在人工智能迅速發展的今天，理解AI領域的基礎術語對于我們至關重要。本文精選了8大AI術語，從AI的起源到現代應用，為您提供了全面的解讀。

一位朋友去B2B公司面試產品銷售，回來后有點迷茫。

他說：

HR聊到前幾段履歷情況，以及所做出的成果和離職原因后，就沒說其他的；但業務負責人面試完，我自信的狀態突然沒有了。

因為在雙方交流過程中發現，他用到很多英文、專業術語，這些我都似懂非懂，盡管對方沒有具體做到問我某些什么意思，可我總認為，自己在該方面還有很多課要補。

是的，新技術發展，必然會有大量術語、概念產生。

這些術語好處是，能將復雜、冗余的表述簡化為幾個詞，從而極高交流效率；然而，劣勢也同樣明顯，你對術語不熟，就沒辦法跟客戶把產品講明白，甚至導致溝通失效。

那么，面對此類情況，該怎么辦呢？有兩個方法，一，日常在工作中多積累；二，集中系統性學習。

第二種很難，畢竟人工智能廣泛還復雜，涵蓋細分場景也比較多；因此，我特意選取了一些容易混淆，提及比較多的通用詞匯。

01 第一個關于AI。你怎么一句話給人解釋它？

我會這么說：

AI，是人工+智能。一種讓機器能像人一樣思考、解決問題的技術，它能用在多個領域和場景中，想象一下，智能手機，智能家居設備，這些都是AI技術的應用。

這很簡單吧。

不過，要說起它的由來，就得提到一個專業詞匯：神經元（Neuron）。在生物和神經科學領域，它是神經系統的基本單位，負責接受、處理和傳遞信息。

早在1943年，有兩位科學家，名叫McCullouch和Pitts，他們發表一篇非常重要的論文，名字叫做：

《A Logical Calculus of the Ideas Immanent in Nervous Activity》

論文中，提到了一個數學模型，叫做“McCulloch-Pitts神經元”，也就是人工神經元的早期形式。通過模型，我們可以模擬，并解釋生物大腦是如何傳遞信號的。

這不難理解吧？有了對神經元的理解，科學家能更深入的知道如何模擬一個生物的大腦系統。

隨著不斷研究，7年后（1950年），一位英國學家艾倫·圖靈（Alan Turing）發表一篇論文，探討了“機器能思考嗎？”圖靈通過著名的「圖靈測試」，探索機器會不會更智能。

到了1956年，在一個叫達特茅斯學院（Dartmouth College）的地方，幾位研究計算機和自動化的科學家聚在一起，討論預測機器是否能模仿人類學習的行為；麥卡錫在會議中提出一個想法：

希望在夏天的1-2個月內，憑借10幾個人的努力，讓機器能夠使用語言、形成抽象概念和解決各種問題的方法，最終達到與人類相似的智能水平。

因此，這次會議上：AI才作為一個獨立學科被成立。一晃之間，又7年過去了，1960年左右，多名研究者對人工智能的發展做出了貢獻。

比如：

斯坦福大學研究者們，開發了珀西瓦爾（Perceptron），基于神經元結構，展示機器如何學習；著名的邏輯理論家赫伯特·西蒙（Herbert Simon）和他的團隊，基于數學定理，開發出一套自動推理的程序。

還有很多……

但是，到了70年代中期（1974年），因為技術發展沒有達到大家希望的水平，加上經濟壓力，美國政府才開始削減對AI領域的資助，這導致了所謂的歷史上第一個：AI寒冬的出現。

直到又過了7年后，專家系統的商業成功讓AI研究有了復蘇的標志，市場才對AI領域有了新關注和投資機會?？吹竭@里，你可能會問：什么是專家系統呢？

千萬不要誤解，專家系統不是管理專家的。

它是一套特別的計算機系統程序，它能學習各種規則、知識、模仿人類專家做決定；可以把人類專家的知識，轉變成計算機能理解和使用的形式，讓它在市場上真正派上用場。

可是，好景不長，7年后（1987年），AI又引發了第二個更長的寒冬。

失敗的結論無法用一句言語來表達，不過，有幾個關鍵節點，一，專家系統看起來有前景，但不賺錢，不能廣泛使用；二，技術所依賴的Lisp編程語言，有性能瓶頸，要消耗大量硬件成本；三，Lisp編程所用的計算機系統過時了，導致市場潰敗。

這不僅影響到上游制造商，還涉及到人工智能的研究。

所以，許多研究項目停滯不前，導致市場對人工智能大幅度降溫，這一寒冬，持續小10年。

直到1990年，互聯網算法興起，人工智能才算恢復活力，同年，一位非常有影響力的計算機教授Yann LeCun，貢獻了卷軸神經網絡（CNN）的發展，才推動了神經網絡的實際運用。

到了2000年，AI背后所承載的技術才被運用到各領域。

這一段60年的脈絡，只為讓你清晰展示AI的發展，它從一條神經元，到成為系統，經歷了什么。

02 第二個，關于AI怎么更像人

想象一下：

如果我們想讓人工智能更像人類，是不是要先給它構建一個類似于人類大腦的模型，讓它擁有一個「操作系統」，能夠模擬人腦的工作方式。

這意味著，我們得不斷挖掘它，讓它有注意力機制，讓它會能夠學習，還能看得見周圍的一切，甚至說，還得自我優化。沒錯，這正是人工智能專家們正在做的事情。

你知道嗎？

2000年以后，AI技術越來越廣泛，不管做什么，只要和智能相關，都會給它貼上人工智能標簽，不同技術之間的差異，到底該如何有效區分就成了一個問題。

2002年，人工智能領域有兩位科學家，Ben Goertzel和Cassio Pennachin合著一本書《Artificial General Intelligence》，翻譯成中文是《人工通用智能》。

它提到了AI的子領域，也就是AGI。

G是 General的縮寫。意思是通用的、全能的。這意味著，它的通用智能水平能和人類相媲美，不僅能執行特定任務，還能在多種環境、情境下學習知識，進行自我改善。

看到這，你興許更困惑。

我們一般覺得，既然叫做人工智能，AI能力應該比AGI廣泛，實際上情況并非如此。它倆區別在于，AI被特別訓練來完成某個具體任務，學習能力和適應性都有明確的限制。

而AGI，具備自主智能，可以理解和解決之前未遇到的問題，不僅限于單一任務。簡單來說，AGI像可以在任何情況下都能夠應對的智能，而AI則更像只擅長特定領域的專家。

圖片

圖譯：便于理解，畫了一張示意圖，供你參考，未來AI的終極目標，讓它像人一樣

因此，該怎么給別人一句話介紹AGI？

我會說：AGI是通用人工智能，讓機器能像人一樣，在很多不同事情上能自己想辦法解決；它跟AI區別在于，AI專門為某個任務設計，而AGI則可以處理任何問題，像人一樣，更強大。

有一個與AGI相似的詞，叫Gen AI了。

Gen背后英文是General，AGI中的G也是General，不要驚訝，它倆意思相同。那么，市面為什么有人喜歡叫GenAI，有人叫AGI？

有兩點：

一，源于發展。不同地域差異，大家叫法不同；二，和產品有關。商業環境中，大家喜歡用一些不同的叫法來突出自己的產品特色；不過，在全球范圍和學術文獻場景下，目前AGI稱呼更為普遍。

所以，這10年的故事中，AGI發展不僅讓機器在復雜環境中，有了更深層次的學習能力，還讓特定任務的窄AI（也稱為弱AI（Weak AI），也變得更智能了。

03 第三個，關于大模型（Large Model）

討論不同模型，了解2010年到2017年的AI發展至關重要。從2010年開始，AGI領域越來越多投資者進入，深度學習也就成了研究和應用的焦點。

2015是注意力轉折點，得益于硬件進步和大數據的支持，DeepMind開發的AlphaGo擊敗了世界圍棋高手李世石。這一事件后，讓大家更相信AGI會變得更強、更像人類。

同年，OpenAI在美國成立，為后來大模型發展奠定了基礎。那么，什么是大模型呢？

“大”，指，模型處理信息量很大，在人工智能中，我們稱信息為“參數”（Parameters），模型，像小時候玩的玩具，雖然是虛擬的，卻能執行真實的任務，當你問它一個問題時，它能迅速給出答案。

我通常這樣解釋：大模型是，能夠處理大量復雜數據的高級程序，像一個超級聰明的大腦，可以學習和處理許多不同的事情。

那么，小模型（Small Model）是什么呢？

與大模型相對，小模型參數數量少，結構簡單，計算資源需求也不高。這些模型專為特定領域設計，比如營銷自動化、兒童早教、或幫助孩子學習古文等，更專注于解決特定類型的問題。

雖然在2015年左右，大模型還不為大眾知曉，但到了2017年，谷歌發表了《Attention Is All You Need》這篇論文后，徹底改變了大語言模型（Large Language Model, LLM）領域的面貌。

因為，這篇論文介紹一種基于multi-head自注意力機制的深度學習Transformer架構。這種架構，推動了處理語言的模型的發展，它能更加靈活的能模仿人類的情感和語言風格。

大語言模型和大模型，最主要的區別是：大模型能處理很多不同類型的任務，比如圖像識別、數據分析等；而大語言模型，主要是用來處理文字，比如，幫我們寫文章或翻譯語言。

另外，值得一提的是：

自然語言處理（NLP）技術是AI領域中的一個核心分支，它包括自然語言理解（NLU）和自然語言生成（NLG）。

當我們在和AI對話時，輸入的每一個字或詞叫做token。AI會把文本分割成最小的單位來學習，這個過程稱為tokenization（分詞）；例如：句子，”你吃了嗎“，一個常見的分詞方法將其分為三個tokens，“你 / 吃了 / 嗎”。

還有一個與大語言模型經?；煜脑~：GPT。

GPT是Generative（生成式）、Pre-trained（預訓練）Transformer（一種模型架構）三者的縮寫，ChatGPT和GPT不是同一回事，不要混淆。

ChatGPT是OpenAI公司基于GPT模型，開發的特定產品，主要用于生成文本，而GPT本身代表一種廣泛的模型系列，像sora也是GPT模型的產品之一。

所以，當別人問起時，我會說：

大語言模型像一個操作系統，它為處理、理解語言提供了基礎框架；GPT更像系統上的一個應用程序，它利用框架來執行任務；至于ChatGPT，是基于GPT模型開發的一款具體產品，就像電腦上的聊天工具。

明白它非常重要，國內一些產品，某種程度上，也可以稱它為類似GPT的模型。

畢竟，它們同樣基于自注意力架構進行預訓練，也能生成文本；所以，雖然優化方法不同，但技術核心上，基本一致。

這7年，讓大模型、大語言模型（LLM）發生了關鍵變化。通過時間脈絡，你也能理解到幾者有何不同。

04 第四個，關于AIGC。什么是AIGC？

這里的”C”代表Content，中文意思是“內容”。AIGC的全稱是“人工智能生成內容”，涵蓋文本、圖像、視頻和音樂等多種形式。

因此，AIGC包括四個方面：文生文、文生圖、文生視頻、文生音樂。

說起來，你也許不信，歷史時間脈絡中，并沒有哪位科學家首次提出該術語，它是在人們不斷討論中，逐漸形成的一種通用描述。

想徹底了解AIGC，不妨再看7年。

從2018年到2020年的3年里，一項調查顯示，全球有72個活躍的AGI研發項目，分布在37個不同的國家；本質上，是研究openAI、DeepMind、Anthropic等公司。

這些公司都在做什么？簡單說，DeepMind是專注創造AGI的公司，目標讓機器的智能能夠和人類相媲美；而OpenAI，則因其開發的大型模型，引起廣泛關注。

再看最近4年，AIGC技術幾乎在各行業的涌現?，F在，照片不僅能一鍵美顏，還能一鍵摳圖，并且處理的更精細；做PPT，不僅能根據大綱生成內容，還能直接匹配的配圖素材。這背后都得益于小模型，多模態發展。

多模態（Multimodal）技術，即：一個AI模型能處理不同類型的數據（文本、圖像、音頻），還能將不同形式的信息，整合在一起，從而進行更全面的分析和理解。

因此，一個最重要啟發在于：

未來更加垂直領域的信息，將會被開發出來，這些信息反哺給模型，模型經過參數調整后重新學習，將變得更加聰明，這種發展，越來越逼近AGI的目標。

作為個人，理解整個AI發展，能有一個宏觀框架在心里，下次看到不同產品時能知道，公司處在哪個賽道中。

當然，每個細分賽道里，還有更多更專業的術語，像AI+營銷領域還有很多小模型，如：動態定價模型、情感分析模型、用戶流失模型、ROI預測模型等等，這些像人的思維模型一樣，被格柵化在多模態里。

好了。

四個大概念講完了。關于AI、AGI、大模型、小模型、大語言模型（LLM）、GPT、AIGC、多模態，按照時間軸加在一起，共計發展了81年。

這81年中，幾乎7年一個小變化，但也不是絕對，你有什么感受？

總結而言

有大視角，才不會被細節迷惑。

隨著AI發展，未來，舊工作會被加速迭代，新行業雖然沒起來，但必有新機會出現，了解AI，才能迎接新的時代，更好的駕馭它。