人工智能词汇表

gentic AI 是指先进的人工智能系统，这些系统不仅仅是响应命令；它们生成内容，自主执行任务并实现目标。这些系统结合了推理能力、记忆功能和反馈回路，以独立地计划和执行行动，通常使用各种数字工具并通过学习调整其方法。与传统的人工智能不同，代理人工智能可以独立运行，也可以与其他人工智能代理协作运行，在与不同的平台和系统交互以完成复杂任务的同时做出自主决策。

在工业环境中，Agentic AI涉及部署人工智能系统，这些系统可以独立监控、分析和控制工业运营的各个方面，例如预测性维护、质量控制、库存管理或生产流程优化。

人工智能（AI）是指具有学习和适应能力的软件。人工智能可以解决需要它解释输入数据的含义并适应要求的任务。通常，这些任务以前只能通过自然智能来解决。人工智能方法有几种类型，它们在应用领域、潜力以及与之相关的风险方面差异很大。人工智能的基本原理是在20世纪发展起来的。由于所有人工智能方法都需要大量的训练数据，因此该技术现在通过数字化和大数据变得越来越重要。

一种允许将数字信息叠加在现实世界环境和物体上的技术，通常使用沉浸式三维虚拟现实。增强现实允许通过添加数字视觉、声音和其他感官元素来增强现实世界。

无需人工干预即可运行的系统，例如自动驾驶汽车和无人机。

无需人工干预即可运行的车辆，例如自动驾驶汽车和卡车。

由于有偏见的训练数据或算法，人工智能系统中可能会出现意想不到的偏见或偏爱。

大型复杂的数据集，通常由（工业）传感器生成，但也由公司、组织和个人生成。由于这些数据通常是非结构化、不完整或不正确的，因此非人工智能驱动的软件通常无法以有意义的方式对其进行处理。

一种人工智能驱动的程序，可以通过文本或语音通信与人类互动。

一种旨在复制人类认知过程（例如感知、推理和决策）的人工智能。

人工智能的一个子集，允许计算机从视觉对象（例如图像和视频）中提取信息，以理解和解释它们。

帮助保护数字信息免受外部攻击者的策略、测量和工具。人工智能可用于检测和预防网络攻击，以及识别和应对安全漏洞。

分析和解释数据以发现见解并做出明智决策的过程。

旨在通过提供相关信息和分析来帮助人类做出决策的计算机系统。

机器学习的一个子集，涉及使用多层神经网络，使机器能够从数据中学习。

描述物理对象或过程行为的数学模型。在仿真环境中，数字双胞胎可用于模拟如果系统参数发生变化，现实世界中会发生什么。数字双胞胎可以在整个产品生命周期中使用，包括设计、制造、运营和服务阶段。数字双胞胎的视觉表现形式在外观和行为上都与物理双胞胎类似，反映了现实世界并实时适应那里发生的事情。

边缘计算是一种系统架构，与云计算不同，它使计算和数据存储更接近数据源（“边缘”）。它有助于减少响应时间和数据传输所需的能量。边缘 AI 系统可以在物理上靠近实际执行设备来实现。这些设备无需连接到云即可运行 AI 应用程序。

旨在与物理世界互动和导航的人工智能，通常是通过使用机器人或自动驾驶汽车。

在人工智能的开发和使用中研究和应用道德原则，包括偏见、隐私和问责制等问题。

AI 设计为透明且可解释，使人类能够理解机器做出特定决定的方式和原因。

是机器学习中的一种训练方法，其中多个独立的设备使用自己的（单独的）数据集训练机器学习模型。只有最终结果才与网络中的主要参与者共享。

AI 旨在通过组合和学习现有内容来生成图像、视频和音乐等新内容。

应用程序（例如 CAD 软件）能够在一组限制条件下自主生成多个设计备选方案。使用人工智能、优化和仿真等技术。

工业人工智能是指人工智能在构成我们经济支柱的行业（工业、基础设施、交通和医疗保健）中的应用。

工业基础模型 (IFM) 是根据行业特定数据进行预先训练的，以深入理解工程、自动化和制造的 “语言”，并实现更快、更准确地部署 AI 解决方案。它们提供了标准化的起点，通过规模经济节省时间、资源和能源。IFM 专为解决现实世界中的工业挑战而量身定制。它们充当工业副驾驶背后的情报层，促进跨部门的知识转移和协作。它们不仅支持文本、图像和音频，还支持 3D 模型、2D 绘图和其他复杂结构，例如特定行业的时间序列数据（另请参阅多模态 LLM）。

工业级人工智能表示质量水平；可靠、安全和值得信赖，旨在满足最苛刻的专业环境的严格要求和标准。

该术语用于描述第四次工业革命，涉及将人工智能、物联网和其他先进技术集成到制造业和工业中。

嵌入传感器、软件和连接的技术设备网络，用于实现数据交换。物联网是数字化和大数据的主要驱动力之一。

一种将知识表示为相互关联的节点和边缘的图表的数据库，用于 NLP 和搜索等人工智能应用程序。

一种 AI 语言模型，根据海量数据（例如 GPT-3）进行训练，用于生成类人文文本。

人工智能的一个子集，涉及使用算法和统计模型，使机器能够从经验或数据中学习。

人工智能的一个子集，允许带有摄像头的机器提取视觉信息，以了解和解释周围的环境。

多模态 LLM 可以同时理解和处理多种类型的数据，例如文本、图像、音频或传感器数据。它们已集成到计算机视觉、自动驾驶车辆和机器人等应用中。它们可以改善物体识别、场景理解，并使机器能够遵循复杂的指令。多模态 LLM 有可能影响行业特定数据（例如时间序列、二维和三维模型或机器视觉数据）的处理和生成，就像传统 LLM 影响文本和语音处理一样。

人工智能的一个子集，侧重于计算机与人类语言之间的交互。

该界面使人类能够使用自然的手势、语音和其他表达形式与计算机进行交互。

一种以人脑结构为模型的机器学习算法，用于识别数据中的模式。

一种分析包含多个子设备的建筑物或机器的电压和电流变化的过程，以推断系统中每个设备的个体贡献。

物理人工智能是指将人工智能集成到机器中，例如机器人，这些机器可以感知环境并在其中采取行动。受人类感官运动周期的启发，Physical AI 处理感官输入（例如 3D 摄像头或触觉传感器），从中生成控制命令，并使机器能够在物理 3D 环境中自适应和自主地执行复杂任务。

物理为依据的人工智能，也称为物理感知人工智能，是指将物理定律直接纳入训练过程的一类新的人工智能方法。与严重依赖大型数据集来学习行为的传统人工智能方法不同，以物理为依据的人工智能整合了基于物理的约束来指导学习。通过利用我们对物理世界如何运作的现有知识，即使现实世界的数据有限，这也使人工智能系统能够推理和做出预测。这些模型不是仅从示例中学习，而是利用其物理知识来引导学习更优和物理上更一致的解决方案。

预测性人工智能利用统计分析和机器学习来识别来自机器和设备的实时和历史运营数据中的模式，使其能够预测未来的行为、检测异常、预测潜在故障并建议维护措施。它用于增强资产运行状况和可靠性，减少计划外停机时间，并支持在整个工业运营中更快地以数据为依据的决策。

使用人工智能和统计模型根据历史数据预测未来的事件或趋势。

使用人工智能根据实时数据预测机器何时需要维护或维修。

使用人工智能来检测缺陷并确保产品符合质量标准。

一种机器学习，未经训练的代理在执行操作后通过系统的惩罚和奖励来学习策略。

符合既定伦理和道德标准的人工智能应用程序。

工程和人工智能分支，专注于机器人的设计、建造和操作。

使用人工智能来分析和解释文本或语音中表达的情感和观点。

一种使用人工智能和其他先进技术来优化发电、分配和消耗电力的电网。

专业硬件，例如支持图形处理单元 (GPU) 或语言处理单元 (LPU) 的边缘设备，是工业人工智能的新兴趋势。这些设备在边缘提供高性能计算能力，从而实现人工智能算法的实时处理。它们的集成允许并行处理和加速性能，从而更快地执行复杂的人工智能任务。这种本地处理减少了延迟和对云资源的依赖，使其对时间敏感的应用程序至关重要。专业硬件还支持高级 AI 模型，从而增强洞察力和提高性能。此外，它通过最大限度地减少对大量云基础设施和数据传输的需求来降低成本。

机器识别和解释人类语音的能力。

一种学习方法，使用带标签的（已知）数据集训练机器学习模型以预测结果。

优化供应链中商品和材料的流动，以降低成本和提高效率。人工智能通常用于流程自动化、低效率检测、商品质量保证和需求预测。

由算法生成的人工数据，而不是用于训练和验证机器学习模型的真实事件。合成数据的质量至关重要。它决定了人工智能在训练后是否会产生可接受的结果。

一种学习方法，机器学习模型可以在以前未知（未标记）的数据中发现模式和分组。

虚拟现实（VR）提供了一种数字渲染的环境，可以复制实际空间，创建替代现实或将两者结合起来。用户可以从家庭、办公室或工厂车间探索虚拟空间。