的不 同部分之间的关系。这种架构特别擅⻓处理⻓距离依赖问题，在任务如机器翻译、⽂本⽣成、情感分析等领域表现出⾊。 Transformers 与之前的模型 相⽐，其主要优势在于能够并⾏处理数据，从⽽提⾼训练效率。 ⽩话解释： 变压器模型就像⼀个阅读专家，它可以同时阅读整篇⽂章，并且理解不同部分之间的联系。这使得它特别擅⻓理解和⽣成复杂的语⾔内容，⽐如翻译⼀ 整篇⽂章或写⼀个故事。它能够快速处理⼤量信息，这在以前的模型中是很难做到的。（ GPT 的架构就属于，也是⽬前主流的⼤模型的架构）

监督学习 Supervised Learning

专业解释 : 监督学习是⼀种机器学习⽅法，其中模型通过带有已知答案的训练数据进⾏训练，以便学习预测新数据的答案。 ⽩话解释： 就像⽼师通过解答问题来教学⽣学习，电脑通过查看带答案的例⼦来学习。（有答案，有前例，我才会）

⽆监督学习 Unsupervised Learning

专业解释 : ⽆监督学习是⼀种机器学习⽅法，其中模型在没有任何标签或已知答案的情况下，通过探索和发现数据集中的模式和结 构来学习。 ⽩话解释： 想象⼀个孩⼦在没有指导的情况下通过玩玩具来⾃⾏学习和探索。（⾃学成才，不断探索，⽆师⾃通，就像浩哥⼀样）

扩散模型 Diffusion Models

专业解释 : 扩散模型在机器学习和深度学习中指的是⼀种基于概率分布变化的⽣成模型。这种模型的核⼼思想是将有序的数据（如清晰的图像）逐步转化为⽆序的数据 （如随机噪声），然后再通过学习过程逆向重建原始数据。在这个过程中，模型通过⼀系列迭代步骤逐渐学习如何从随机噪声中⽣成⽬标数据。扩散模型特别 适⽤于⽣成任务，如图像和⾳频⽣成，因为它们能够捕捉数据中的复杂分布。 ⽩话解释： 想象你有⼀张⾮常清晰的图⽚，扩散模型就像是⼀种特殊的魔法，它先把这张清晰的图⽚变得模糊不清，就像慢慢加⼊了越来越多的雾。然后，使⽤相同的魔 法，但是步骤反过来，它试图从这⽚ ” 雾 ” 中重新变出原来清晰的图⽚。通过这个来回的过程，这种魔法（也就是模型）学会了如何从⼀⽚混乱中创造出清晰的图 像。这个过程对于⽣成新的图像或⾳乐等⾮常有⽤，因为它能够学会如何创造出既复杂⼜有趣的新作品。（ MJ 、 SD 、混沌中创造新事物）

微调 Fine-tuning

专业解释: 在机器学习中，微调是⼀个调整预训练模型以适应特定任务的过程。在这个过程中，预训练的模型（已经在⼤量数据上训练过）在较⼩ 的、特定任务相关的数据集上进⾏额外训练，以微调模型的参数，从⽽改善其在该特定任务上的性能。 ⽩话解释： 假设你已经会⼀种运动，⽐如篮球，但现在你想在篮球⽐赛中做得更好。你会练习特定的技巧，⽐如三分球或篮下动作。微调就是类似 的过程，但⽤于⼈⼯智能。就是在已有的基础上，针对特定任务或数据进⾏额外的训练，使它在这个任务上表现得更好。

训练 Training

专业解释 : 这就像教⼀个孩⼦学习新事物。对于⼈⼯智能，训练就是⽤⼤量的数据教它如何完成特定的任务，⽐如翻译⽂本或识别图⽚中的物 体。这个过程涉及到不断地调整和改进 AI 的 ” ⼤脑 “ （算法），直到它能够准确地执⾏任务。 ⽩话解释： 在机器学习和⼈⼯智能中，训练是指使⽤⼤量数据来训练算法识别模式和做出决策的过程。这通常涉及到调整模型的内部参数，使 其能够在给定的任务上最⼩化错误或最⼤化预测的准确性。