从56个术语和架构图，剖析AI现状_教程文档_BigSeek AI社区

十四发表于 2025-6-11 13:25:46

从56个术语和架构图，剖析AI现状

在学习时，我习惯先对所学内容构建一个整体框架，以便清楚自己掌握的知识在整个生态或结构中的位置。 
在网上搜索了许多 AI 架构图后，我没找到满意的图示，于是结合 AI 工具和自身理解，绘制了一张人工智能架构图，并整理了相关知识点。 
架构图涵盖 56 个行业术语，分为核心技术、支撑技术生态、系统与架构、AI 应用技术、未来发展方向、伦理与安全 6 大模块。 
人工智能是一个广阔的知识领域，这 56 个术语无法完全覆盖，但能为大家提供一个框架性认识。
<img src="https://images.bigseek.com//forum/202506/11/132235bdu0o20rll2ju17l.png" alt="下载.png" title="下载.png" />
梳理知识点和术语名词如下：
<h3>一、核心技术体系</h3>
<ol>
<li>
机器学习（ML：Machine Learning）通过数据训练模型实现预测或决策，包含监督学习、无监督学习和半监督学习。
<ul>
<li>监督学习：用标注数据训练分类或回归模型（如邮件过滤、房价预测）。</li>
<li>无监督学习：挖掘数据隐含模式，生成监督信号（如聚类、降维、对比学习）。</li>
<li>元学习（Meta-Learning）：让模型快速适应新任务，学会“如何学习”。</li>
<li>联邦学习（Federated Learning）：保护隐私的分布式训练方式。</li>
<li>在线学习（Online Learning）：模型随动态数据实时更新。</li>
</ul>
</li>
<li>
深度学习（DL：Deep Learning）基于多层神经网络，突破传统机器学习限制。
<ul>
<li>Transformer：自注意力机制驱动的长文本处理架构（如GPT、BERT）。</li>
<li>扩散模型（Diffusion Model）：逐步去噪生成高质量内容（如Stable Diffusion）。</li>
<li>MoE（Mixture of Experts）：整合子模型提升性能（如Switch Transformer）。</li>
<li>SNN（脉冲神经网络）：模拟生物神经脉冲时序。</li>
<li>胶囊网络（Capsule Network）：捕捉空间层次关系。 
深度学习需大量数据和 GPU/TPU 算力支持。</li>
</ul>
</li>
<li>
自然语言处理（NLP）让机器理解和生成人类语言的技术。
<ul>
<li>大语言模型（LLM）：超大规模预训练模型（如GPT-4、PaLM）。</li>
<li>思维链（Chain-of-Thought）：分步推理提升逻辑能力。</li>
<li>检索增强生成（RAG）：结合知识库提高答案准确性（如腾讯ima）。</li>
<li>指令微调（Instruction Tuning）：通过指令优化模型行为。</li>
<li>多模态对齐（Multimodal Alignment）：统一文本、图像等语义。</li>
</ul>
</li>
<li>
计算机视觉（CV）从图像或视频提取信息的技术。
<ul>
<li>ViT（Vision Transformer）：Transformer 用于图像分类。</li>
<li>NeRF（神经辐射场）：3D 场景重建与渲染。</li>
<li>目标跟踪（Object Tracking）：视频中持续锁定目标（如SiamFC）。</li>
<li>光流估计（Optical Flow）：计算像素运动轨迹。</li>
<li>事件相机（Event Camera）：动态视觉低延迟感知。核心任务：</li>
<li>目标检测：YOLO 实现实时物体定位。</li>
<li>图像分割：U-Net 划分医学影像病灶。</li>
<li>人脸识别：FaceNet 通过特征向量验证身份。</li>
</ul>
</li>
<li>
强化学习（RL）
<ul>
<li>PPO（近端策略优化）：稳定策略梯度算法。</li>
<li>模仿学习（Imitation Learning）：从专家行为学习策略。</li>
<li>多智能体强化学习（MARL）：多智能体协作或竞争（如星际争霸AI）。</li>
<li>逆强化学习（Inverse RL）：从行为推导奖励函数。</li>
</ul>
</li>
<li>
模型优化技术
<ul>
<li>知识蒸馏（Knowledge Distillation）：压缩大模型（如DistilBERT）。</li>
<li>量化感知训练（QAT）：模拟低精度计算。</li>
<li>动态网络（Dynamic Networks）：动态调整模型结构（如SkipNet）。</li>
<li>稀疏训练（Sparse Training）：剪除冗余连接。</li>
</ul>
</li>
</ol>
<h3>二、支撑技术生态</h3>
<ol>
<li>
算力基础设施
<ul>
<li>芯片技术：
<ul>
<li>GPU：NVIDIA A100/H100 加速深度学习。</li>
<li>TPU：谷歌优化 TensorFlow 的 AI 芯片。</li>
<li>类脑芯片：清华大学天机芯模拟神经计算。</li>
</ul>
</li>
<li>云计算：AWS、阿里云提供弹性算力。</li>
</ul>
</li>
<li>
数据工程聚焦数据存储、清洗、标注和结构化。
<ul>
<li>数据标注：人工标注为主，涉及属性、框选、描点。</li>
<li>数据增强：通过旋转、裁剪、加噪增强泛化能力。</li>
<li>关键技术：
<ul>
<li>数据版本控制（DVC）：类似 Git 管理数据集和模型。</li>
<li>自动化特征工程（FeatureTools）：自动提取时间、聚合、关系特征。</li>
</ul>
</li>
</ul>
</li>
<li>
知识图谱
<ul>
<li>图结构存储：以实体、关系、属性存储复杂数据。</li>
<li>高效查询：支持图遍历查询（如最短路径、社区发现）。</li>
<li>语义推理：挖掘隐含关系（如“A与B同事，B是C上司 → A与C可能相关”）。</li>
<li>工具：Neo4j、Amazon Neptune。</li>
</ul>
</li>
</ol>
<h3>三、系统与架构</h3>
<ol>
<li>
模型协作与协议
<ul>
<li>MCP（模型上下文协议）：标准化模型与工具/数据交互接口，解决碎片化。</li>
<li>模型编排（Model Orchestration）：动态调度多模型完成任务。</li>
<li>服务网格（Service Mesh）：管理微服务化模型通信。</li>
</ul>
</li>
<li>
分布式系统
<ul>
<li>参数服务器（Parameter Server）：支持大规模分布式训练。</li>
<li>All-Reduce 算法：梯度同步协议（如 Ring All-Reduce）。</li>
<li>异构计算：CPU/GPU/TPU 协同优化。</li>
</ul>
</li>
</ol>
<h3>四、AI 应用技术</h3>
<ol>
<li>
行业应用
<ul>
<li>生成式 AI（AIGC）：
<ul>
<li>文本生成：ChatGPT、Claude 支持对话和文案。</li>
<li>图像生成：Stable Diffusion、Midjourney 生成图像。</li>
<li>视频生成：Sora 基于时空建模生成视频。</li>
</ul>
</li>
<li>数字孪生（Digital Twin）：物理实体实时虚拟映射。</li>
<li>AI for Science：助力科学发现（如 AlphaFold）。</li>
<li>AIOps：智能运维（异常检测、根因分析）。</li>
</ul>
</li>
<li>
智能体与交互系统
<ul>
<li>Agent（智能体）：具备自主感知-决策-行动能力（如自动驾驶、游戏 NPC）。</li>
<li>具身智能（Embodied AI）：机器人智能（如波士顿动力）。</li>
<li>多模态交互：融合语音、手势、眼动交互。</li>
<li>典型应用：自动驾驶（激光雷达+摄像头+地图）。</li>
</ul>
</li>
<li>
边缘与终端 AI
<ul>
<li>边缘智能：在手机、IoT 设备部署轻量模型。</li>
<li>TinyML：低功耗微控制器机器学习。</li>
<li>模型剪枝（Pruning）：优化模型适配边缘设备。</li>
<li>神经形态计算（Neuromorphic Computing）：类脑芯片高效推理（如 Loihi）。</li>
<li>典型应用：安防摄像头行为识别、传感器故障预测。</li>
</ul>
</li>
</ol>
<h3>五、未来发展方向</h3>
<ul>
<li>AGI（通用人工智能）指具备人类水平通用智能的系统，能跨领域学习、自主解决问题。
<ul>
<li>核心特征：通用学习、抽象推理、目标导向、多模态感知、情感模拟。</li>
<li>AGI 是技术与哲学的交汇，脑科学、量子计算正推动其发展。</li>
</ul>
</li>
</ul>
<h3>六、伦理与安全</h3>
<ol>
<li>
技术隐私计算实现数据“可用不可见”。
<ul>
<li>联邦学习：本地保留数据，仅上传参数（如医院、银行联合训练）。</li>
<li>同态加密：加密数据直接计算（如医疗风险评分）。</li>
<li>差分隐私：添加噪声保护个体隐私（如统计数据）。</li>
</ul>
</li>
<li>
AI 对齐（Alignment）确保 AI 行为符合人类价值观。
<ul>
<li>价值对齐：将公平、正义转为奖励函数。
<ul>
<li>逆强化学习（IRL）：从人类行为推导规则（如安全驾驶）。</li>
<li>人类反馈强化学习（RLHF）：优化 AI 输出（如 ChatGPT）。</li>
</ul>
</li>
<li>可解释性：
<ul>
<li>LIME：局部解释模型决策（如医疗影像分析）。</li>
<li>SHAP：量化特征贡献（如金融风控）。</li>
</ul>
</li>
</ul>
</li>
<li>
内容安全与过滤
<ul>
<li>规则过滤：关键词、正则表达式匹配。</li>
<li>深度学习模型：检测暴力、色情内容（如 Perspective API）。</li>
<li>对抗训练：增强模型鲁棒性。</li>
</ul>
</li>
</ol>

bluestardm 发表于 2025-6-15 16:30:02

资料很全，挺不错

页: [1]

BigSeek_AI社区_AI论坛's Archiver

从56个术语和架构图，剖析AI现状