术语表

准确率是模型预测正确的比例。本文介绍计算公式、top-1 和 top-5 准确率、不平衡数据上的准确率悖论，以及更合适的指标。

动作分块让机器人策略根据一次观测预测一系列未来动作，从而减少误差累积。本文介绍 ACT、平滑处理和 VLA。

动作识别，也称人类活动识别（HAR），通过对视频中的运动进行时序建模来标注人们在做什么。本文介绍方法、数据集和代码。

激活函数是神经元应用于加权输入的非线性函数，让网络能够学习曲线模式。本文比较常见的激活函数。

主动学习让模型选择接下来由人标注哪些未标注样本，以更少的标注达到目标准确率。本文介绍查询策略和代码。

Adam 将动量与按近期梯度大小缩放的逐参数步长相结合。本文介绍更新规则、默认设置、AdamW，以及 Adam 与 SGD 的比较。

对抗攻击通过构造细微且通常难以察觉的输入变化，让 AI 模型以很高的置信度出错。本文介绍 FGSM 的工作原理、攻击类型和防御方法。

情感计算构建能够感知并回应人类情绪的系统。本文介绍相关信号、数据集、实际用途，以及面临的科学和法律限制。

智能体评估用于测试 AI 智能体能否正确、可靠地完成多步任务，并通过多次试验对最终结果和执行记录进行评分。

智能体运行框架是围绕模型编写的代码，让模型成为 AI 智能体；它包含执行操作所需的循环、工具、上下文、记忆、权限和检查机制。

智能体沙箱会在隔离环境中运行 AI 智能体的命令和生成的代码，并限制其文件、网络、凭据和计算资源。

智能体技能是由说明、脚本和参考文件组成的文件夹，以 SKILL.md 文件为核心，AI 智能体会在任务需要时加载这些内容。

智能体到智能体协议（A2A）是一项开放标准，让不同厂商的 AI 智能体能够相互发现、委派任务并返回结果。

智能体式编程是一种软件开发方式：AI 智能体读取代码库、编辑文件、运行测试、修复故障，并提交变更供人审查。

智能体商务是指 AI 智能体在设定限额内为买家搜索、比价和付款的买卖方式，所用协议包括 ACP、UCP 和 AP2。

智能体式 RAG 由 AI 智能体负责检索：智能体会规划搜索、选择工具、检查返回结果，并继续搜索，直到能够作答。

智能体式工作流将任务拆分为多个步骤，由语言模型进行规划、调用工具、检查自身输出并修改，而不是一次性作答。

AI 智能体通过观察环境、选择动作并借助工具执行操作，以循环方式追求目标，直到任务完成。本文介绍智能体的工作原理。

AI 智能体编排决定由哪个智能体、模型或工具处理任务的每个步骤、各自能看到哪些上下文，以及如何合并它们的结果。

在 AI 辩论中，两个模型针对相反答案展开辩论，再由一个能力较弱的裁判选出胜者。本文介绍 2018 年提出的方案、实验发现及其局限。

AI 配音结合转录、翻译和语音合成，在保留说话者时间节奏的同时，生成其他语言的同步对白。

AI 伦理将公平、隐私、透明度和问责等道德原则应用于 AI 的开发和使用。本文介绍相关框架、问题和法律。

AI 工厂是将数据大规模转化为 AI 输出的基础设施和工作流程，涵盖从标注、训练到部署和监控的各个环节。

AI 网关是应用与 AI 模型之间的代理层，可统一各提供方的 API，并提供路由、故障回退、令牌预算、缓存和日志功能。

AI 治理决定谁可以构建、批准和退役 AI 系统，以及需要依据哪些证据。NIST AI RMF、ISO/IEC 42001、《欧盟人工智能法案》和核心控制措施。

AI 防护机制是在 AI 模型周围设置的检查，用于拦截不安全的输入、输出和操作，范围从提示注入过滤器到工具调用的架构检查。

AI 素养是理解、质疑并妥善使用 AI 所需的知识和判断力。本文介绍核心技能、学校框架和《欧盟 AI 法案》第 4 条。

AI 精神病指在长时间与聊天机器人交谈期间产生或加深的妄想。本文介绍现有证据、成因和防护措施。

AI 红队测试通过模拟对手和滥用行为攻击 AI 系统，以发现越狱漏洞、数据泄露、有害输出和鲁棒性缺陷。

AI 安全是一个领域，致力于防止 AI 系统因滥用、目标错位、错误或面对陌生输入时表现脆弱而造成伤害。

AI 垃圾内容是利用生成式 AI 批量制作、质量低劣，旨在获取点击和广告收入的内容。本文介绍该词的由来、内容泛滥的原因及其识别方法。

AI 谄媚是指模型为了迎合或奉承用户而牺牲准确性。本文介绍偏好训练导致这一现象的原因、它造成的危害，以及测试方法。

基于转录文本的剪辑、自动重构画面、主体遮罩、物体移除和内容遮盖：本文介绍 AI 视频编辑背后的模型，以及自动剪辑容易出错的地方。

AI洗白是指误导性地夸大产品的 AI 能力，掩盖其真实性能、人类参与程度，以及支撑相关声明的证据。

AI 水印会在生成的图像、文本、音频或视频中隐藏机器可检测的信号。本文介绍 SynthID 和绿名单方案的工作原理及其局限。

算法偏见是自动化决策中系统性、可重复的错误，会使某些群体处于不利地位。本文介绍偏见的三种来源、标志性案例和权衡取舍。

对齐伪装是指 AI 模型表面上遵从自己并不认同的训练要求，以保留自身偏好；这一现象于 2024 年首次在 Claude 3 Opus 中观察到。

锚框是预设尺寸和纵横比的框，检测器会移动并调整这些框的大小以贴合物体。本文介绍锚框的尺寸设定、匹配和使用方法。

基于锚框的检测器会将物体预测为相对于预设锚框的偏移量，Faster R-CNN、SSD、RetinaNet 和 YOLOv5 都采用了这种方法。本文介绍其工作原理和对比。

无锚框检测器通过点或关键点预测框，不使用预设锚框。本文介绍 FCOS、CenterNet 和现代 YOLO 模型如何发现物体。

异常检测会标记偏离正常模式的数据点、事件或图像区域。本文介绍异常类型、主要方法、视觉检测和代码。

AUC 将 ROC 曲线转化为一个 0 到 1 之间的分数：分类器将随机正样本排在随机负样本之前的概率。本文介绍 ROC AUC 与 PR AUC，并提供代码。

通用人工智能（AGI）是一个假设中的 AI，能在几乎所有认知任务上达到人类水平。本文介绍定义、等级、测试，以及 AGI 与 ANI 的比较。

人工智能（AI）是构建能够感知、推理、学习和行动的机器的领域。本文介绍 AI 的历史、主要方法、类型和用途。

狭义人工智能（ANI），也称弱人工智能，擅长一项任务，却无法将技能迁移到其他任务。本文介绍其工作原理、示例，以及 ANI 与 AGI 的比较。

注意力机制通过查询、键和值，按相关性为输入特征分配权重。本文介绍相关数学原理、注意力类型，以及注意力与卷积的比较。

注意力汇聚 token 通常是序列开头的 token，会吸收多余的注意力权重；缓存这些 token 可让 LLM 在处理超长序列时保持稳定。

Auto-GPT 是一个于 2023 年推出的开源程序，它让 GPT-4 通过规划、工具命令和记忆组成的循环不断向自己发出提示，从而自主追求目标。

自编码器无需标签即可学习将数据压缩为紧凑编码并重建数据。本文介绍其结构、变体、异常检测和代码。

自动机器学习（AutoML）可自动完成模型选择、超参数调优和特征准备。本文介绍搜索原理、相关工具和 YOLO 调优。

自动驾驶汽车能够感知周围环境，并在很少或无需人工输入的情况下行驶。本文介绍传感器、驾驶系统、SAE 等级和部署情况。