online gambling singapore online gambling singapore online slot malaysia online slot malaysia mega888 malaysia slot gacor live casino malaysia online betting malaysia mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 矽谷熱詞Vibe coding是什麼意思?NLP、神經網路⋯AI詞彙懶人包

摘要: 常常看到介紹AI的文章會提到像是NLP、參數、神經網路等的詞彙,這些是什麼意思?矽谷最新熱議的詞Vibe coding又代表什麼?

 


0000

近年來,人工智慧(AI)技術的崛起,改變了許多人的工作與生活方式。從日常使用的AI聊天機器人,或是企業自行導入的AI系統等,都為大家的生活帶來全新的面貌。 大型科技公司在推出新的AI模型時,或是看到介紹AI的文章,往往都會提到像是NLP、參數、神經網路等的詞彙,這些詞彙是否也常讓你看得雲裡霧裡? 本文將介紹幾個AI應用中常見的詞彙:自然語言處理(NLP)、參數、Vibe Coding、提示工程、神經網路以多模態技術。透過認識這些原理,或許能更好地理解AI是如何學習和解決問題。

NLP(Natural language processing)自然語言處理

NLP(自然語言處理)是AI技術的一個分支,它能幫助電腦像人類一樣理解、處理或生成語音和文字,像是蘋果Siri、亞馬遜Alexa虛擬助理,背後所運用的也是NLP技術。 傳統上,人類與電腦溝通需要使用特定的程式語言,如Java、CSS或Python等。這些「程式語言」是為了讓人類能夠精確指示電腦執行任務而開發的。然而,在日常生活中,大多數人並不具備撰寫程式的能力來告訴電腦「我想做什麼」。因此,自然語言處理就像是教導電腦理解人類語言。透過NLP,電腦不僅能夠理解口語指令,還能解讀書面文本、辨識說話語氣,甚至與人類進行自然流暢的對話。 為了做到這些,電腦需要學習很多東西,像是語言的規則、識別手寫文字、理解上下文關係,以及如何產生自然的回應等。 這就是為什麼,當你告訴Siri「我很難過」,Siri可能會建議你給朋友打電話,或是推薦你一些可以改善情緒的方法。

參數(parameters)

在AI模型中,參數(Parameters)是指模型內部的可調整變數,這些變數在訓練過程中通過資料學習而獲得。它們對模型的預測能力和性能有直接影響,參數的數量會大幅度的影響AI模型的能力。 舉例來說,老師的腦海中有著豐富的「教學知識庫」。知識庫包含了學科的專業知識、教學方法、學生學習特點、問題解答技巧等。當學生提出問題時,老師能根據學生的學習程度和需求,快速從腦海中提取出最適合的知識和方法,給予恰當的指導。 在AI領域,教學知識庫就如同模型的參數。AI模型透過大量的數據訓練,學習並掌握各種模式和規律,這些學習成果最終都轉化為模型的參數。參數越多,代表模型學習到的知識越豐富,也就能處理更複雜的任務。 例如,一個能翻譯多國語言的AI模型,它的參數就包含了各種語言的詞彙、語法規則、上下文關係等。當你輸入一段文字時,模型會運用參數分析文本,並將其翻譯成需要的語言。

Vibe coding(氛圍編碼)

Vibe coding由Open AI的共同創辦人Andrej Karpathy提出,是一種利用AI工具來簡化程式設計過程的開發方式。 Vibe coding允許使用者採用自然語言描述開發需求,由AI生成程式碼,從而減少手動撰寫程式碼的繁瑣工作,提升開發效率,降低技術門檻。 Andrej Karpathy也提到,過程中他使用AI語音轉文字工具Superwhisper來跟Composer互動。這讓他「幾乎不用碰鍵盤」就能完成程式。 不過,Andrej Karpathy表示Vibe coding不太算是真正意義的撰寫程式,「我只是看到東西、說出東西、執行東西、複製貼上,而它基本上都能運作。」

提示工程(prompt engineering)

使用AI時,提示工程就像是成為AI的老師,扮演「引導者」的角色,就像老師引導學生思考後,給出正確的答案。提示工程的目標,就是透過精心設計的「提示詞」,引導AI模型發揮最佳效能,產出高品質的結果。 例如,當我們希望AI模型撰寫一篇關於「氣候變遷」的文章時,在不同的身分與角度,可能會給出不一樣的提示詞: 「請撰寫一篇關於氣候變遷的文章,重點探討其對台灣的影響,並提出可能的解決方案。」 「請以一位高中生的角度,撰寫一篇關於氣候變遷的短文,並包含至少三個具體的例子。」 「請模擬一位氣候科學家的口吻,撰寫一篇關於氣候變遷的科普文章。」 提示詞越清晰與完整,AI模型越能精準地理解任務需求。透過不斷地優化提示,才能讓AI模型更有效地學習和理解,進而產出更優質的結果。

神經網路(Neural networks)

神經網路是一種讓電腦能夠「學習」的技術,就像人類學習新事物一樣。 一個小朋友要如何認識「狗」?他看過狗的照片、聽大人說「這是狗」、觀察狗的眼睛、耳朵、尾巴等特徵、在書本或電視上看到狗... 每次看到狗,孩子的大腦會自動將組成「狗」的特徵聯繫起來,例如狗會吠、會搖尾巴等。漸漸地,小朋友的腦中就建立了「狗」的完整形象,即使看到一隻與之前看過,但不相同的狗,也能正確辨認。 神經網路就是以類似方式運作。我們不需要告訴電腦「狗會吠」或「狗會搖尾巴」這樣的訊息,只需提供大量標記為「狗」的照片及資料,讓它自行發現哪些特徵組合最能代表「狗」。在每次學習的過程中,逐漸提高辨識「狗」的準確度。 傳統程式就像是一本詳細的規則手冊,電腦必須嚴格按照規則執行。而神經網路更像一個善於學習的學生,透過大量的例子來學習,並從經驗中找出規則,使其做出更接近人類的判斷合決策。

多模態(multimodal)

大型AI公司越來越專注於「多模態」系統的開發,這類系統能夠處理和回應包含文字、圖像和音訊等各種輸入。例如,你可以ChatGPT聊天並得到語音回覆,或者向它展示一個數學問題的圖片並尋求解答。 這種多模態的互動方式不僅提升了AI產品的可用性,也讓人們與AI的互動時有更多的選項。

轉貼自: bnnext.com

若喜歡本文,請關注我們的臉書 Please Like our Facebook Page: Big Data In Finance


留下你的回應

以訪客張貼回應

0
  • 找不到回應

YOU MAY BE INTERESTED

Popular Tags