登录

百科

大模型 · 万物互联 · 人工智能的结构化知识库。人人可阅读、可贡献、可追溯。

+ 贡献词条 词条编辑指南

学科分类

大语言模型 强化学习 决策、策略优化、奖励建模与博弈。 多模态与AIGC 智能体Agent 自主规划、工具调用、多智能体与具身/机器人。 万物互联 IoT AI伦理与治理 安全对齐、公平性、隐私、法规与治理。 人工智能基础 AI芯片与算力 AI 加速芯片、集群、算力基础设施与能效。 自然语言处理 AI行业应用 医疗、金融、制造、科研等垂直行业的 AI 落地。 计算机视觉 数据集与基准 训练语料、评测基准与公开数据集。 机器学习 框架与工具 训练/推理框架、向量库、Agent 工具链。 深度学习 知识图谱与推理 知识图谱、符号推理与神经-符号结合。

最新收录

SAC 技术

SAC 在 Actor-Critic 中加入最大熵正则：最大化回报+熵，提升探索与鲁棒性，2018 年提出后成为连续控制领域最稳健的样本高效算法。

EN：Soft Actor-Critic 2026-08-23

DDPG 技术

DDPG 结合 DQN 与确定性策略梯度，用 Actor 输出连续动作、Critic 评估，配合经验回放与目标网络，是连续控制深度 RL 的开山算法（2016）。

EN：Deep Deterministic Policy Gradient 2026-08-23

PPO 技术

PPO 通过裁剪概率比限制每次策略更新幅度，兼顾 TRPO 的稳定性与实现的简单性，2017 年提出，是 RLHF（ChatGPT 对齐）与机器人强化学习的默认算法。

EN：Proximal Policy Optimization 2026-08-23

演员-评论家 技术

演员-评论家（Actor-Critic）由策略网络（Actor）与价值网络（Critic）组成，Critic 评估动作好坏降低策略梯度方差，是 PPO、SAC、DDPG 等现代 RL 算法的共同骨架。

EN：Actor-Critic 2026-08-23

深度Q网络 技术

DQN 用深度网络逼近 Q 函数，配合经验回放与目标网络稳定训练，2015 年以人类级表现玩 Atari 游戏，开启深度强化学习时代。

EN：Deep Q-Network 2026-08-23

Q学习 技术

Q-learning 是 1989 年 Watkins 提出的离策略时序差分算法，通过 Q(s,a)←Q+α[r+γmax Q(s',·)-Q] 逼近最优动作价值，是表格与深度 RL（DQN）的共同基石。

EN：Q-Learning 2026-08-23

策略梯度 技术

策略梯度直接对策略参数求奖励期望的梯度并更新，天然支持连续动作与随机策略，REINFORCE 是基础，配合基线（baseline）降方差，PPO/TRPO 是其进阶形态。

EN：Policy Gradient 2026-08-23

马尔可夫决策过程 概念

马尔可夫决策过程（MDP）是强化学习的数学框架：(S,A,P,R,γ)，状态转移满足马尔可夫性质，目标是最大化期望折扣累积奖励，几乎所有 RL 问题都建模为 MDP。

EN：Markov Decision Process 2026-08-23

深度强化学习 概念

深度强化学习用深度神经网络作为价值/策略函数逼近器，2015 年 DQN 在 Atari 上超越人类，开启现代 RL 时代，AlphaGo、机器人学习与大模型对齐都建立其上。

EN：Deep Reinforcement Learning 2026-08-23

强化学习 概念

强化学习（RL）让智能体通过与环境交互、试错获得累积奖励最大化策略，是继监督/无监督之外的第三大学习范式，AlphaGo、ChatGPT 对齐（RLHF）均依赖它。

EN：Reinforcement Learning 2026-08-23

稠密模型 概念

稠密模型指推理时激活全部参数的神经网络（区别于稀疏激活的 MoE），GPT-3、PaLM、LLaMA 均为稠密模型，训练稳定、实现简单，但参数-算力比随规模上升。

EN：Dense Model 2026-08-23

学习率调度 技术

学习率调度按训练阶段调整学习率（阶梯衰减、余弦退火、Warmup），在快速收敛与稳定收敛间平衡，是大模型训练（Warmup+余弦）与超参数调优的关键技巧。

EN：Learning Rate Scheduling 2026-08-23

梯度消失 概念

梯度消失指反向传播中梯度随层数指数衰减，使深层网络无法学习，源于饱和激活与链式相乘，LSTM 门控、ReLU、残差连接与归一化是主要对策。

EN：Vanishing Gradient 2026-08-23

分布式训练 技术

分布式训练用多 GPU/多机并行训练大模型：数据并行（DDP）、张量并行、流水线并行与 ZeRO 显存优化，通信用 AllReduce/All-to-All，是 GPT-4、Llama 3 级模型的必备技术。

EN：Distributed Training 2026-08-23

混合精度训练 技术

混合精度训练用 FP16/BF16 计算与存储、FP32 主权重与损失缩放，在保持精度的同时降低显存并利用 Tensor Core 加速，是大模型训练的标准配置（AMP、DeepSpeed、bfloat16）。

EN：Mixed Precision Training 2026-08-23

A

B

C

D

E

F

G

H

I

J

K

L

M

N

O

P

Q

R

S

T

U

V

W

X

Y

Z

#

0.1208s