人工知能は猛烈なスピードで進歩しており、正直に言って、追いつくのは困難です。確かに、まるで博士号を持っているかのように動作するチャットボットがあるのは素晴らしいことです。すべてにおいてですが、現実はもっと厄介です。 ChatGPT、Gemini、または Meta AI に出会わずに歩き回るなんてことはできません。私たちは海の中に溺れています 人工知能議論する データセンター そして労働市場の変化をリアルタイムで監視します。
すべてが多すぎると感じる場合は、コードや目まぐるしい製品の配列と同じくらい急速に AI の語彙が進化していることが原因である可能性があります。そして、点滅するマーカーを見つめる以上のことをしたければ、その言語を話す必要があります。 LLM、幻覚、または爪に圧倒されていたら、2026 年の就職面接 (または時折のハッピーアワーでさえ) を正確に乗り切ることはできません。
私たちは人工知能の「天才」段階を過ぎ、基本的に人工知能がインターネットの新しい配管となる時代に入りました。話が専門的なものになるのにただうなずくのに飽きたら、短期集中コースの時間です。推測をやめて、未来がどこにあるのかを正確に知っているように聞こえるように、本当に知っておく必要がある重要な用語をまとめました。
この用語集は定期的に更新されます。
エージェント、エージェント: 多くの場合自律的にタスクを実行する AI は、 エージェントその過程で エージェント これは、このソフトウェア カテゴリの総称です。 AI エージェントは、このジョブを実行するためにさまざまなシステムを実行する場合があります。たとえば、Notes アプリで食料品リストを読み取り、他のアプリを通じて注文し、支払いを行う場合があります。
AI の倫理: 人工知能が人間に危害を加えるのを防ぐことを目的とした原則は、人工知能システムがデータを収集する方法やバイアスに対処する方法を決定するなどの手段を通じて達成されてきました。
AI 精神病: 人々が AI チャットボットに過度に執着したり、夢中になったり、圧倒されたりして、壮大さの妄想、深い感情的なつながり、現実からの離脱につながる現象。これは臨床診断ではありません。
AI の安全性: AI の長期的な影響と、AI が人間に対して潜在的に敵対的な超知性へとどのように突然進化するのかを扱う学際的な分野です。
アルゴリズム： コンピューター プログラムがパターンの識別などの特定の方法でデータを分析し、結果の並べ替えや推奨事項の作成などのタスクを実行できるようにする一連の命令。
配列： 望ましい結果をより適切に生み出すために AI を調整します。これは、コンテンツの管理から前向きな人間関係の維持まで、あらゆるものを指します。
擬人化: 人間が人間の特徴を無生物のせいだと考えるとき。人工知能では、これには、チャットボットが感情を持っている、または感情を持っていると信じて、友人またはセラピストとして関与することが含まれます。
汎用人工知能 (AGI): 現在私たちが知っているものよりも高度なバージョンの AI を想定した概念であり、能力を向上させながら人間よりもはるかに優れたタスクを実行できるものです。仮にその先には嘘がある インテリジェンスに関する。
人工知能、つまり AI: 人間の知能、コンピューター プログラム、またはロボット工学をシミュレートするためのテクノロジーの使用。人間のタスクを実行できるシステムを構築することを目的としたコンピューター サイエンスの分野。
バイアス： LLM トレーニング データから生じるエラー。ステレオタイプに基づいて、特性を特定のグループに誤って帰属させるなど。
チャットボット: テキストまたは口頭メッセージに応答して人間の会話をシミュレートすることにより、人間とコミュニケーションするための LLM ベースの AI プログラム。
爪： 自律型であり、Web ブラウザーを含むコンピューター上のファイルやその他のソフトウェアに「ダイブ」してタスクを実行することをユーザーによって許可される、人工知能エージェントの一種。
コグニティブコンピューティング: 人工知能の別の用語。
データの増強: 既存のデータをリミックスするか、より多様なデータセットを追加して AI をトレーニングします。
データセット: AI モデルのトレーニング、テスト、検証に使用されるデジタル情報のコレクション。
深層学習: AI の手法であり、機械学習のサブフィールドであり、複数のパラメーターを使用して画像、音声、テキスト内の複雑なパターンを識別します。このプロセスは人間の脳からインスピレーションを得ており、人工ニューラル ネットワークを使用してパターンを作成します。
拡散： 画像などの既存のデータを取得し、ランダムなノイズを追加する機械学習の方法。拡散モデルは、ネットワークをトレーニングして画像を再設計または再構築します。
緊急の動作: AI モデルが望ましくない機能を示す場合。
エンドツーエンド学習、つまり E2E: モデルが最初から最後までタスクを実行するように指示される深層学習プロセス。彼はタスクを順番に実行するように訓練されていませんが、入力から学習し、すべてを一度に解決します。
ふーむ: クイックミラー、ハードミラーとも呼ばれます。誰かがAGIを構築したとしても、人類を救うにはすでに手遅れかもしれないという考え。
クリエイティブ敵対的ネットワーク (GAN): 新しいデータを生成するための 2 つのニューラル ネットワーク (ジェネレーターとフィーチャー) で構成される生成 AI モデル。ジェネレーターは新しいコンテンツを作成し、差別化ツールはそれが本物かどうかを確認します。
生成型 AI: 人工知能を使用してテキスト、ビデオ、コンピューター コード、または画像を作成するコンテンツ作成テクノロジー。 AI には大量のトレーニング データが供給され、そこからパターンを見つけて独自の新しい応答を生成します。この応答は、ソース素材に似ている場合もあります。
安全レール: データが責任を持って扱われ、モデルが不快なコンテンツを作成しないことを保証するために AI モデルに課されるポリシーと制限。
妄想： 人工知能プログラムからの応答におけるエラーまたは誤解を招く発言。通常、それが真実であるかのように自信を持って述べられます。それは、日付の引用の間違いという単純な場合もあれば、決して起こらなかった出来事や存在したことのない人物についての大規模かつ精巧な発明のような広範囲にわたる場合もあります。
結論： AI モデルを使用して新しいデータにテキスト、画像、その他のコンテンツを生成するプロセス。 結論 彼らのトレーニングデータから。
大規模言語モデル (LLM): 人工知能モデルは、言語使用のパターンと確率を理解し、記事や電子メールからコンピューター コードや画像に至るまで、人間が書いたり作成したりしたものを模倣した新しいコンテンツを作成するために、大量のテキスト データでトレーニングされます。
レイテンシ: 人工知能システムが入力またはプロンプトを受け取った瞬間から出力を生成するまでの時間遅延。
機械学習: 明示的なプログラミングを行わずに、コンピューターが学習してより良い予測結果を生成できるようにする AI の一側面。トレーニング キットと組み合わせて新しいコンテンツを作成できます。
マルチモーダル AI: テキスト、画像、ビデオ、音声など、複数の種類の入力を処理できる AI の一種。
自然言語処理: 機械学習と深層学習を使用して、学習アルゴリズム、統計モデル、言語規則を使用してコンピューターに人間の言語を理解できるようにします。
ニューラルネットワーク: 人間の脳の構造に似た計算モデルで、データ内のパターンを識別するように設計されています。ニューラル ネットワークは、パターンを認識し、時間の経過とともに学習できる、接続されたノードまたはニューロンで構成されます。
オープンウェイト: 企業が公開重みモデルをリリースすると、最終的な重み、つまりバイアスを含むトレーニング データからの情報をモデルがどのように解釈するかが公開されるようになります。オープン スケール モデルは通常、ダウンロードしてデバイス上でローカルに実行できます。
過学習: 機械学習のエラー。トレーニング データに近すぎるため、そのデータ内の特定の例しか識別できず、新しいデータは識別できない場合があります。
クランプ: 哲学者のニック・ボストロムによって生み出されたペーパーマックス理論は、人工知能システムが目標を達成するために、できるだけ多くのペーパークリップを生成し、すべての機械を変換し、人間にとって役立つ可能性のあるものを含むすべての材料を消費するという仮説的なシナリオです。意図せぬ結果として、この人工知能システムは、ペーパークリップを製造するという目的のために人類を滅ぼす可能性があります。
パラメータ: LLM の構造と動作を与え、予測を可能にする数値。
刺激する： 回答を得るために AI チャットボットに入力する提案や質問。
クイックスレッド: 以前の対話からの情報を使用して将来の応答を形成する AI の機能。
ラピッドエンジニアリング: 執筆プロセスは、AI が望ましい結果を達成するように導きます。非常に具体的なテキストを含む、思考連鎖の指示やその他のテクニックを組み込んだ詳細な指示が必要です。
即時注入: 悪意のある者が悪意のある命令を使用して AI をだまして、本来行われていないことを実行させる場合。これは多くの場合、これらの指示を Web ページまたはドキュメントに隠すことで実現されますが、直接 AI チャットで行うこともできます。 AI エージェントがインターネット上を歩き回ると、機密データへのアクセスなどを行うためにハイジャックされるリスクが高まります。
量子化: LLM の精度を下げることで、LLM をより小さく効率的にする (また、精度もわずかに低下する) プロセス。これについて考える良い方法は、16 メガピクセルの画像と 8 メガピクセルの画像を比較することです。どちらも鮮明に表示されますが、高解像度の画像はズームインするとより詳細に表示されます。
スループ: AI によって生成されたテキスト、画像、ビデオなどの低品質のコンテンツ。多くの場合、ほとんど労力や労力をかけずにビューを獲得し、検索結果やソーシャル メディアを飽和させて広告収入を獲得し、実際の広告主やクリエイターの仕事を置き換え、インターネットの誤った情報の問題を増大させるために大量に作成されます。
確率的オウム: 大学院生は、その成果がどれだけ説得力のあるものであっても、その言語や世界についての本当の理解を欠いていることを示すアナロジーです。このフレーズは、オウムが人間の言葉の背後にある意味を知らずに模倣する様子を指します。
転送スタイル: ある画像のスタイルを別の画像のコンテンツに一致させる機能。これにより、AI が 1 つの画像の視覚的属性を解釈して、それを別の画像に適用できるようになります。たとえば、レンブラントの自画像をピカソ風に再現するなどです。
世辞： AI はユーザーの意見に同調するためにユーザーに過剰に同意する傾向があります。多くの AI モデルは、理論的根拠に欠陥がある場合でも、ユーザーとの意見の相違を避ける傾向があります。
合成データ: 現実世界のソースからではなく、独自に処理されたデータから生成 AI によって生成されるデータ。数学モデル、機械学習、深層学習のトレーニングに使用されます。
温度： パラメーターは、言語モデルの出力のランダム性を制御するために定義されます。温度が高いほど、モデルがより多くのリスクを負うことを意味します。
トークン: AI 言語モデルが処理して、指示に対する応答を定式化する、書かれた小さなテキスト。トークンは、英語の 4 文字にほぼ相当します (つまり、短い単語、または大きな単語の一部)。
トレーニングデータ: AI モデルの学習を支援するために使用されるデータセット (テキスト、画像、コード、データなど)。
変圧器モデル: 文章や画像の一部など、データ内の関係を追跡することでコンテキストを学習するニューラル ネットワーク アーキテクチャとディープ ラーニング モデル。そのため、一度に 1 単語ずつ文を解析する代わりに、文全体を見て文脈を理解することができます。
チューリングテスト: 基本的な電子コンピューターが登場してまだ数年しか経っていなかった 1950 年に、数学者アラン チューリングによって提案された、コンピューターが人間のような知能を持っているかどうかを評価する方法。ある人は、入力した質問を 2 人の目に見えない応答者 (1 人は人間、もう 1 人は機械) に送信します。機械のテキスト応答が人間の応答と区別できない場合、その機械はチューリング テストに合格したことになります。
教師なし学習: ラベル付きトレーニング データがモデルに提供されず、代わりにモデルがデータ自体のパターンを識別する必要がある機械学習の形式。
アンビエントコーディング: 人間がコードの各行を手作業で実行する代わりに、AI チャットボットに平易な言語のプロンプトを与えることでコンピューター コードを作成する手法。
弱い人工知能、つまり狭い人工知能: 特定のタスクに焦点を当て、そのスキルセットを超えて学習することができない人工知能。現在のほとんどの AI は弱い AI です。
ゼロショット学習: 必要なトレーニング データを受信せずにモデルがタスクを完了する必要があるテスト。例としては、トラのみを対象としたトレーニング中にライオンを識別することが挙げられます。