人工智能 (AI) 包含许多复杂的新兴技术，这些技术曾经需要人工输入，现在可由计算机执行。计算机可以执行一些高级功能，过去被用于理解和推荐信息。现在，借助 AI，计算机甚至可以生成新内容。
“AI”是 AI 的首字母缩写词，用来表示构成 AI 领域的各种技术类型。
常见 AI 概念
定义人工智能和机器学习的术语和概念中，有一些可能很有用。下面列举了一些如何在实践中运用 AI 技术
通用 AI
从广义上讲，通用 AI 是一种非人类的程序或模型，可展示广泛的问题解决能力和创造力。model是一个非常大的数学方程式，其中包含机器返回输出所需的一组参数和结构。
借助通用 AI，您可以执行多种类型的任务，例如分析数据、翻译文本、创作音乐、识别疾病，等等。
窄 AI
Narrow AI 是一种可以执行单项或特定任务子集的系统。例如，一台与人类对手下国际象棋的计算机（不要与机械土耳其混淆）。窄 AI 具有一组预定义的参数、约束条件和上下文，它们看起来像是理解，但实际上只是一个等式的答案。
在实际使用人脸识别系统、语音助理和天气预报时，您可能会看到这种情况。您可以使用高度具体的模型来改进网站和应用中某些特定的功能。
例如，您构建了一个电影专用网站，用户可以在其中登录、为自己喜爱的电影评分以及发现要观看的新电影。您可以使用预填充的数据库，根据电影正在访问的当前页面推荐电影。或者，您也可以使用狭窄的 AI 模型来分析用户行为和偏好设置，以显示与该读者最相关的信息。
生成式 AI
大语言模型 (LLM) 是一种神经网络 AI 模型，其中包含许多参数，可用于执行各种任务，如生成、分类或总结文本或图片。
生成式 AI 会根据 LLM 的上下文和记忆来响应输入并创建内容。这不仅仅是模式匹配和预测。一些最常见的生成式 AI 工具包括：
这些工具可以撰写文章散文、代码示例和图片。它们可以帮助您计划度假，使电子邮件的语气变得柔和或专业，或将不同的信息集进行分类。
对于开发者和非开发者，用例不计其数。
机器学习 (ML)
机器学习 (ML) 是 AI 的一种形式，即计算机无需显式编程即可进行学习。如果 AI 致力于生成智能，机器学习可让计算机从经验中学习。机器学习由用于对数据集进行预测的算法组成。
机器学习是训练模型以做出有用的预测或从数据生成内容的过程。
例如，假设我们想创建一个网站，为任意一天的天气评分。通常来说，这可以由一位或多位气象学家完成，他们能够呈现地球的大气层和表面，计算和预测天气模式，并通过将当前数据与历史背景进行比较来确定评级。
相反，我们可以为机器学习模型提供大量天气数据，直到该模型学习天气模式、历史数据以及决定特定日期好坏天气的准则之间的数学关系。事实上，我们已经在网络上构建这种方法。
深度学习
深度学习 (DL) 是一类机器学习算法。例如，深度神经网络 (DNN) 尝试模拟人脑处理信息的方式。
AI 面临的挑战
在构建和使用 AI 时，会遇到一些挑战。以下是您应该考虑的一些要点。
数据质量和新近度
用于训练各种 AI 模型的大型数据集往往会在使用后不久就过时。这意味着在寻找最新信息时，您可以受益于提示工程，以提高 AI 模型在特定任务上的性能并产生更好的输出。
数据集可能不完整或过小，无法有效支持某些用例。您可以尝试使用多个工具或自定义模型来满足您的需求。
对道德和偏见的担忧
AI 技术令人兴奋，且具有巨大的潜力。但归根结底，计算机和算法都是由人类构建的，基于可能由人类收集的数据进行训练，因此会面临诸多挑战。例如，模型可能会学习和放大人为偏见和有害的成见，直接影响输出。以缓解偏差作为优先事项的 AI 技术构建工作非常重要。
对于 AI 生成内容的版权，需要考虑许多道德因素；谁拥有输出内容，特别是在受到受版权保护的材料严重影响或直接复制而来的情况下？
在生成新内容或新创意之前，请考虑有关如何使用您创作的材料的现有政策。
安全和隐私设置
许多 Web 开发者表示，在使用 AI 工具时，隐私和安全是他们最关心的问题。在具有严格数据要求的商业环境（例如政府和医疗保健公司）中尤其如此。使用 Cloud API 将用户数据公开给更多第三方是一个问题。保证安全传输并持续监控至关重要。
设备端 AI 可能是解决这些使用场景的关键。 MediaPipe 是一个正在努力解决的问题解决方案，但还有更多的研究和开发要完成。
开始在 Web 上使用 AI
现在，您已经熟悉了多种类型的人工智能，可以开始考虑如何使用现有模型来提高效率并构建更好的网站和 Web 应用。
您可以使用 AI 来：
- 改进网站搜索的自动补全功能。
- 使用智能相机检测是否存在常见物体（例如人类或宠物）
- 使用自然语言模型处理垃圾评论。
- 为代码启用自动补全功能，从而提高工作效率。
- 通过针对下一个字词或句子的建议，打造所见即所得撰写体验。
- 提供直观易懂的数据集说明。
- 更多其他应用…
预训练的 AI 模型可以有效地帮助提高我们的网站、Web 应用和效率，而无需您全面了解如何构建数学模型以及收集为热门 AI 工具提供支持的复杂数据集。
您可能会发现，大多数模型都可以立即满足您的需求，而无需进一步调整。调优是采用已基于大型数据集训练的模型并进行进一步训练以满足您的特定使用需求的过程。有多种技术可以对模型进行调参：
- 基于人类反馈的强化学习 (RLHF)是一种利用人类反馈来提高模型与人类偏好和意图的一致性的技术。
- 低秩自适应 (LoRA) 是一种适用于 LLM 的高效参数方法，可减少可训练的参数的数量，同时保持模型性能。