| 术语 | 一句话 | 类别 | 主要对象 |
|---|---|---|---|
| GAN | 让生成器与判别器相互较量来生成新数据的深度学习模型 | 生成模型 | 图像等数据 |
| 敵対的生成ネットワーク | GAN 在日语中的正式名称 | 名称 | 图像等数据 |
| LLM | 从海量文本中学习、续写文本的生成式 AI 模型 | 生成模型 | 文本 |
| 大規模言語モデル | LLM 在日语中的正式名称 | 名称 | 文本 |
| プロンプトエンジニアリング | 通过改进交给 AI 的指令文本来获得符合目的的输出的技巧 | 使用技巧 | 给 AI 的指令文本 |
GAN（生成对抗网络）是一种深度学习模型：让制造假数据的生成器与试图分辨真假的判别器相互较量着学习，最终生成与真实数据相似的新数据。
生成器朝着更难被识破、判别器朝着更容易识破的方向再学习，如此反复。
生成器以随机数为起点制造数据，判别器则对照真实数据与生成器的数据作出判断。根据判断结果，生成器改进做法让自己更难被识破，判别器改进眼光让自己更容易识破。经过反复较量，生成器就能做出与真品难以区分的数据。
类比就像造假画的画师和鉴定师互相比拼：鉴定师的眼光越毒，画师的作品也越接近真迹。
记法首字母分别是 G = Generative（生成）、A = Adversarial（对抗）、N = Network（网络），由这 3 个字母就能拼回完整名称。
考点
生成对抗网络（敵対的生成ネットワーク）是 GAN（Generative Adversarial Network）在日语中的正式名称。
“对抗”表示生成器与判别器互相想要胜过对方的竞争关系，“生成”表示创造新数据这一目的。名称的每个部分都直接对应着机制的要点。
记法英语是 Generative（生成）在前，日语译名则是“对抗”（敵対的，字面意为“敌对的”）在前，词序正好相反。
考点
LLM（大语言模型）是一种生成式 AI 模型，它学习海量文本，能接着给定的句子写出自然的后续文字。
把加长后的句子作为新的输入重复同样的步骤，写出完整的文章。
它是把用概率预测句中下一个词的语言模型做到超大规模的产物。先用涵盖广泛领域的大量数据进行学习（预训练），使其具备通用能力，之后还可以通过追加学习（微调）让它适应特定用途。像这样成为众多用途之基础的模型，称为基础模型。
类比就像一个读过无数本书的人，看到写了一半的句子，就能顺手写出像模像样的下文。
记法开头的 L 是 Large，和衣服 L 码一样，表示“大”。
考点
| 比较点 | GAN（生成对抗网络） | LLM（大语言模型） |
|---|---|---|
| 关键学习方式 | 让生成器与判别器相互较量 | 用大量文本学习预测下一个词 |
| 主要生成内容 | 图像等数据 | 文本 |
| 正式名称 | 生成对抗网络 | 大语言模型 |
大语言模型（大規模言語モデル）是 LLM（Large Language Model）在日语中的正式名称。
“语言模型”指用概率表示词与词衔接可能性的模型，“大规模”指用于学习的文本量以及在学习中被调整的内部数值（参数）的数量都极其庞大。正因规模变大，它才能胜任回答问题、摘要、翻译等多种语言工作。
记法“语言模型”是早就存在的技术名称，新意在于前面加上的“大规模”。
考点
提示工程（プロンプトエンジニアリング）是通过改进交给生成式 AI 的指令文本（提示词）的写法，来获得符合目的的输出的技巧。
改写指令以补足欠缺之处，再交给 AI 一次。
即使是同一个模型，输出质量也会因指令的具体程度和前提的交代方式而大不相同。常见的做法有：一开始就说明让 AI 扮演什么角色、把任务拆成小步骤来提出、指定用表格或分条列表的形式作答等。人们也常常一边看输出一边修改指令，反复尝试多次。
类比就像第一次请人帮忙做事时，把目的、期限乃至成品的样子都交代清楚，拿回来的结果就会更接近期望。
记法prompt 和舞台上小声给演员提词的“提词员”（prompter）同源，在这里指人向 AI 递上一句引出下文的话。
考点
从本单元的过去问中选 2 题
开始做确认题