人工智能词汇表

智能体 AI 指超越单纯响应指令的高级形式的人工智能系统；它能够生成内容、自主执行任务并达成目标。这些系统融合推理能力、记忆功能和反馈回路，能够独立规划并执行任务，经常利用各种数字工具，并通过不断学习优化其执行方法。与传统人工智能不同，智能体 AI 既能独立运行，也能与其他人工智能代理协作，在与不同平台和系统交互的同时做出自主决策，从而完成复杂任务。

在工业领域，智能体 AI 能够部署人工智能系统，独立监控、分析和控制工业运营的各个环节，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) 指具有学习和自适应能力的软件。人工智能可以完成需解读输入数据的含义，并适应具体任务要求的工作。这些任务以前通常只能通过自然智能来解决。人工智能方法种类繁多，在应用领域、技术潜力及相关风险方面差异很大。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依赖海量的训练数据，因此随着数字化与大数据技术的发展，人工智能技术变得越来越重要。

一种可将数字信息叠加到现实世界环境与物体上的技术，通常提供沉浸式的 3D 虚拟现实体验。增强现实技术通过添加数字视觉、音效和其他感官元素，呈现增强版的现实世界。

无需人工干预即可运行的系统，例如自动驾驶汽车、无人机等。

无需人工干预即可运行的车辆，例如自动驾驶汽车、卡车等。

由于训练数据或算法存在偏见，AI 系统中可能出现的无意识的偏见或偏好。

庞大且复杂的数据集，通常由（工业）传感器生成，但也可能来自企业、组织和个人。由于这些数据通常是非结构化、不完整或不正确的，非 AI 驱动的软件通常无法对其进行有效处理。

一种由人工智能驱动的程序，能够通过文本或语音与人类进行互动。

一种旨在模拟人类感知、推理、决策等认知过程的人工智能技术。

人工智能的一个分支，使计算机能够从图像和视频等视觉素材中提取信息，并对其进行理解和解读。

用于防范外部攻击、保障数字信息安全的策略、措施与工具。人工智能可用于检测和防范网络攻击，以及识别和应对安全漏洞。

对数据进行分析和解读，发现洞见并做出明智决策的过程。

旨在通过提供相关信息与分析，协助人类做出决策的计算机系统。

机器学习的一个分支，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，数字孪生可用于模拟系统参数发生变化时，现实世界中将会发生的情况。数字孪生可应用于产品的整个生命周期，涵盖设计、制造、运行和维护阶段。数字孪生的可视化呈现形式在外观和行为上均与物理对象保持一致，不仅能够实时映射现实世界，还能同步呈现现实世界的动态变化。

边缘计算是一种系统架构，与云计算不同，它将计算和数据存储部署于更接近数据源（即“边缘”）的位置，有助于缩短响应时间并减少数据传输所需的能耗。边缘 AI 系统可物理部署在紧邻实际执行设备的位置，无需连接云端即可运行 AI 应用程序。

旨在通过机器人、自动驾驶车辆等载体，实现与物理世界交互，并进行导航的人工智能。

在人工智能的开发和使用中对道德原则的研究与应用，包括偏见、隐私、当责等议题。

具备透明性与可解释性的人工智能，使人类能够理解机器做出特定决策的方式和原因。

一种机器学习训练方法，多台独立设备利用自身（独立的）数据集训练同一机器学习模型，仅将最终训练结果共享给网络核心节点。

旨在通过整合现有内容并从中学习，从而生成图像、视频、音乐等全新内容的人工智能。

指 CAD 软件等应用程序在给定的约束条件下，能够自主生成多种设计方案的能力。该能力使用了人工智能、优化、仿真等技术。

工业人工智能指在工业、基础设施、交通、医疗健康等国民经济支柱产业中应用的人工智能。

工业基础模型 (IFM) 基于行业专属数据进行预训练，可深度理解工程、自动化和制造领域的“语言”，从而实现更快速、更精准的人工智能解决方案部署。此类模型提供了一个标准化的起点，通过规模经济效应节省时间、资源和能耗。它们专为解决现实世界的工业场景难题而设计。作为工业副驾驶背后的智能层，它们能够促进跨行业的知识转移与协作。它们不仅支持文本、图像和音频，还支持 3D 模型、2D 图纸以及其他复杂结构，例如行业特定的时间序列数据（参见多模态大语言模型）。

工业级 AI 是高品质标准的人工智能，这种技术可靠、安全、值得依赖，可满足最严苛的专业环境所要求的严格标准。

用于描述第四次工业革命的术语，指将人工智能、物联网及其他先进技术融入制造业和工业领域。

由嵌入传感器和软件，并具连接功能的技术设备组成的网络，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。

通过相互关联的节点和边构成的图谱存储知识的数据库，应用于自然语言处理 (NLP)、搜索等人工智能场景。

一种基于海量数据（例如GPT-3）进行训练的人工智能语言模型，用于生成类人文本。

人工智能的一个分支，通过算法和统计模型使机器能够从经验或数据中自主学习。

人工智能的一个分支，使配备摄像头的机器能够提取视觉信息，从而理解并解读周围的环境。

多模态大语言模型 (LLM) 能够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。它们被集成于计算机视觉、自动驾驶和机器人技术等应用中，不仅能提升目标识别、场景理解能力，还能使机器执行复杂的指令。多模态大语言模型有望像传统大语言模型对文本与语音处理的影响一样，对时序数据、2D/3D 模型、机器视觉数据等行业特定数据的处理与生成模式产生革新式影响。

人工智能的一个分支，专注于计算机与人类语言之间的交互。

一种允许人类通过自然手势、语音及其他表达形式与计算机进行交互的界面。

一种机器学习算法，模拟人类大脑结构构建，用于识别数据中的模式。

一种分析包含多个子设备的建筑或机器的电压、电流变化的过程，用于推断系统中每个设备的具体贡献。

物理 AI 指将人工智能集成到机器人等设备中，使其能够感知环境并在其中执行操作。将人工智能集成到能够感知环境并在其中执行任务的机器（如机器人）中。受人类感觉运动循环的启发，物理 AI 处理 3D 摄像头、触觉传感器等感官输入，据此生成控制指令，并使机器能够在物理 3D 环境中自适应、自主地执行复杂任务。

物理信息人工智能，又称物理感知人工智能，指的是一类将物理定律直接融入训练过程的新型人工智能方法。与高度依赖海量数据集学习行为模式的传统人工智能不同，物理信息人工智能通过整合基于物理的约束条件来引导学习。这使得人工智能系统即便在现实世界数据有限的情况下，也能利用我们现有的关于物理世界如何运作的知识进行推理和预测。这类模型不仅从案例中学习，还利用物理知识，将学习导向更优且更符合物理规律的解决方案。

预测性人工智能利用统计分析和机器学习，从机器和设备的实时及历史运行数据中识别行为模式，从而预测未来行为、检测异常、预判潜在故障并提出维护建议。它用于提升资产健康状况和可靠性，减少计划外停机时间，并支持工业运营中更快速的数据驱动决策。

利用人工智能和统计模型，基于历史数据预测未来事件或趋势。

利用人工智能，基于实时数据预测机器何时需要维护或维修。

利用人工智能检测缺陷，确保产品符合质量标准。

一种机器学习方法，未经训练的智能体在执行操作后，通过系统的奖惩机制来学习策略。

符合既定伦理和道德标准的人工智能应用。

工程和人工智能一个分支，专注于机器人设计、制造和操作。

利用人工智能分析和解读文本或语音中表达的情感与观点。

利用人工智能及其他先进技术，优化电力生产、分配和消耗的电网。

配备图形处理器 (GPU) 或语言处理单元 (LPU) 的边缘设备等专用硬件，是工业人工智能的新兴趋势。这类设备在边缘端提供高性能算力，支持人工智能算法的实时处理。通过集成这类设备，可实现并行计算和性能加速，更快地执行复杂的人工智能任务。这种本地化处理降低了延迟，并且减少了对云资源的依赖，对于时间敏感型应用至关重要。专用硬件还可支持高级人工智能模型，提升分析洞察能力，带来更优异的性能。此外，它还能最大限度地减少对庞大云端基础设施和数据传输的需求，从而有效降低成本。

机器识别和解读人类语音的能力。

一种学习方法，使用已标注（已知）数据集对机器学习模型进行训练，以预测结果。

优化供应链中货物和物料的流动，以降低成本、提升效率。人工智能常用于流程自动化、低效环节识别、商品质量保障及需求预测。

由算法生成而非源自真实事件的人工数据，用于训练和验证机器学习模型。合成数据的质量至关重要，它决定了人工智能在训练后能否产出令人满意的成果。

一种机器学习方法，机器学习模型在先前未知的（未标注的）数据中自主发现模式，并对其进行分类。

虚拟现实 (VR) 呈现一种数字渲染的环境，能够复刻真实空间、创造替代现实，或将二者结合。用户可以在家中、办公室或工厂车间内探索虚拟空间。