AIGC 核心知识可视化
知识图谱 (Knowledge Graph)
定义: 一种用节点和边表示实体、概念及其关系的结构化知识表示方法。
知识图谱直观地展示了AIGC领域中各个概念之间的复杂关联。节点代表核心概念（如AI、机器学习、生成式模型等），边代表它们之间的关系（如”是…的子领域”、”是…的基础”、”应用于”等）。通过这种可视化方式，我们可以清晰地理解AIGC生态系统中各组成部分的相互依赖和影响。
信息图 (Infographic)
定义: 一种以视觉形式呈现信息、数据或知识的图表，旨在快速清晰地传达复杂信息。
信息图版本更注重信息的静态展示和层次布局，通过精心设计的视觉元素来强调AIGC领域的关键概念和技术。它不像知识图谱那样强调网络关系，而是更注重信息的分类组织和传达效率，帮助读者快速把握AIGC领域的核心知识框架。
树状图 (Tree Diagram)
定义: 一种用树状结构表示层级关系的图表，其中根节点位于顶部，子节点向下分支。
树状图清晰地展示了AIGC领域中概念的层级结构和分类体系。以人工智能为根基，向下分支展开机器学习、深度学习等子领域，再进一步细分到具体的模型和应用。这种层级展示方式有助于理解AIGC技术的发展脉络和知识体系的组织结构。
知识要点总结
| 知识点 | 定义 | 关联 |
|---|---|---|
| 人工智能 (AI) | AIGC的基础，模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学。 | 机器学习、深度学习、NLP、CV和AIGC的上层领域 |
| 机器学习 (ML) | 人工智能的一个子领域，算法通过学习数据模式来进行预测或生成内容。 | AI的子集，深度学习的父领域，用于创建生成式模型、LLM等 |
| 生成式模型 | 专注于创建新内容的机器学习模型，例如图像、文本、代码、音乐等等。 | ML模型的一种，包括扩散模型、LLM等，AIGC的核心 |
| 深度学习 | 利用人工神经网络学习复杂模式的一种机器学习技术，是当代AIGC发展的核心驱动力量。 | ML的子领域，LLM、现代CV、生成式模型的核心技术 |
| 自然语言处理 (NLP) | 研究计算机如何理解、处理和生成人类语言的领域，对于文本生成至关重要。 | AI的分支，对LLM、文本到图像/视频转换等至关重要 |
| 计算机视觉 (CV) | 研究计算机如何”看见”和理解图像和视频，是图像/视频生成工具的关键技术。 | AI领域内的分支，文本到图像、视频生成的关键技术 |
| 大型语言模型 (LLM) | 通过海量文本数据训练的庞大AI模型，能够生成令人惊讶的类人文本、进行翻译、写作不同风格的内容等等。 | AI/深度学习模型的一种，依赖NLP和大型语料库 |
| 语言模型 (LM) | LLM的基础，可以根据上下文预测下一个单词是什么。 | LLM的基础概念，用于语音识别、翻译等NLP任务 |
| 文本转图像 | 根据描述性文本提示生成图像的AIGC工具。 | AIGC的应用，使用生成式模型、NLP和CV技术 |
| 扩散模型 | 许多流行AIGC工具的核心，是一种强大的图像生成模型。 | 生成式模型的一种，基于深度学习，是现代文本到图像系统的核心技术 |
| 语料库 | 训练LLM所需的海量文本数据，质量和规模会直接影响模型的性能。 | 训练LM和LLM的基本数据资源，用于NLP研究 |
| 预训练 | 在执行特定任务之前，先用通用语料库训练LLM的基本能力，例如学习语法、句法和语义等方面的一般知识。 | 训练LLM和其他大型深度学习模型的关键步骤，使用大型语料库 |
| 微调 | 在预训练的基础上，针对特定任务进行微调，让LLM能够更好地完成该任务。 | 大型模型工作流程中跟随预训练的步骤，是迁移学习的一种形式 |
| GPT | 一种流行的LLM架构，利用注意力机制来处理长序列文本数据。 | LLM的特定类型/架构，基于深度学习（Transformer），是许多文本生成AIGC应用的基础 |
| AI视频生成 | 使用AI技术根据文本描述或其他输入自动生成视频内容。 | AIGC的应用，基于文本到图像技术，使用生成式模型、NLP、CV和深度学习 |
| 文生视频 | 利用人工智能技术根据文本描述自动生成视频内容。 | AI视频生成和AIGC的子领域，严重依赖LLM/NLP和复杂生成模型 |
| 检索增强生成 (RAG) | 一种AI框架，通过在生成响应前从外部知识库检索事实来增强生成模型（LLM）。 | 改进LLM性能和可靠性的技术，将LLM连接到外部数据源 |
| AI工作流 | 使用AI组件自动化任务或辅助用户的预打包示例或编排流程。 | AI/AIGC的应用模式，结合各种AI技术解决业务问题或提高效率 |
| 少样本学习 (FSL) | 一种机器学习框架，使AI模型能够仅通过几个训练示例就泛化到新类别/任务。 | ML的子领域，与零样本学习和传统监督学习形成对比 |
| 零样本学习 (ZSL) | 一种AI场景，预训练模型可以识别/分类训练期间未见过的概念，通常使用辅助信息（如属性或描述）。 | ML的子领域，与FSL相关但不需要目标类的示例 |
| 提示词工程 | 设计和优化输入提示（文本指令）以引导大型语言模型或其他生成式AI模型产生所需输出的过程。 | 有效使用LLM和其他AIGC工具的基本实践 |
| 提示词 | 用来引导大型语言模型或其他生成模型生成内容的文本指令或短语。 | 与许多生成式AI模型交互的主要接口，提示词工程的核心主题 |
| 链式推理 (CoT) | 通过分步式提示，引导LLM完成复杂的任务，就好似链条般一步步推理得出结果。 | 提示词工程中的特定技术，特别有效地改进LLM中的推理 |
| 知识蒸馏 | 一种模型压缩方法，将一个大型、复杂的”教师”模型的知识迁移到一个小型、轻量级的”学生”模型中。 | 用于模型压缩和迁移学习的高级ML技术 |
| 对抗性提示 | 提示词工程中的一个主题，专注于寻找导致LLM表现出不良行为的提示。 | 专注于LLM安全性和鲁棒性的提示词工程子领域 |
| 提示词泄露 | 一种安全漏洞，攻击者通过特定输入诱导模型泄露其自身的系统提示或指令。 | 对抗性提示攻击的一种特定类型，专注于提取模型的指令 |
| CLIP模型 | 由OpenAI开发的一种模型，通过自然语言监督学习视觉概念，将文本和图像连接在共享嵌入空间中。 | 特定的深度学习模型，许多现代文本到图像系统的关键组件 |