算法：一套計算機要遵循的指令。一個算法可以是一個簡單的單步程序也可以是一個復雜的神經網絡，但是通常被用來指一個模型。

人工智能：這是一個統稱。廣義上說，軟件意味著模仿或取代人類智能的各個方面。人工智能軟件可以從圖像或文本、經驗、進化或其他研究人員的發明等數據中學習。

計算機視覺：人工智能研究探索圖像和視頻識別和理解的領域。這個領域從了解蘋果的外觀，到蘋果的功能用途，以及與之相關的理念。它是被用作自動駕駛汽車、谷歌圖像搜索以及Facebook上自動貼標簽的主要技術。

深度學習：一個神經網絡被分層來理解數據中的復雜模式和關系的領域。當一個神經網絡的輸出成為另一個神經網絡的輸入時，有效地將它們疊加起來，由此產生的神經網絡就是“深度”了。

普通智力：有時被稱為“強人工智能”，一般智能將能夠在不同的任務中學習和應用不同的想法。

生成式對抗網絡：這是一個包含兩個神經網絡的系統，一個是用來生成輸出的，另一個是用來檢驗這個輸出的質量是否是想要的輸出的神經網絡。例如，當試圖生成一個蘋果的圖片時，生成器將生成一個圖像，而另一個(稱為鑒別器)如果不能識別圖像中的一個蘋果，會使生成器再次嘗試生成。

機器學習：機器學習(ML)常常與術語人工智能結合在一起，是使用算法從數據中學習的慣例。

模型：模型是一種機器學習算法，它可以建立自己對某一主題的理解，或者它自己的世界模型。

自然語言處理：用於理解語言中思想的意圖和關系的軟件。

神經網絡：通過連接起來的數學方程式的網絡，模擬大腦處理信息的方式以建立起來的算法。提供給神經網絡的數據被分解成更小的塊並根據網絡的復雜性分析其基礎模式成千上萬次。當一個神經網絡的輸出被輸入到另一個神經網絡的輸入時，這兩個神經網絡就會鏈接到一起成為分層，成為一個深層的神經網絡。通常，深度神經網絡的層會分析越來越高的抽象層的數據，這意味著，在得到最簡單和最準確的數據表示之前，它們會將有用數據從沒有必要的數據中提取出來。

卷積神經網絡：一個主要用來識別和理解圖像、視頻和音頻數據的神經網絡，因為它能夠處理密集的數據，比如數百萬像素的圖像或數千個音頻文件樣本。

遞歸神經網絡：一種用於自然語言處理的神經網絡，它可以周期性地、連續地分析數據，這意味著它可以處理像單詞或句子這樣的數據，同時在句子中保持它們的順序和上下文。

長短期記憶網絡：一種周期性的神經網絡的變體，它的是用來根據數據來保留結構化的信息。例如，RNN可以識別句子中的所有名詞和形容詞，檢查它們是否被正確使用，但LSTM可以記住一本書的情節。

強化學習：一種能夠從經驗中學習的深度學習算法。是可以控制環境的某些方面的算法，比如視頻遊戲的角色，然後通過反復試驗和錯誤來學習。由於它們是高度可重復的，作為三維世界的模型，並且已經在電腦上玩了，許多強化學習的突破都來自於玩視頻遊戲的算法。在DeepMind的AlphaGo中，RL是機器學習的主要類型之一，它在圍棋中擊敗了世界冠軍Lee Sedol。在現實世界中，在網絡安全等領域已經證明了這一點，軟件學會了欺騙反病毒軟件，使其認為惡意文件是安全的。

超級智能：比人腦還要更強大的人工智能。很難定義它因為我們仍然無法客觀地衡量人類的大腦能做什麽。

監督式學習：在被訓練的過程中，給其提供的數據是已經組織好的、已經被貼好標簽的機器學習。如果你正在建立一種監督式的學習算法來識別貓，你就可以在1000張貓的圖片上訓練這個算法。

訓練：通過提供數據來讓算法學習的過程。

無監督學習：機器學習算法的一種，沒有給出任何關於它應該如何對數據進行分類的信息，並且必須找到它們之間的關系的算法。像Facebook LeCun這樣的人工智能研究人員將無人監督的學習視為人工智能研究的聖杯，因為它與人類自然學習的方式非常相似。“在無人監督的學習中，大腦比我們的模型好得多”，LeCun告訴IEEE光譜，“這就意味著我們的人工學習系統缺少了一些非常基本的生物學習原理”。

功能性AI術語表