解锁AI新知识，挑战超有趣小问题！每日3题，让你在紧张刺激的氛围中，手速与脑力齐飞！最快全部答对的麦粉将收获20麦豆惊喜奖励！答案就藏在上一篇【必须了解的与Al、大模型等相关的专业名词及解释（一）】的宝藏帖子里，速速翻阅，抢麦豆啦！
 AI知识小问答（知识巩固）
1、以下哪项是人工智能（AI）的一个分支，能让机器从数据中学习模式和规律用于预测和决策？
A. 神经网络（NN）
B. 机器学习（ML）
C. 深度学习（DL）
D. 通用人工智能（AGI）
2、具备全面智能，可在任何智力任务上媲美人类的人工智能类型是？
A. 狭义人工智能（ANI）
B. 生成式人工智能（AIGC）
C. 通用人工智能（AGI）
D. 模型（Model）
3、通过模型生成新数据，如图像、文本、音频等的人工智能类型是？
A. 机器学习（ML）
B. 生成式人工智能（AIGC）
C. 模型（Model）
D. 深度学习（DL）
经过一番紧张刺激的小问答挑战，相信大家对AI的基础知识已经有了更深刻的印象。现在，让我们暂时放下手中的“答题利器”，一同进入今天更加深入、更具挑战性的学习环节——AI模型架构类知识。在这里，我们将一起探索那些支撑AI强大功能的底层架构与机制，揭开它们神秘而精妙的面纱。准备好了吗？让我们一同踏上这场探索AI模型架构的奇妙之旅吧！
 模型架构类（今日学习）
1.Transformer架构（Transformer Architecture）：
 基于注意力机制的深度学习架构，在NLP、CV等领域广泛应用。
2.注意力机制（Attention Mechanism）：
 使模型处理数据时关注重要信息。
3.多头注意力（Multi-Head Attention）：
 Transformer架构中多个注意力头并行，获取更丰富特征。
4.循环神经网络（Recurrent Neural Network，RNN）：
 处理序列数据，能记忆之前输入，但长序列处理有局限。
5.长短期记忆网络（Long Short-Term Memory，LSTM）：
 RNN变体，解决梯度消失和爆炸问题。
6.门控循环单元（Gated Recurrent Unit，GRU）：
 RNN的简单变体，计算效率高。
7.卷积神经网络（Convolutional Neural Network，CNN）：
 常用于图像数据，通过卷积、池化层提取特征。
8.全连接层（Fully Connected Layer）：
 神经网络层，输入与输出节点全连接。
9.混合专家模型（Mixture of Experts，MoE）：
   多个“专家”网络并行，门控机制选输出，平衡效率和性能。
10.位置编码（Positional Encoding）：
 Transformer中为模型提供输入序列元素位置信息
11.自注意力机制（Self-Attention Mechanism）：
 输入序列元素可互相关注，捕捉长距离依赖。
12.编码器-解码器架构（Encoder-Decoder Architectur e）：
 处理序列到序列任务，如机器翻译。
13.图神经网络（Graph Neural Network，GNN）：
 处理图形结构数据，用于社交网络分析等。
| 
