人工智能是一个广泛且复杂的领域，涵盖了众多术语和名词。其中大部分术语技术性非常强，非专业人士难以理解。因此，编辑选取了一些常见的AI和AI营销术语，并且以其在营销中的应用进行详细解释，希望能帮助大家快速获取AI相关的基础知识。
——科特勒增长实验室
1. 人工智能
Artificial Intelligence
通过计算机程序来模拟人类智能的能力，包括学习、推理、理解自然语言、感知、规划和自我改进等方面。工信部数据显示，2023年1～10月，国内人工智能核心产业规模达到5,000亿元。截至2024年1月，国内人工智能相关企业为157.18万家。
2. 人工智能生成内容
AI-Generated Content, AIGC
利用人工智能技术（生成式AI路径）来生成内容的新型内容生产方式。我们熟悉的ChatGPT、Midjourney等问答AI、文生图、文生视频类AI都属于AIGC领域。AIGC可以帮助营销者快速且批量地创造营销内容，满足个性化推荐广告的需求。
3. 人工智能生成内容
Machine Learning
这是人工智能的一个子领域，专注于开发和使用算法，使计算机系统能够从数据中学习并改进其性能，而无需进行明确的编程，从数据中自动学习规律和模式，并根据这些规律和模式进行预测和决策。也就是说，机器学习系统是训练出来的，而不是用程序编写出来的。
比如，作为某个社交平台，你想把所有用户都自动打上对应的标签，你可以喂给系统大量典型的人工打好标签的用户属性和行为资料，由机器自己学习其中的规律模式，从而学会自动打标签。
4. 深度学习
Deep Learning
是机器学习的一个分支，基于人工神经网络（尤其是深度神经网络），能够处理大量的未标记的或半标记的数据，并自动提取和抽象复杂的特征。
5. 神经网络
Neural Network
是一种模拟人脑神经元连接方式的计算模型，由大量的节点（神经元）相互连接而成，用于处理信息并学习任务。
6. 训练集
Training Set
在机器学习中，用于训练模型的数据集。这些数据带有已知的标签或结果，以便模型可以从中学习。在第3条“机器学习”中我们提到的“人工打好标签的用户属性和行为资料”就是训练集。
7. 过拟合
Overfitting
当机器学习模型在训练数据上表现良好，但在新数据（如测试集）上表现较差时，称为过拟合。这通常意味着模型过于复杂，已经记住了训练数据的噪声和细节，而非其潜在规律。
8. 欠拟合
Underfitting
当机器学习模型在训练数据和新数据上均表现不佳时，称为欠拟合。这可能是由于模型过于简单，无法捕捉到数据的复杂性。
9. 迭代
Iteration
在机器学习中，指模型通过多次遍历整个数据集或数据批次来逐步优化其性能的过程。每次迭代后，模型都会根据损失函数的反馈更新其参数。
10.自然语言处理
Natural Language Processing, NLP
人工智能的一个子领域，自然语言处理是一种使计算机能够理解、解释和生成人类语言的技术，包括语言理解、语言生成、情感分析、机器翻译、问题回答和语音识别等。主要应用于虚拟助手、机器翻译、情感分析（比如用于社交媒体内容分析、品牌管理和客户服务）、智能客服、文本摘要和文献挖掘等领域。NLP的难点在于：语言的歧义性、语法的复杂性、数据的稀缺性以及文化和地域差异等。
11. 大语言模型
Large Language Model，LLM
利用大规模语料数据进行预训练的预训练语言模型（Pre-trained Language Models，PLMs），是自然语言处理的方式之一。ChatGPT就是一种大语言模型。
从本质来说，问答类大语言模型是在取代搜索引擎，当你可以通过问答获得准确答案时，谁还会花费大量时间去搜索和整合信息呢？所以我们自然可以想象：搜索引擎的商业模式——广告也会出现在问答大模型里，它可能以信息植入的方式出现，更隐蔽而且更排他。
12.计算机视觉
Computer Vision, CV
人工智能的一个子领域，专注于让计算机从图像或视频中获取信息。CV涉及的任务包括图像分类、目标检测、图像分割、人脸识别等。计算机视觉可以与增强现实或虚拟现实技术结合，实现更多的功能，比如自动驾驶、游戏产业等。
13. 强化学习
Reinforcement Learning, RL
机器学习的一个分支，关注智能体（agent）如何在环境中通过与环境互动来学习最佳行为策略以最大化累积奖励。强化学习在自动驾驶、游戏AI等领域有广泛应用。
14. 迁移学习
Transfer Learning
迁移学习是一种利用从一个任务学到的知识，来帮助解决另一个任务的方法。在大模型中，迁移学习通常通过使用预训练模型来实现。例如，在自然语言处理中，BERT和GPT等预训练语言模型可以用于各种任务，如文本分类、问答系统等。
15. 模型蒸馏
Model Distillation
模型蒸馏是一种将大型模型（教师模型）的知识转移到较小模型（学生模型）的技术。通过模仿教师模型的输出或中间表示，学生模型可以在保持较低计算复杂度的同时实现接近教师模型的性能。
16. 分布式训练
Distributed Training
分布式训练是一种利用多个计算节点并行训练大模型的方法。通过将模型和数据分布到多个节点上，可以加快训练速度并提高模型的可扩展性。常见的分布式训练框架包括TensorFlow的Distributed Strategy和PyTorch的DistributedDataParallel等。简单来说就是“让多台机器一起工作，共同训练一个机器学习模型”的方法。
想象一下，你有一个非常大的数据集，用一台机器来训练模型可能会很慢，因为它需要处理这么多的数据。但如果你有多台机器，每台机器都处理一部分数据，那么训练速度就会大大提高。这就是分布式训练的基本原理。分布式训练的好处不仅仅是速度快。它还可以提高模型的准确性，因为更多的数据意味着更多的信息，可以帮助模型更好地学习。此外，如果其中一台机器出现故障，其他的机器还可以继续工作，这增加了系统的可靠性。
17.个性化推荐
Personalized Recommendation
根据用户的兴趣、行为等数据，为用户提供定制化的内容、产品或服务推荐。个性化推荐的前提就是打标签和机器学习。
18. 协同过滤
Collaborative Filtering
一种推荐算法，通过分析用户的行为和其他相似用户的行为，来预测用户可能感兴趣的内容和产品。协同过滤的原理是“物以类聚，人以群分”。目前自动化广告中的“lookalike”就是指协同过滤。
比如你在一个电商网站上浏览了很多关于跑步鞋的商品，协同过滤系统就会认为你对跑步鞋感兴趣。然后，它会找出其他也喜欢跑步鞋的用户，看看这些用户还买了哪些其他商品，比如运动服、运动手环等。最后，系统会把这些商品推荐给你，希望你也会喜欢并实现购买。
协同过滤技术被广泛应用在营销和广告中。商家可以通过分析用户的购买记录、浏览行为等数据，找出用户的兴趣爱好和消费习惯，然后推送相关的广告和优惠信息。某些社交平台会根据你观看的内容类型，推荐与你兴趣相似的其他用户发布或观看过的其他内容，从而增加用户的粘性和活跃度。
19. 动态定价
Dynamic Pricing
根据市场需求、竞争状况等因素实时调整产品或服务的价格。比如航空公司和酒店。动态定价也应用于广告领域。动态定价背后的技术涉及到：机器学习算法、实时数据分析、价格优化模型和自动化工具等。
20. 需求预测
Demand Forecasting
利用历史数据和其他相关信息，来预测未来某一时期的产品或服务需求。上一条提到的动态定价，就是基于实时数据进行的需求预测。
21. 聊天机器人
Chatbot
一种基于人工智能技术的自动化聊天程序，能够与用户进行自然语言对话，提供信息、解答问题或执行任务。许多公司的网站或社交媒体平台都部署了聊天机器人，用于响应客户的咨询和问题，提供即时的客户服务。
22. 实时竞价
Real-Time Bidding, RTB
一种在线广告购买方式，广告主可以在用户访问网页的几毫秒内决定是否购买展示给该用户的广告位，并出价。
23. 点击率预测
Click-Through Rate Prediction
利用机器学习模型预测广告被点击的概率，以优化广告投放策略。
其背后的原理是：首先，收集用户行为数据，包括点击、浏览、购买等记录。对数据进行清洗、去重、特征提取等预处理工作，以消除噪声和冗余信息。准备标签，即用户是否点击了某个特定内容。
然后，提取与点击率相关的特征，这些特征可能包括用户特征（如年龄、性别、地理位置、历史行为等）、物品特征（如内容类型、关键词、广告位等）以及上下文特征（如时间、设备类型等）。选择对预测有帮助的特征，去除不相关或冗余的特征，使特征更适合机器学习算法。
第三，选择合适的机器学习算法或深度学习模型进行训练。
最后，根据评估结果调整模型结构、特征选择或参数优化，以提高预测性能。
24. 聚类分析
Clustering Analysis
一种无监督学习方法，用于将相似的对象（如客户）分组在一起。营销者可以利用人工智能分析客户的购买行为、偏好等数据，将客户划分为不同的细分群体，以便为每个群体提供更精准的产品和服务。
25. 营销自动化
Marketing Automation
利用软件和技术来自动化营销过程中的重复性任务，提高效率。比如自动发送定制化的营销邮件、在社交媒体上自动发布内容等。
26. 人工智能价值对齐
AI alignment
确保人工智能追求与人类价值观相匹配的目标，确保AI以对人类和社会有益的方式行事，不对人类的价值和权利造成干扰和伤害。
其中涉及到一个关键问题：我们必须首先明确人类的价值观是什么，比如哲学上著名的思想实验——“电车难题”（The Trolley Problem）注，作为人类，哪种选择才是正确的？如果人类自身都无法确认，那么人工智能又该如何抉择？那么只会导致一种结果，每个人工智能体现和执行的都是它的创造者的价值观和意志。而这显然是不可行的，也是我们不希望看到的结果。在明确人类价值观的基础上，我们才能进行人类价值观与人工智能价值观的对齐。
来源：科特勒营销战略