AI 概念层次
人工智能（AI）
这是 overarching 领域，专注于创建能够执行通常需要人类智能的任务的机器或系统，如推理、学习、问题解决和语言理解。AI 由各种子领域组成，包括 ML、NLP、机器人和计算机视觉。
机器学习（ML）
这是 AI 的子集，专注于开发算法，使计算机能够从数据中学习并基于数据做出决策。ML 系统不是为每个任务明确编程，而是随着暴露于更多数据而提高性能。常见应用包括垃圾邮件检测、推荐系统和预测分析。
深度学习
这是 ML 的专业化子集，利用具有多层的人工神经网络来模拟数据中的复杂模式。神经网络是受人脑神经元网络启发的计算模型。深度神经网络可以自动发现未来检测所需的表示。用例包括图像和语音识别、NLP 和自动驾驶车辆。
生成式 AI
指能够生成新内容的 AI 系统，如文本、图像、音乐或代码，这些内容类似于它们训练的数据。它们依赖 Transformer 架构。著名的生成式 AI 模型包括用于文本生成的 GPT 和用于图像创作的 DALL-E。
SQL 查询执行流程
步骤 1：传输子系统
查询字符串首先到达数据库的传输子系统。这个子系统管理与客户端的连接。此外，它执行认证和授权检查，如果一切正常，它让查询进入下一步。
步骤 2：查询处理器
查询现在到达查询处理器子系统，它有两个部分：查询解析器和查询优化器。
- 查询解析器：将查询分解为子部分（如 SELECT、FROM、WHERE）。它检查任何语法错误并创建解析树。
- 查询优化器：遍历解析树，检查语义错误（例如，“users”表是否存在），并找出执行查询的最有效方式。
这个步骤的输出是执行计划。
步骤 3：执行引擎
执行计划进入执行引擎。这个计划由执行查询所需的所有步骤组成。
执行引擎获取这个计划并通过调用存储引擎协调每个步骤的执行。它还从每个步骤收集结果并返回组合或统一响应到上层。
步骤 4：存储引擎
执行引擎根据执行计划向存储引擎发送低级读写请求。
这由存储引擎的各种组件处理，如事务管理器（用于事务管理）、锁管理器（获取必要锁）、缓冲管理器（检查数据页是否在内存中）和恢复管理器（用于回滚或恢复）。
20 个 AI 概念
- Agent：在环境中感知、推理和行动以实现目标的自主实体
- Environment：代理操作和交互的周围上下文或沙盒
- Perception：解释感官或环境数据以建立态势感知
- State：代理的当前内部条件或世界表示
- Memory：存储最近或历史信息以确保持续性和学习
- Large Language Models：支持语言理解和生成的基础模型
- Reflex Agent：基于预定义”条件 - 行动”规则做出决策的简单代理类型
- Knowledge Base：代理用于告知决策的结构化或非结构化数据存储库
- CoT (Chain of Thought)：代理为复杂任务阐述中间步骤的推理方法
- ReACT：结合逐步推理与直接环境行动的框架
- Tools：代理用于增强能力的 API 或外部系统
- Action：代理作为其推理结果执行的任何任务或行为
- Planning：设计一系列行动以达到特定目标
- Orchestration：协调多个步骤、工具或代理以完成任务管道
- Handoffs：不同代理之间的责任或任务转移
- Multi-Agent System：多个代理在同一环境中操作和协作的框架
- Swarm：许多代理遵循局部规则无中央控制的涌现智能行为
- Agent Debate：代理争论对立观点以精炼或改进结果的机制
- Evaluation：测量代理行动和结果的有效性或成功
- Learning Loop：代理通过持续从反馈或结果学习提高性能的循环
RabbitMQ 工作原理
RabbitMQ 是消息代理，使应用能够通过队列发送和接收消息进行通信。它帮助解耦服务、提高可扩展性，并高效处理异步处理。
工作流程
- 生产者（通常是应用或服务）发送消息到 RabbitMQ 代理，代理管理消息路由和交付
- 在代理内，消息发送到交换器，交换器根据交换器类型决定如何路由：Direct、Topic 或 Fanout
- 绑定使用绑定键连接交换器到队列，定义路由消息的规则（例如，精确匹配或基于模式）
- Direct 交换器将消息路由到精确匹配路由键的队列
- Topic 交换器使用模式将消息路由到匹配队列
- Fanout 交换器广播消息到所有绑定队列，无论路由键如何
- 最后，消息被消费者从队列拉取，消费者处理它们并可以将结果传递到其他系统
本文为学习目的的个人翻译，译文仅供参考。
原文链接：EP168: AI Vs Machine Learning Vs Deep Learning Vs Generative AI。
版权归原作者或原刊登方所有。本文为非官方译本；如有不妥，请联系删除。