WaytoAGI 背后使用的知识库模型算法是哪家的

如果您想加入 WaytoAGI 社区群，可以通过以下方式： 1. 填写问卷进群，群内会分享最新 AI 信息和社区活动。 2. 搜索微信号 Andywuwu07 或扫描二维码加微信，备注 AI 共学，以便被拉进免费的 AI Agent 共学群。 3. 飞书群内置 AI 智能机器人，可以回复任何与 AI 相关的问题。 4. 新手可以使用 Kimi 智能助手入门学习和体验 AI，PC 端可通过下载。 5. 如需下载研究报告，诚邀您加入知识星球：了解。

WaytoAGI 是一个由热爱 AI 的专家和爱好者共同建设的开源 AI 知识库，具有以下功能和特点： 1. 学习途径：参加如 AJ 组织的 wayto AGI 活动，可以认识很多小伙伴和前辈，从中学习到很多 AI 相关知识。 2. 网站功能： 和 AI 知识库对话，可询问任何关于 AI 的问题。 提供集合的精选 AI 网站，按需求找到适合的工具。 集合精选的提示词，可复制到 AI 对话网站使用。 呈现知识库的精华内容。 3. 离谱村：是由 WaytoAGI 孵化的千人共创项目，参与者不分年龄层，都可以通过 AI 工具创作出各种作品。离谱村是一个没有被定义的地方，是灵魂的避风港，激励着人们发挥想象力，创造独特生活方式。 您可以通过参与相关活动、使用网站的各项功能以及参与离谱村的共创等方式，在 WaytoAGI 学习到丰富的 AI 知识。

WaytoAGI 是由一群热爱 AI 的专家和爱好者共同建设的开源 AI 知识库。 其特点和内容包括： 大家贡献并整合各种 AI 资源，使人们能轻松学习各类 AI 知识，应用 AI 工具和实战案例等。 知识库的内容覆盖 AI 绘画、AI 视频、AI 智能体、AI 3D 等多个版块，还包含赛事和活动以促进大家动手实践。 孵化了离谱村这个千人共创项目，让大家更轻松、更有兴趣地学习和接触 AI。 2023 年 4 月 26 日诞生，在没有任何推广的情况下，一年时间已有超过 70 万用户和超千万次的访问量。 您可以通过以下方式进一步了解： 即刻体验：https://waytoagi.com/ 更多详细介绍： 此外，还有一些相关的内容，如： 放几个有意思的视频：离谱村、春晚、24 节气、 关键词学社：

WaytoAGI 主要有以下功能： 1. 和 AI 知识库对话：您可以在这里询问任何关于 AI 的问题。 2. AI 网站：集合了精选的 AI 网站，可按需求找到适合您的工具。 3. AI 提示词：集合了精选的提示词，能复制到 AI 对话网站使用。 4. 知识库精选：将每天知识库的精华内容呈现给大家。 “通往 AGI 之路”（WaytoAGI）是一个致力于人工智能（AI）学习的中文知识库和社区平台，具有以下特点： 1. 由开发者、学者和 AI 爱好者共同参与建设，提供丰富的学习资源，包括文章、教程、工具推荐以及最新的 AI 行业资讯等。 2. 定期组织活动，如视频挑战赛、模型创作大赛等，鼓励成员在实践中学习，促进交流与合作。 此外，WaytoAGI 的品牌 VI 融合了独特的设计元素，以彩虹色彰显多元性和创新，以鹿的形象象征智慧与优雅，通过非衬线字体展现现代感和清晰性。 总之，WaytoAGI 网站和 WaytoAGI 知识库相互关联，希望成为您学习 AI 路上的好助手。

对于 AI 新手在 WaytoAGI 入手学习 AI 并获得现金收入，以下是一些建议： 学习 AI 有可能赚钱，但不保证每个人都能成功。人工智能领域有很多高薪工作，如数据科学家、机器学习工程师等，掌握相关技术可在这些岗位获得不错收入，且 AI 技术在各行业应用广泛，掌握技能能增加就业和职业发展机会。 然而，能否赚钱取决于多种因素，包括个人学习能力、实际应用能力、对市场和商业的理解等。仅学会基础知识可能难以在竞争中脱颖而出，需要持续学习和实践。 对于新手，【野菩萨的 AIGC 资深课】是不错的选择。这门课程由工信部下属单位【人民邮电出版社】开设，是市面上值得推荐的课程之一，也是全网技术更新最快的课程。课程涵盖 AI 绘画、视听语言和 ChatGPT 等多个体系的知识，无论新手还是进阶者都适用。 总之，新手要在 AI 领域获得现金收入，不仅要选对课程深入学习，还要不断提升自身能力，结合市场需求进行实践。

对于在 WaytoAGI 中从 0 开始学习 AI，以下是一些建议： 1. 学习 AI 是一个长期的过程，需要耐心和持续的努力，不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。 2. 完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。 3. 为您推荐【野菩萨的 AIGC 资深课】，这门课程由工信部下属单位【人民邮电出版社】开设，是市面上为数不多的值得推荐的 AI 课程之一，也是全网技术更新最快的课程。课程内容涵盖 AI 绘画、视听语言和 ChatGPT 等多个体系的知识，无论您是 AI 初学者还是进阶者，都能满足您的学习需求。您可以扫码添加菩萨老师助理，了解更多信息。 需要注意的是，开源社区资源丰富，适合自律的自主学习者，而知识付费课程能提供系统结构、专业指导、针对性计划和互动反馈，是一种高效的学习途径，您可以根据自身情况选择适合自己的学习方式。

以下是创建个人专属知识库的相关内容： 私人知识库中的内容通常包括从互联网收集的优质信息以及个人日常的思考和分享。 基于私人知识库打造个人专属的 ChatGPT 常见有两种技术方案： 训练专有大模型：可以使用个人知识库训练专有大模型，但此方案并非当下主流，存在高成本、更新难度大等缺陷。 利用 RAG（检索增强生成）技术：先将文本拆分成若干小文本块并转换为 embeddings 向量，保存在向量储存库中。当用户提出问题时，将问题转换为向量与储存库中的向量比对，提取关联度高的文本块与问题组合成新的 prompt 发送给 GPT API。 搭建基于 GPT API 的定制化知识库时，由于 GPT3.5 一次交互支持的 Token 有限，OpenAI 提供了 embedding API 解决方案。embeddings 是一个浮点数字的向量，向量之间的距离衡量关联性，小距离表示高关联度。

以下是创建 Coze 知识库的步骤： 1. 来到个人空间，找到知识库导航栏，点击创建知识库。 知识库是共享资源，多个 Bot 可以引用同一个知识库。 选择知识库的格式并填写相关信息。目前（2024.06.08）Coze 支持三种格式：文档、表格（CSV、Excel 等）、图片（上传图片并填写图片文字说明）。格式不重要，重要的是要了解影响 RAG 输出质量的因素。 例如选择本地文档（问答对可选择表格），还可选择自定义的文档切割，数据处理完成后，一个问答对会被切割成一个文档片。 2. 在线知识库： 点击创建知识库，创建一个如画小二课程的 FAQ 知识库。 选择飞书在线文档，每个问题和答案以分割。 选择飞书文档、自定义，输入，可点击编辑修改和删除，然后添加 Bot，并在调试区测试效果。 3. 本地文档： 本地 word 文件要注意拆分内容以提高训练数据准确度，例如对于画小二课程，要先将大章节名称内容放入，再按固定方式细化章节内详细内容。 然后选择创建知识库自定义清洗数据。 4. 发布应用：点击发布，确保在 Bot 商店中能够搜到。 关于使用知识库，您可以查看教程： 。

我的知识库来源较为广泛，包括以下方面： 符号人工智能的早期成就之一——专家系统，其基于从人类专家提取的知识库，并包含推理引擎进行推理。专家系统包含问题记忆、知识库、推理引擎等部分。 “通往 AGI 之路「WaytoAGI」，这是一个由开发者、学者和有志人士等参与的学习社区和开源的 AI 知识库。 扣子的知识库，功能强大，可上传和存储外部知识内容，并提供多种查找知识的方法，能解决大模型的某些问题，使其回复更准确。

知识库可以用比较通俗的方式来理解： 想象一个大语言模型就像一个非常聪明、读过无数书的人，但对于一些特定的工作场景中的细节，比如见到老板娘过来吃饭要打三折，张梦飞过去吃饭要打骨折，它可能并不清楚。这时候，知识库就像是给这个聪明的人发的一本工作手册。 从更专业的角度来说，知识库的运作原理通常包括以下几个步骤： 1. 文档加载：从各种不同的来源，比如 PDF、SQL 数据、代码等加载相关的文档。 2. 文本分割：把加载的文档分割成指定大小的块，称为“文档块”或“文档片”。 3. 存储：这包括两个环节，一是将分割好的文档块进行嵌入，转换成向量的形式；二是将这些向量数据存储到向量数据库中。 4. 检索：当需要使用数据时，通过某种检索算法从向量数据库中找到与输入问题相似的嵌入片。 5. 输出：把问题以及检索出来的嵌入片一起提交给大语言模型，大语言模型会根据问题和检索出来的提示一起生成更合理的答案。 以车型数据为例，每个知识库的分段中保存了一种车型的基础数据。当用户问宝马 X3 的售价是多少时，就能匹配到对应车型的分段，然后从其中获取到售价信息。 海外官方文档：https://www.coze.com/docs/zh_cn/knowledge.html 国内官方文档：https://www.coze.cn/docs/guides/use_knowledge

要让 AI 就某一问题进行穷尽搜索，一般会涉及以下步骤： 1. 文档向量化：知识库中的文档需要被转换成向量形式，以便在数值级别上与问题向量进行比较。使用知识库工具上传文档时，会完成文档的向量化，这依靠 Embedding Model 实现。 2. 知识库检索： 相似性计算：使用相似性度量方法（如余弦相似性）计算问题向量和各个文档向量之间的相似度，以找出与问题内容最接近的文档。 排序与选择：根据相似性得分对所有文档进行排序，通常会选择得分最高的几个文档，认为这些文档与问题最相关。 信息抽取：从选定的高相关性文档中抽取具体的信息片段或答案，可能涉及进一步的文本处理技术，如命名实体识别、关键短语提取等。 3. 信息整合阶段：将检索到的全部信息连同用户问题和系统预设整合成一个全新的上下文环境，为生成回答提供基础。 此外，像生物进化中通过自然选择的方式，从特定规则开始逐步改变（可能随机），在每一步保留最有效的规则并丢弃其他，这种方法不是我们通常定义的“人工智能”（更像是“遗传算法”），但在高维规则空间中往往比低维规则空间效果更好，因为维度越多，陷入局部最小值的可能性越小。 同时，给 AI 配备随时更新的“活字典”即知识库是一个好方法。知识库就像 AI 随时可查阅的百科全书，当 AI 遇到不确定问题时，可从知识库中检索相关信息给出更准确回答。比如建立包含最新新闻、科技发展、法律法规等内容的知识库，或者利用整个互联网的实时数据作为知识库，通过搜索引擎获取最新信息。

部署个人知识库需要考虑硬件配置和相关技术原理。 硬件方面： 生成文字大模型，最低配置为 8G RAM + 4G VRAM，建议配置为 16G RAM + 8G VRAM，理想配置为 32G RAM + 24G VRAM（如果要跑 GPT3.5 差不多性能的大模型）。 生成图片大模型（比如跑 SD），最低配置为 16G RAM + 4G VRAM，建议配置为 32G RAM + 12G VRAM。 生成音频大模型，最低配置为 8G VRAM，建议配置为 24G VRAM。 技术原理方面： 利用大模型的能力搭建知识库本身就是一个 RAG 技术的应用。在这个过程中，首先检索外部数据，然后在生成步骤中将这些数据传递给 LLM。 RAG 应用包括文档加载、文本分割、存储、检索和输出这 5 个过程。 文档加载：从多种不同来源加载文档，LangChain 提供了 100 多种不同的文档加载器。 文本分割：把 Documents 切分为指定大小的块。 存储：涉及将切分好的文档块进行嵌入转换成向量的形式，并将 Embedding 后的向量数据存储到向量数据库。 检索：通过某种检索算法找到与输入问题相似的嵌入片。 输出：把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示一起来生成更加合理的答案。 此外，搭建基于 GPT API 的定制化知识库，涉及给 GPT 输入（投喂）定制化的知识。GPT3.5 一次交互（输入和输出）只支持最高 4096 个 Token。为了处理大量领域知识，OpenAI 提供了 embedding API 解决方案。embeddings 是一个浮点数字的向量（列表），两个向量之间的距离衡量它们的关联性，小距离表示高关联度。

以下是关于大模型的相关知识： 大模型与小模型的区别：小模型在特定任务上表现出色，但只能用于特定任务；大模型像多功能基础平台，能处理多种任务，应用范围广泛且拥有更多通识知识。 大模型的知识范围：大模型并不拥有无限知识，其知识来源于训练过程中接触的数据，这些数据有限，且训练后知识库不会自动更新，在某些特定或专业领域的知识可能不够全面。 大模型的运作机制：主要通过大量数据训练学习语言结构和模式，根据输入生成相应文本，类似于词语接龙游戏。 常见的大模型：包括 OpenAI 的 3.5 和 4 版本，微软 Bing 使用 4 和 3.5 的混合，谷歌的 Bard 由 PaLM 2 等基础模型驱动，Anthropic 的 Claude 2 具有非常大的上下文窗口，且不太可能恶意行事。 关于知识库的更新时间和使用的具体大模型，上述内容未明确提及。

目前在文生视频领域，以下是一些表现较为出色的产品： 1. Sora：由 OpenAI 开发，可生成长达 1 分钟以上的视频。 2. Pika：是一款出色的文本生成视频 AI 工具，擅长动画制作，并支持视频编辑。其新模型在文生视频质量上有大幅提升，例如生成皮克斯风格的镜头效果出色，稳定性高，语义理解强，动作幅度大，在 3D 和 2D 动画效果方面表现优秀。 3. SVD：如果熟悉 Stable Diffusion，可以安装这款最新的插件，在图片基础上直接生成视频，由 Stability AI 开源。 4. Runway：老牌 AI 视频生成工具，提供实时涂抹修改视频的功能，但需要收费。 5. Kaiber：视频转视频 AI，能够将原视频转换成各种风格的视频。 更多的文生视频的网站可以查看：https://www.waytoagi.com/category/38 。 以下是 Sora 和其他模型能力的对比表格： |能力分类|能力|SORA|其他| ||||| |底层技术|架构|Transformer|UNet 为主| |底层技术|驱动方式|数据|图片| |对于真实世界的理解/模拟能力|世界理解能力|可理解世界知识|弱| |对于真实世界的理解/模拟能力|数字世界模拟|支持|不支持| |对于真实世界的理解/模拟能力|世界互动能力|支持|不支持| |对于真实世界的理解/模拟能力|3D 运动连贯性|强|弱| |对于真实世界的理解/模拟能力|物体一致性|强|弱| |对于真实世界的理解/模拟能力|物体持久性/连续性|强|弱| |对于真实世界的理解/模拟能力|文本理解|强|一般| |对于真实世界的理解/模拟能力|运动控制|其他|提示词提示词+运动控制工具| |基于模拟的视频编辑能力|无缝连接能力|强|弱| |基于模拟的视频编辑能力|视频到视频编辑|支持|部分| |基于模拟的视频编辑能力|扩展生成视频|前/后|后| |外显视频基础属性|视频时长|60 秒|2~4 秒| |外显视频基础属性|原生纵横比|支持|不支持| |外显视频基础属性|清晰度|1080P|最高 4K| 不同工具适合于不同的使用场景和需求，您可以根据自己的具体情况进行选择。

在国内，以下是一些在 AI 领域表现较为突出的公司和产品： 腾讯：腾讯元宝是相对较晚推出的 AI 应用，其最大亮点在于强大的 AI 搜索功能，能够访问大量微信生态系统内的私域资源，还依托于腾讯“混元”大语言模型生成高质量内容。 Soul：旗下的异世界回响在情感陪伴方面有一定特色。 海鸟科技：推出了 AI 变脸产品。 MiniMax：推出了 MoE 架构的新模型，以及“星野”这个目前国内较成功的 AI 陪聊 APP。 杭州超节点：有无界 AI 产品，在图片生成方面表现不错。 兴利和：美趣 AI 是其在图片生成领域的产品。 智谱：一年间推出了 4 代 GLM，一直是国内能力较好的模型之一。 需要注意的是，在 2023 年官宣 AI 大模型的公司众多，其中不乏蹭流量的。从产品层面看，2C 端真正出圈的是“妙鸭相机”，但只是昙花一现。在硬件层，国内目前仍缺乏能胜任大模型训练的芯片，华为昇腾在单卡指标上距离不远，但因稳定性和生态问题仍需打磨。

WaytoAGI 直译就是通往 AGI 之路，它是一个自组织的AI社区，发起人是 AJ 和轻侯。AGI 指通用人工智能。

目前国内有多家企业在智能驾驶领域表现出色，但很难确切地说哪家是最好的。一些在智能驾驶方面具有较强实力和影响力的企业包括百度、华为、小鹏汽车、蔚来汽车等。这些企业在技术研发、实际应用和市场表现等方面都各有优势和特点。百度在自动驾驶技术的研发和测试方面投入较大，并取得了一定的成果；华为凭借其在通信和技术领域的积累，为智能驾驶提供了相关的解决方案；小鹏汽车和蔚来汽车等新兴造车势力也在智能驾驶的功能和体验上不断创新和优化。然而，智能驾驶技术仍在不断发展和演进，各企业的表现也会随着时间和市场的变化而有所不同。

目前常见的基础大模型包括： Fooocus 程序默认用到了 3 个 SDXL 的模型，分别是一个 base，一个 Refiner，和一个 LoRA。其大模型（base 和 Refiner）默认放在：Fooocus_win64_1110\\Fooocus\\models\\checkpoints；LoRA 模型默认放在：Fooocus_win64_1110\\Fooocus\\models\\loras。如果单独安装，需要下载三个模型：SDXL 基础模型：https://huggingface.co/stabilityai/stablediffusionxlbase1.0/resolve/main/sd_xl_base_1.0_0.9vae.safetensors；refiner 模型：https://huggingface.co/stabilityai/stablediffusionxlrefiner1.0/resolve/main/sd_xl_refiner_1.0_0.9vae.safetensors；LoRA 模型：https://huggingface.co/stabilityai/stablediffusionxlbase1.0/resolve/main/sd_xl_offset_examplelora_1.0.safetensors。如果部署了 SD 秋叶包，也可以共用模型（大模型和 LoRA），可在 Fooocus_win64_1110\\Fooocus\\modules\\path.py 中修改路径为秋叶包模型对应的路径。配置好后点击 run.bat 文件启动。 在大型语言模型方面，主要有以下几家：OpenAI 制作了 GPT3.5 和 GPT4，它们驱动了 ChatGPT 和微软的 Bing（在 Edge 浏览器上访问）；Google 在 Bard 的标签品牌下有各种模型；Anthropic 制造了 Claude 和 Claude 2。 每个微调工作都从一个默认为 curie 的基本模型开始，模型可以是 ada、babbage、curie 或 davinci。您可以使用 OpenAI CLI 开始微调工作，具体操作及相关注意事项如上述说明。

作为 AI 产品经理，对 AI 底层算法的掌握程度需要达到以下几个方面： 1. 理解产品核心技术：了解基本的机器学习算法原理，以便做出更合理的产品决策。 2. 与技术团队有效沟通：掌握一定的算法知识，减少信息不对称带来的误解。 3. 评估技术可行性：在产品规划阶段，能够准确判断某些功能的技术可行性。 4. 把握产品发展方向：了解算法前沿，更好地把握产品未来的发展趋势。 5. 提升产品竞争力：发现产品的独特优势，提出创新的产品特性。 6. 数据分析能力：掌握相关算法知识，提升数据分析能力。 同时，如果希望在 AI 领域继续精进，还需要了解以下基础内容： AI 背景知识： 基础理论：清楚人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 数学基础： 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等基本概念。 概率论：掌握基础的概率论知识，如条件概率、贝叶斯定理。 算法和模型： 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：了解其基本概念。 评估和调优： 性能评估：知道如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学会使用网格搜索等技术优化模型参数。 神经网络基础： 网络结构：理解包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）等的基本结构。 激活函数：熟悉常用的激活函数，如 ReLU、Sigmoid、Tanh。

目前知识库中暂时没有关于视觉算法产品、该方向产品经理工作内容以及面试考察知识点的相关信息。但一般来说，视觉算法产品是利用计算机视觉技术来实现特定功能的产品，例如图像识别、目标检测、视频分析等。 视觉算法产品经理需要做的工作内容可能包括： 1. 市场调研与需求分析：了解市场需求、竞争对手情况，挖掘潜在的用户需求。 2. 产品规划与定义：明确产品的目标、功能、性能指标等。 3. 算法选型与整合：根据需求选择合适的视觉算法，并进行整合和优化。 4. 项目管理与推进：协调开发团队、测试团队等，确保项目按时交付。 5. 与客户沟通：收集反馈，优化产品。 在面试视觉算法产品经理时，可能会考察以下知识点： 1. 计算机视觉基础知识，如常见的算法和模型。 2. 对相关行业和市场的了解。 3. 产品管理的方法和流程。 4. 项目管理经验和能力。 5. 沟通协调和团队合作能力。

以下为您介绍一种在自制 2048 小游戏中应用的简单算法： 作者吵爷前阵子写了 BP 算法入门，因公式多遭批评，近期学习 Pygame 制作 55 的 2048 小游戏。偶然产生让 AI 玩的想法，简单与 GPT 交流后，带入一些简单算法使 AI 能运行游戏，虽性能不如人，但能直观感受算法对模型性能的提升，对初学者比看数学公式更友好。目前仅在基础逻辑做优化，后续会继续改进。未用到高级算法，但此案例可作为简单算法应用的参考。

目前较为先进的算法模型包括： 1. GPT4：是 OpenAI 最新且最强大的模型。 2. GPT3.5Turbo：为 ChatGPT 提供支持，专为对话模式优化。 大模型具有以下特点： 1. 预训练数据量大：往往来自互联网，包括论文、代码、公开网页等，先进的大模型通常用 TB 级别的数据进行预训练。 2. 参数众多：如 OpenAI 在 2020 年发布的 GPT3 已达到 170B 的参数。 在模型架构方面： 1. encoderonly 模型：适用于自然语言理解任务，如分类和情感分析，代表模型是 BERT。 2. encoderdecoder 模型：结合 Transformer 架构的 encoder 和 decoder 来理解和生成内容，代表是 Google 的 T5。 3. decoderonly 模型：更擅长自然语言生成任务，如故事写作和博客生成，众多熟知的 AI 助手基本采用此架构。 在模型部署方面： 由于大模型参数众多，如 GPT2 有 1.5B 参数，LLAMA 有 65B 参数，因此在实际部署时会进行模型压缩。在训练中，CPU 与内存之间的传输速度往往是系统瓶颈，减小内存使用是首要优化点，可使用内存占用更小的数据类型，如 16 位浮点数，英伟达在其最新一代硬件中引入了对 bfloat16 的支持。

算法在 AI 中具有重要地位。AI 技术的发展历程经历了多个阶段，包括早期的专家系统、博弈论和机器学习初步理论，知识驱动时期的专家系统、知识表示和自动推理，统计学习时期的机器学习算法如决策树、支持向量机和贝叶斯方法等，以及深度学习时期的深度神经网络、卷积神经网络和循环神经网络等。 当前 AI 的前沿技术点众多，例如大模型如 GPT、PaLM 等，多模态 AI 包括视觉语言模型和多模态融合，自监督学习如自监督预训练、对比学习和掩码语言模型等，小样本学习如元学习、一次学习和提示学习等，可解释 AI 涉及模型可解释性、因果推理和符号推理等，机器人学涵盖强化学习、运动规划和人机交互等，量子 AI 包含量子机器学习和量子神经网络等，还有 AI 芯片和硬件加速。 需要注意的是，在物理科学等领域，我们期望构建特定的测量设备来测量我们“知道如何解释”的数量，但人工智能有时更像是一个黑匣子，正在测量某些东西，但至少在一开始我们不一定对它有任何解释。有时我们能够进行与我们知道的一些描述相关联的训练，从而得到一个粗略的解释，就像情感分析这样的情况，但常常并非如此。甚至在物理科学中也可能出现类似情况，比如测试一种材料是否刮擦另一种材料的表面，大概可以解释为材料的某种硬度，但实际上这只是一种测量，如果能成功地将其与其他事物联系起来，那就变得很重要。

Matlab 本身并不是一种 AI 算法，而是一种广泛使用的数学计算和编程环境。然而，在 Matlab 中可以实现和应用各种与 AI 相关的算法和技术。 在 Matlab 中，您可以使用其丰富的数学函数和工具来处理数据、构建模型，并实现诸如机器学习中的分类、回归算法，深度学习中的神经网络构建和训练等。 例如，通过 Matlab 的机器学习工具箱，可以进行决策树、支持向量机等算法的实现和应用；利用深度学习工具箱，可以构建卷积神经网络、循环神经网络等深度模型，并进行训练和优化。 总之，Matlab 为实现 AI 算法提供了强大的支持和便利的开发环境。