ICS 35.020 CCS L 70 中华人民共和国国家标准 GB/T41867—2022 人工智能 术语 信息技术 Information technologyArtificial intelligence--Terminology 2023-05-01实施 2022-10-12发布 国家市场监督管理总局 发布 国家标准化管理委员会 GB/T41867—2022 目 次 前言 范围 2 规范性引用文件 3 术语和定义 3.1 基础术语 3.2 关键通用技术相关术语 3.3 关键领域技术相关术语 3.4 安全/伦理相关术语 参考文献 索引 10 GB/T41867—2022 前言 起草。 请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任， 本文件由全国信息技术标准化技术委员会（SAC/TC28）提出并归口。 本文件起草单位：中国电子技术标准化研究院、华为技术有限公司、山东省计算中心（国家超级计算 济南中心）、中电长城网际系统应用有限公司、中国医学科学院生物医学工程研究所、北京电信规划设计 院有限公司、浪潮软件科技有限公司、上海依图网络科技有限公司、北京旷视科技有限公司、江苏诺安科 技有限公司、北京百度网讯科技有限公司、北京眼神科技有限公司、沈阳新松机器人自动化股份有限公 限公司、国际商业机器（中国）有限公司、北京海天瑞声科技股份有限公司、北京电子工程总体研究所、中 国人民解放军国防科技大学、杭州中奥科技有限公司、西北工业大学、上海商汤智能科技有限公司、上海 仪电（集团）有限公司、小来通讯技术有限公司、中国科学院软件研究所、中科极限元（杭州）智能科技股 份有限公司、中国科学院自动化研究所、徐州医科 浙江省杭州市余杭区数据资源管理局、中国航空 综合技术研究所、行为科技（北京）有限公司 飞技术股份有限公司、海尔优家智能科技（北 京）有限公司、中国食品药品检定研究院、磅客策（上海）智能医疗科技有限公司、上海人工智能研究院有 限公司、上海木木机器人技术有限公司、云 从科技集团股份有限公司、北京小马智行科技有限公司、泾丰 科技（深圳）有限公司、南京天学、上海智能制造系统创新中心有限公司、上海智能制造功能平台有限公 司、中国信息通信研究院、金税信息技术服务股份有限公司、苏州中德宏泰电子科技股份有限公司、英飞 智信（北京）科技有限公司、杭州方得智能科技有限公司 本文件主要起草人：鲍薇、董建、吴国纲、曹晓琦、杨磊、徐洋、尤防、钱恒、高永超、闵京华、马万钟、 蒲江波、冯霄鹏、韩霄、李婷、王功明、赵春昊、杜云鹏、张健、吴月升、杨春林、张锋、任文奇、张栋栋、 唐杰、左家平、程海旭、郝玉峰、许程、杨绍武、史殿习、郑申俊、陆韵、孙云、杨刚、姚远、孙宁、马珊珊、 汪小娟、马骋昊、张琦、蒋慧、吴庚、章建兵、赵群、孟令中、温正棋、陶建华、刘斌、吴响、洋科伟、王炜、 刘新建、宋文林、贾一君、李斌斌、孟思宏、胡文泽、王先庆、郝烨、张兆东、沈灏、梁恒康、李军、郝峰嵘、 任军民、耿金菊、王飞、谭李诺、刘硕、秦爱民、李磊、罗陨飞、彭黔平。 GB/T41867—2022 信息技术 、人工智能 术语 1范围 本文件界定了信息技术人工智能领域中的常用术语及定义。 本文件适用于人工智能领域概念的理解和信息交流，以及科研、教学和应用。 2 规范性引用文件 本文件没有规范性引用文件。 3术语和定义 3.1基础术语 3.1.1 分布式人工智能distributedartificialintelligence 人工智能系统实现的一种方式，其中数据与指令在一组以特定拓扑结构相互连接的节点之间传递 和处理，以完成人工智能任务 注：节点连接拓扑一般包含去中心化结构、星形结构、环形结构、树形结构等 3.1.2 人工智能 artificial intelligence;Al 《学科）人工智能系统（3.1.8）相关机制和应用的研究和开发 3.1.3 人工智能服务器 artificialintelligenceserver 信息系统中能够为人工智能应用提供高效能计算处理能力的服务器。 注1：以通用服务器为基础，配备人工智能加速卡后，为人工智能应用提供专用计算加速能力的服务器，称人工智 能兼容服务器 注2：专为人工智能加速计算设计，提供人工智能专用计算能力的服务器，称人工智能一体机服务器。 3.1.4 人工智能集群 羊artificial intelligencecluster 遵循统一控制的，人工智能计算功能单元的集合。 注1：人工智能计算功能单元可包含人工智能加速处理器、人工智能服务器、人工智能加速模组等 节点。 3.1.5 artificial intelligence accelerating processor 人工智能加速处理器 人工智能加速芯片 artificial intelligenceaccelerating chip 1 GB/T41867—2022 3.1.6 人工智能加速模组artificialintelligenceacceleratingmodule 专为固定领域人工智能计算设计，部署在边缘计算场景中的扩展加速部件。 注：人工智能加速模组一般用于执行智能摄像机、机器人、无人机等设备的人工智能计算任务 3.1.7 人工智能设施包 artificial intelligence portfolio 一种组成人工智能应用解决方案，帮助用户实现不同规模的业务逻辑的软硬件包。 注：典型的人工智能设施包包括人工智能加速处理器、云计算资源池、加速处理器算子库等 3.1.8 人工智能系统 artificial intelligence system 注1：该工程系统使用人工智能（3.1.2）相关的多种技术和方法，开发表征数据、知识、过程等的模型，用于执行 任务。 注2：人工智能系统具备不同的自动化级别。 3.1.9 异构资源池heterogeneousresourcepool 一种将不同架构、不同实现方式的人工智能计算资源组织起来，自动按需满足不同计算需求的统一 调度软件集合。 注1：异构资源池提供一种可伸缩计算架构，有利于合理分配计算资源，为不同运行环境（例如云、集群、移动设备、 物联网）的人工智能应用系统的开发和部署提供计算能力、存储、带宽和延时保障。 注2：人工智能计算资源包括中央处理单元（CPU）、图形处理单元（GPU）、神经网络处理单元（NPU）、现场可编程 逻辑门阵列（FPGA）、数字信号处理器（DSP）、专用集成电路（ASIC)等。 3.2 2关键通用技术相关术语 3.2.1 贝叶斯网络 Bayesiannetwork 一种使用贝叶斯推理进行概率计算并表示为有向无环图的概率模型。 3.2.2 半监督机器学习 semi-supervisedmachinelearning 在训练过程中，能够同时使用标注数据和无标注数据进行训练的一种机器学习任务。 3.2.3 测试数据 test data 1 评价数据 evaluation data 用于评估最终机器学习模型性能的数据。 注：测试数据与训练数据、验证数据无交集 3.2.4 长短时记忆网络 long short-termmemorynetwork;LSTMnetwork 一种含有区块结构并能够对不定时间长度的数值形成记忆，决定输入的记忆及输出的循环神经 网络。 注：长短时记忆网络对处理长、短程相关性序列数据均具备良好性能。 3.2.5 选代iteration 针对一批样本，重复地执行系列步骤直至完成训练的过程， 2 GB/T41867-—2022 注：一个（训）期中的送代数量等于该期中，训练样本的批数。 ［来源：ISO/IEC2382：2015，2121826，有修改］ 3.2.6 分类模型 classificationmodel 《机器学习》一种对给定输入数据，输出其所属的一个或多个类别的机器学习模型 3.2.7 过拟合overfitting 《机器学习》创建的模型过于精确地拟合训练数据，对新数据缺乏泛化性 注1：过拟合可能由以下原因造成：训练的模型从训练数据中学习了非必要的特征（例如，对有用输出无效的特 征），训练数据中过多的噪声（例如，过多的离群点），训练数据与生产数据分布的显著不匹配，或模型复杂度 过高而与训练数据不匹配。 注2：当在训练数据测量的误差与在独立的测试及验证数据测量的误差之间存在显著差异时，过拟合能被识别。 当训练数据和生产数据之间存在严重不匹配时，过拟合模型的性能尤其会受到影响。 3.2.8 回归模型 regressionmodel 以给定数值为输入，预期的输出为连续变量的机器学习模型。 3.2.9 回归分析 regressionanalysis 评价担责变量与预测变量关系模型的技术 ［来源：GB/T3358.3一2009，3.3，有修改 3.2.10 机器学习 Jmachinelearning 通过计算技术优化模型参数的过程，使模型的行为反映数据或经验。 3.2.11 机器学习模型 machinelearningmodel 种基于输入数据或信息生成推理或预测的计算结构。 示例：如果一个单变量线性方程（y=0。十0,r）经由线性回归训练，则结果模型为y=3+7a。 注：一个机器学习模型是基于机器学习算法训练的结果。 3.2.12 机器学习算法 machinelearningalgorithm 依据给定的准则，根据数据确定机器学习模型参数的算法。 示例：考虑求解一个单变量线性函数y=0。十01α，其中是输出或结果，是输人，0。是截距（x=0时y的值），0 是权重。在机器学习中，确定线性函数的截距和权重的过