人工智能术语词典

专用人工智能（Narrow AI/Weak AI）属于计算机科学与人工智能领域，指针对特定任务或垂直领域设计、训练及优化的智能系统。其核心特征为功能单一性、任务高精度及场景依赖性，依托机器学习、深度学习等技术实现模式识别或决策功能，不具备跨领域泛化能力与自主意识。典型应用包括语音助手、图像识别、工业质检等，通过自动化处理提升效率，是当前AI技术商业化落地的主要形态。

人机交互（Human-Computer Interaction (HCI)）研究人与数字系统间信息传递及控制关系的交叉学科，聚焦通过界面设计优化用户与计算机之间的双向通信效率与体验。其核心特征包括用户需求分析、交互模式设计（如触控、语音、手势）、界面反馈实时性以及系统可用性评估，强调以人类认知与行为模式为技术适配基准。应用涵盖智能终端设备、虚拟现实系统、工业控制面板、无障碍辅助技术等领域，是提升技术包容性、降低使用门槛的关键支撑学科。

人类学习（Human Learning）是指通过经验、教育或实践获取知识、技能或行为模式的过程。它涉及认知、情感和行为的综合变化，通常依赖于生物神经网络的可塑性。人类学习的核心是理解、推理和适应，通过不断与环境互动，形成对世界的抽象认知，并应用于解决复杂问题。

决策树（Decision Tree）属于计算机科学与机器学习领域，是一种基于树状结构的监督学习算法。其通过递归特征选择（如信息增益、基尼不纯度）划分数据，生成由节点（特征）、分支（规则）和叶节点（结果）构成的分类或回归模型。典型特征包括模型可解释性强、非参数化方法、可处理混合型数据，但存在过拟合风险。广泛应用于金融风控、医疗诊断及商业智能等领域，其决策路径透明性在需因果追溯的场景中具有独特优势，符合高可靠性需求的智能化决策要求。

强化学习（Reinforcement Learning）是机器学习的一个分支，指通过与环境交互并接收奖励或惩罚的反馈，使智能体（agent）学习如何采取行动以最大化累积奖励。与监督学习不同，强化学习不依赖于预先标记的数据，而是通过试错来学习。强化学习广泛应用于游戏、机器人技术、自动驾驶等领域，能够处理动态决策问题。例如，AlphaGo通过强化学习在围棋中击败人类冠军，机器人通过强化学习学习如何行走或抓取物体，自动驾驶汽车通过强化学习优化驾驶策略

情感分析（Sentiment Analysis）属于自然语言处理与计算语言学交叉领域，指通过算法自动识别、提取文本中主观情感信息（如观点、情绪、态度）的技术。其核心通过机器学习、情感词典及语义分析技术，实现情感极性判定（正/负/中性）或细粒度情绪分类（喜、怒、哀等），需解决文本多义性、语境依赖及跨领域适应性等挑战。典型应用于社交媒体舆情监控、产品评价分析、用户评论挖掘等领域，为商业决策、民意洞察及心理健康评估提供数据支持，是人机情感交互的重要技术基础。

族谱树（Genealogical Tree）是一种以树状图形式系统展示家族成员间血缘关系与世代传承结构的可视化工具。其核心特征是通过层级分支明确标注祖先与后代之间的直系或旁系亲属关系，通常包括姓名、出生/死亡日期、婚姻关系及关键家族事件等信息。族谱树广泛应用于家族历史研究、文化遗产保护、遗传学分析以及社会学中的亲属制度研究，同时也被现代基因检测技术和家谱数字化平台（如Ancestry.com）作为基础框架，用于整合历史档案、DNA数据与用户生成内容，以构建动态、可交互的多维家族网络。