AI三大核心要素解析

检索增强生成=检索+语言模型

知识有时效性；缺乏特定领域知识；结果难以解释，真假难辨；存在知识幻觉

检索增强：外部知识库，提供上下文context（外挂知识库--文档、知识图谱：图数据库、ES数据库、Milvus数据库）

知识更新便捷：只需更新知识库

通过用户输入，混合检索外挂知识库，合并上下文、历史聊天，构造prompt，输出给LLM，最终LLM给出回复

算法是三个核心要素中最重要的，没有算法的突破，AI不可能发展至今，算法的突破主要归功于深度学习相关进展，借鉴人类思考方式，通过多层次神经网络实现。

现在几乎所有AI算法都基于深度学习或其变种。常见算法如下

人工智能常用算法之一，使系统从数据中学习改进。常见机器学习算法包括决策树、支持向量机、朴素贝叶斯、逻辑回归、随机森林、神经网络等。

机器学习分支，模拟人脑神经元连接和信号传递。深度学习在处理大规模数据和复杂任务上表现出色，如图像识别、语音识别、自然语言处理等。常见深度学习算法包括卷积神经网络、循环神经网络、长短期记忆网络(LSTM)等。

强化学习是一种通过观察环境和采取行动来学习最优策略的算法。它通过与环境交互，根据行动结果获得奖励或惩罚，从而学习如何做出最佳决策。著名强化学习算法包括Q-learning、Deep Q-Network(DQN)、策略梯度等

生成对抗网络是一种深度学习框架，由两个对抗神经网络组成，分别是生成器(Generator)和判别器(Discriminator)。生成器学习从随机噪声生成与训练数据相似的新样本，而判别器尝试区分生成器生成的样本和真实训练数据。生成器和判别器通过对抗学习不断改进，最终生成器可以生成更逼真的样本，判别器也变得更准确。生成对抗网络常用于生成图像、语音、文本等内容，也可应用于数据增强、生成对抗攻击等领域。

除上述算法，还有许多其他AI算法，如遗传算法、支持向量回归、马尔科夫决策过程等，每种算法都有适用场景和特点。AI发展也涌现了许多新算法和技术，不断推动AI进步和应用。

算力

算力指计算机处理能力，由于深度学习算法涉及大量参数(不同功能AI算法参数数量不同

的)，有的AI算法参数达几百亿。需要通过训练调整AI各参数，因此计算量大，需高性能计算机实现。同时神经网络算法可并行计算，采用支持并行计算处理器实现AI训练有优势。算力成为推动AI技术进步的重要因素。AI常用算力如下：

CPU(Central Processing Unit)：计算机中央处理器，负责执行程序指令和逻辑运算。在AI中，CPU用于处理一般计算任务和控制计算机系统运行。

GPU(Graphics Processing Unit)：专门用于图形处理的处理器，具有高度并行计算能力。在AI中，GPU广泛应用于深度学习任务，因为深度学习模型中的矩阵运算和神经网络计算可并行在GPU上进行，大幅加速计算。

TPU( Tensor Processing Unit )：谷歌开发的专用于加速机器学习任务的处理器。TPU针对机器学习任务需求优化，特别适用于大规模高效张量计算，如神经网络前向和反向传播。

分布式计算：一些需处理大规模数据和复杂任务场景中，AI系统利用分布式计算资源，将计算任务分配给多个计算节点并行处理，提高计算效率和处理能力，加快训练和推理速度。

云计算：云计算平台提供弹性和可扩展计算资源，使用户按需获取所需算力。通过云计算，AI开发者可根据需求动态调整计算资源规模和配置，适应不同任务和工作负载。

数据

数据用于训练AI，即AI算法通过大量数据学习AI中算法参数与配置，使AI预测结果

与实际情况越吻合。用于AI的数据越多，AI算法能力越强。这里说的数据是指经过标注的数据，不是杂乱数据。所谓经过标注的数据是指有准确答案的数据。比如要训练A!的识别手写数字能力，必须有很多写了数字图片，同时每张图片上的数字有准确标准答案。AI训练过程就是让计算机去识别图中数字并与标准答案比较，经反复调整，AI就可非常准确识别其中数字。数据在AI中不可或缺，是培养和训练机器学习和深度学习模型关键资源。数据价值体现在以下几个方面:

训练模型：数据是训练模型基础，通过大量数据训练模型可提高其准确性和性能。高质量多样化数据可帮助机器学习算法发现数据模式和规律，从而更好进行预测、分类、决策等任务。

支持决策和洞察：数据提供对现实世界深入了解和洞察，帮助人们做更明智决策。通过分析和挖掘数据，可发现潜在趋势关联和模式，为企业和组织提供业务决策依据。

创新和发现：数据促进创新和发现。通过对数据分析和挖掘，人们可发现新见解、新关系，并从中获得新想法和创新

数据