AI互动地图全景

背景

Hacker News 上发布了一篇题为 "An Interactive Map of AI" 的文章，介绍了一个名为 Artifipedia 的百科全书式 AI 知识图谱。该项目将 AI 领域内的核心概念及其相互关系整理为一张可交互的网状地图，旨在帮助读者直观理解 AI 的术语体系。地图目前包含 56 个概念和 150 条连接，并随着百科内容的扩展而动态增长。

核心内容

该交互式地图以节点和连线的方式呈现 AI 领域的全部概念。每个节点代表一个 AI 术语，拖动节点可查看其与其他概念的关联，悬停可追踪连接路径，点击可阅读详细条目。地图基于每个条目中的 "connects to"（连接至）链接自动生成，因此会随着百科内容增加而生长。用户可以自由嵌入此地图到任何网站，只需粘贴一段代码即可保持地图与百科同步更新。

地图涵盖了以下核心概念及其简要定义：

• Agent Memory：为 AI 提供跨会话记忆的能力，因为模型本身在会话结束后会遗忘所有内容。
• AGI（通用人工智能）：一个假设的系统，具备跨领域的通用人类水平能力——定义模糊，足以让人争论它是否已经到来。
• AI Agent（AI 智能体）：通过自主采取步骤（决策、行动、反应）来追求目标的软件，而不是一次性回答后停止。
• AI Alignment（AI 对齐）：让 AI 系统真正按照人类意图行事的问题——可靠地追求我们想要的目标，而不是我们意外指定的目标。
• Artificial Intelligence（人工智能）：让机器做那些看似需要智能的事情的领域——每当机器成功时，这个定义就会改变。
• Attention（注意力机制）：让 AI 在解释每个单词时决定哪些其他单词重要的机制——Transformer 的核心思想。
• Backpropagation（反向传播）：计算出哪些权重导致了错误以及错误程度如何的算法——神经网络能够学习的根本原因。
• Bias & Fairness（偏见与公平）：AI 系统产生不公平或歧视性结果的问题——通常是由于吸收了训练数据中存在的偏见。
• Chain-of-Thought（思维链）：让模型在回答前逐步推理——这能大幅提升其在难题上的表现。
• Clustering（聚类）：将彼此相似的事物分组——算法总是返回分组结果，无论是否真实存在分组。
• CNN（卷积神经网络）：在图像上滑动小过滤器以查找局部模式的网络——让计算机视觉切实可行的架构。
• Context Window（上下文窗口）：AI 一次最多能考虑的文本量——其短期工作记忆，以 token 为单位衡量。
• Deep Learning（深度学习）：使用多层神经网络的机器学习——几乎每一项近期 AI 突破背后的方法。
• Diffusion Model（扩散模型）：大多数 AI 图像工具的工作原理——从随机噪声开始，逐步去除噪声，由提示词引导，直到图像出现。
• Embeddings（嵌入）：将单词（或图像、任何东西）转换为数字列表，使语义相似的点在空间中彼此靠近。
• Explainability（可解释性）：让模型展示其工作过程——但不舒服的事实是，大多数方法解释的是解释本身，而非决策。
• Feature Engineering（特征工程）：将原始数据重塑为模型可以实际使用的形式——在深度学习之外，仍然是大多数准确率的来源。
• Fine-tuning（微调）：用自己的示例继续训练模型，使其行为发生变化——内化于模型中，而非在回答时提供。
• GAN（生成对抗网络）：两个网络相互对抗训练——一个伪造，一个检测——直到伪造通过。扩散模型基本上取代了这种技术。
• GPU：让深度学习成为可能的芯片——数千个小核心同时执行相同运算，这正是神经网络所需的。
• Gradient Descent（梯度下降）：在误差曲面上一步一步下坡行走——模型权重实际更新的方式。
• Guardrails（护栏）：围绕模型的一组检查，决定允许它接收、说什么、做什么——防止演示变成事故的部分。
• Hallucination（幻觉）：AI 产生流畅自信但完全虚假的输出——流畅性不等于准确性。
• Image Classification（图像分类）：让 AI 查看图像并说出它是什么——计算机视觉的基础任务。
• Image Segmentation（图像分割）：标记每个像素而不是画框——当精确形状至关重要时所需要的技术。
• Inference API（推理 API）：按请求租用模型——几乎所有人实际使用 AI 的方式，以及随之而来的依赖。
• Intelligence（智能）："人工智能" 下方的词——不断被使用，无人定义，也是该领域最大争论永远无法解决的原因。
• Jailbreaking（越狱）：让模型做它被训练拒绝做的事情——以及它一直奏效的结构性原因。
• Large Language Model（LLM，大语言模型）：在大量文本上训练以预测下一个文本的 AI——ChatGPT 和 Claude 等聊天机器人的底层技术。
• Loss Function（损失函数）：表示模型错误程度的数字——因此也是模型试图成为什么的定义。
• Machine Learning（机器学习）：让计算机从数据中学习模式并改善任务，而不是明确编程规则。
• Multi-Agent Systems（多智能体系统）：多个 AI 智能体协作解决一个问题，每个都有角色——在演示中强大，在生产中尴尬。
• Multimodal AI（多模态 AI）：能处理多种输入（文本和图像，有时包括音频和视频）并在单一共享表示中运行的模型。
• Neural Network（神经网络）：由简单连接单元组成的系统，从示例中学习模式——深度学习与现代 AI 的基础。
• Object Detection（目标检测）：找到图像中物体的位置及其类别——为每个物体画一个带标签的框。
• OCR（光学字符识别）：将文本图片转换为文本——对干净文档已解决，但其他情况仍然很难。
• Open-Weight Models（开放权重模型）：权重可下载并自行运行的模型——通常被称为开源，但实际上往往不是。
• Overfitting（过拟合）：模型记忆训练数据而非学习通用模式——训练时表现优异，但新数据上失败。
• Privacy & PII（隐私与个人可识别信息）：个人数据进入 AI 系统、从中返回，以及训练后的模型极难消除训练数据的事实。
• Prompt Engineering（提示工程）：编写指令以获得最佳、最可靠输出的技巧。
• Quantization（量化）：用较低精度存储模型的数字，使其占用更少内存且运行更快——通常质量损失小得惊人。
• Red-teaming（红队测试）：在别人免费攻击之前，主动攻击自己的系统。
• Reinforcement Learning（强化学习）：通过奖励进行试错学习——训练宠物的方式，应用于软件。
• Retrieval-Augmented Generation（RAG，检索增强生成）：让 AI 在回答时从特定文档集中检索信息来回答——而不是仅依赖记忆。
• RLHF（基于人类反馈的强化学习）：根据人类偏好而非正确答案训练模型——将文本预测器转变为助手的步骤。
• Supervised Learning（监督学习）：通过展示带标签的示例（输入配对正确输出）来训练 AI，使其能预测新输入的输出。
• System Prompt（系统提示）：模型在对话开始前收到的常量指令——对用户有影响但不可见，且不是安全边界。
• Temperature（温度）：控制 AI 输出随机性或可预测性的单一设置——低值聚焦，高值创意。
• Token：AI 读写的小文本片段——通常是一个词的一部分，而非完整单词。
• Tool Use（工具使用）：让模型调用真实软件（搜索、计算器、数据库）——而不是试图仅靠记忆回答所有问题。
• Train/Test Split（训练/测试拆分）：保留模型从未见过的数据，以便了解它是否学到了东西还是只是记忆。
• Training vs Inference（训练 vs 推理）：构建模型与使用模型——两种完全不同的活动，成本、硬件和约束各不相同。
• Transfer Learning（迁移学习）：从已经学到一些通用知识的模型开始，而不是随机数——为什么小团队也能构建真正的 AI。
• Transformer：几乎所有现代 AI 模型背后的神经网络架构——基于注意力机制，能