图片来源：供图；作者：斯蒂芬·怀特洛；

深度学习

深度学习是一种基于多层神经网络的机器学习方法。这类系统能够学习图像、文本、音频和视频中的复杂模式。深度学习推动了许多现代人工智能领域的突破，包括语音识别、图像生成、翻译以及大型语言模型。它通常需要海量的数据和强大的计算能力。

图片来源：供图；作者：斯蒂芬·怀特洛；

扩散模型

扩散模型是一种常用于生成图像的生成式人工智能。它通过从噪声开始，逐步将其优化为连贯的图像或输出结果，从而学习生成数据。许多现代图像生成工具都采用了扩散技术。根据提示和模型的不同，生成的结果可以非常逼真，也可以极具艺术性。

图片来源：供图；作者：斯蒂芬·怀特劳；

数字孪生

数字孪生是现实世界中物体、系统或流程的虚拟模型。例如，一家工厂可能拥有一个数字孪生，用于模拟机器、能源使用和生产流程。人工智能可以通过预测问题并在现实世界中发生之前测试变更，从而增强数字孪生的功能。数字孪生被广泛应用于工程、医疗保健、交通运输和智慧城市等领域。

图片来源：供图；作者：斯蒂芬·怀特劳；

判别模型

判别模型通过学习来区分不同类别。例如，它可以判断一封电子邮件是垃圾邮件还是非垃圾邮件，或者判断肿瘤图像属于良性还是恶性。判别模型与生成模型不同，后者用于创造新内容。简而言之，判别模型负责分类；生成模型负责生成。


图片来源：供图；作者：斯蒂芬·怀特劳；
知识蒸馏

AI知识蒸馏是指训练一个小而快的人工智能模型，使其复制大型智能AI模型的知识和行为。可以将其想象成一位大师级厨师（大型模型）向学徒（小型模型）传授所有的秘方和技巧，使学徒能够烹饪出同样品质的美食，只是速度更快，且所需的厨房工具更少。应用原因节省空间：它将庞大的AI系统压缩，使其能够运行在智能手机或笔记本电脑上。节省成本：运行小型模型所需的计算资源显著减少。节省时间：小型模型给出的答案比巨型模型快得多。

来源：供图；作者：斯蒂芬·怀特劳；

领域适应

领域适应是指使人工智能模型在新的但相关的环境中良好运行的过程。例如，基于某国医院数据训练的模型，在另一国可能无法同样有效，因为设备、患者或诊疗流程存在差异。领域适应有助于模型在适应当地条件的同时转移知识。

图片来源：供图；作者：斯蒂芬·怀特劳；

领域专用人工智能

领域专用人工智能是指为特定领域（如医疗保健、法律、金融、教育、农业或制造业）设计的人工智能。由于这些系统围绕专业知识和工作流程构建，因此可能比通用工具更准确、更有用。然而，领域专用人工智能需要专家监督，因为错误可能会带来严重后果。

图片来源：供图；作者：斯蒂芬·怀特劳；

漂移

漂移是指随着现实世界发生变化，AI模型的性能随时间推移而发生变化。例如，客户行为、欺诈手段、医疗实践或语言使用方式都可能发生演变。去年表现良好的模型，如今可能变得不再可靠。对于任何长期运行的AI系统而言，监测漂移现象至关重要。

图片来源：供图；作者：斯蒂芬·怀特劳；

Dropout

Dropout是一种用于神经网络的训练技术，旨在减少过拟合。在训练过程中，会随机忽略部分连接，从而迫使模型避免过度依赖任何单一路径。这有助于模型更好地对新数据进行泛化。这类似于训练一支球队，旨在让整个团队表现出色，而不是依赖某一位明星球员。

来源：供图；作者：斯蒂芬·怀特劳；

双重用途

双重用途指一项技术既可用于有益目的，也可用于有害目的。人工智能是典型的双重用途技术。同一款有助于编写教育材料的工具，也可能被用来撰写网络钓鱼邮件；同一套帮助艺术家的图像生成系统，也可能被用来制造伪造证据。负责任的人工智能需要既考虑预期用途，也要考虑滥用情况。

将 The Portugal News 设为您在 Google 上的首选新闻来源

Google在 Google 上添加为首选来源