سۈنئىي ئىدراك2026-04يېڭىلانغان:

AI دۇنياسى — ئۇيغۇرچە سۈنئىي ئىدراك قامۇسى

(AI World — Uyghur AI Encyclopedia)

سۈنئىي ئىدراك تارىخى، ML، DL، LLM، كومپيۇتېر كۆرۈشى، ھاسىللاش خاراكتېرلىك AI ۋە AI ئەخلاقى — 2026-يىلدىكى مودېللار بىلەن

ئۇيغۇرچە AI قامۇسى

AI دۇنياسى

Artificial Intelligence — تولۇق ئۇيغۇرچە يىلنامە

LLM، ML، DL، Narrow AI، AGI، NLP، Computer Vision، Reinforcement Learning ۋە يەنە كۆپرەك — سۈنئىي ئىدراك دۇنياسىنىڭ بارلىق ئاساسلىق چۈشەنچىلىرى تەپسىلىي ئۇيغۇرچە چۈشەندۈرمە بىلەن.

🧠 AI تارىخى 🤖 Narrow AI 🌐 AGI & ASI 📐 ML 🧬 Deep Learning 💬 NLP & LLM 👁️ Computer Vision 🎮 Reinforcement Learning 🎨 Generative AI 🏗️ AI Architecture 🛡️ AI Ethics 🔬 AI Research

سۈنئىي ئىدراك تارىخى

1950-يىلدىن بۈگۈنگىچە — AI نىڭ يىللار بويى ئۆسۈشى، قىشلار ۋە يازلار

سۈنئىي ئىدراك (AI) دېگىنى — ئادەتتە ئىنسان ئەقلى تەلەپ قىلىدىغان ۋەزىپىلەرنى (ئويلىنىش، ئۆگىنىش، مەسىلە ھەل قىلىش، تىل چۈشىنىش) ماشىنىلار ئارقىلىق ئامالغا ئاشۇرۇش ئىلمى ۋە تېخنىكىسى. 1956-يىلى John McCarthy «Artificial Intelligence» ئىستىلاھىنى ئوتتۇرغا قويغاندىن بۇيان بۇ ساھە ئۇزۇق-تۇتۇق رىۋاجلىنىپ كەلدى.

AI تۈرلىرى — ئىقتىدار دەرىجىسىگە قاراپ

Narrow AI دىن AGI ۋە ASI گىچە — ئۈچ دەرىجىلىك سۈنئىي ئىدراك تۈرلىرى

🎯

تار مەيدانلىق AI — Narrow AI (ANI)

ئەڭ كۆپ ئىشلىتىلىدىغان AI تۈرى. پەقەت بىر ياكى بىر نەچچە ئېنىق ۋەزىپىنى ئادا قىلالايدۇ. مەسىلەن: يۈز تونۇش سىستېمىسى پەقەت يۈز تونۇشنى، شاتراڭ AI پەقەت شاتراڭنى ئالىدۇ. ئۆزىنىڭ بەلگىلەنگەن ساھەسىدە ئىنساندىن يۇقىرى بولالايدۇ، ئەمما باشقا ساھەگە كۆچەلمەيدۇ. مىساللار: Siri، Alexa (ئاۋاز ياردەمچىسى) — Google Translate (تىل تەرجىمىسى) — Netflix تاۋسىيە سىستېمىسى — Tesla ئاپتوماتىك يۈرۈش — AlphaGo (Go ئويۇنى) — رەسىم تونۇش — سپام سۈزگۈچ.

ھازىرقى دەۋر

بىر ۋەزىپىلىك

تار ساھە

ئىشلىتىشكە تاياق

🌐

ئومۇمىي سۈنئىي ئىدراك — AGI

ئىنسان سەۋىيىسىدىكى ئومۇمىي ئىدراك. ئىنسان قىلالايدىغان ھەر قانداق بىلىش ۋەزىپىسىنى ئادا قىلالايدۇ. ھازىرچە نەزەرى چۈشەنچە. OpenAI، DeepMind، Anthropic AGI قۇرۇشنى ئاساسلىق مەقسىت قىلغان. AGI مۆلچەرى ئادەمدىن ئادەمگە ئوخشىمايدۇ — بەزىلەر 2027، بەزىلەر 2040، بەزىلەر ھەرگىز دەيدۇ. ئالاھىدىلىكلىرى: يېڭى ساھەگە ئۆز-ئۆزىدىن ماسلىشىش — ئاز مىقداردىكى مىسالدىن ئۆگىنىش — ئىجادىي تەپەككۇر — ئۆزىنى ئۆزى باھالاش — مۇرەككەپ مەسىلە ھەل قىلىش.

نەزەرى

ئىنسان سەۋىيىسى

ھەنۇز يوق

مۆلچەر: 2030-2050

دەرىجىدىن تاشقىرى سۈنئىي ئىدراك — ASI

ئىنسان ئىدراكىدىن كۆپ ھەسسە يۇقىرى. ئىلمى، ئىجادىيلىق، ئىجتىمائى كۆندۈرۈش قاتارلىق بارلىق ساھەدە ئەڭ ئاقىللىق ئىنساندىنمۇ ئۈستۈن. Nick Bostrom نىڭ «Superintelligence» كىتابىدا چوڭقۇر تەھلىل قىلىنغان. Stephen Hawking، Elon Musk ASI نى ئىنسانىيەتنىڭ ئاخىرقى ئىختىرا قىلغۇچىسى ياكى ئەڭ چوڭ خەتىرى دەپ ئاتىغان. ئاگاھلاندۇرۇش: ASI نىڭ مەقسىتى ئىنسانلارنىڭ مەقسىتىگە ماسلاشتۇرۇلمىسا «Alignment Problem» كەلتۈرىپ چىقىرىدۇ — Anthropic، DeepMind نىڭ ئەڭ ئاساسلىق تەتقىقات مەسىلىسى شۇ.

نەزەرى

ئىنساندىن يۇقىرى

خەتەرلىك

مۆلچەر: يىراق

ئىنكاسلىق ماشىنا

ئەڭ ئاددىي AI تۈرى. ئۆتمۈش خاتىرىسى يوق، پەقەت ھازىرقى كىرگۈزمىگە ئىنكاس كۆرسىتىدۇ. مىسال: IBM Deep Blue، ئاددىي تاۋسىيە سىستېمىسى.

چەكلىك خاتىرە AI

قىسقا مۇددەتلىك ئۆتمۈش سانلىقلىرىنى ئىشلىتىپ قارار قىلىدۇ. مىسال: ئاپتوماتىك يۈرۈش ئاپتوماشىنا، ChatGPT سۆھبەت تارىخى.

ئەقىل نەزەرىيىسى

باشقىلارنىڭ دۇيغۇسى، نىيىتى ۋە تەپەككۇرىنى چۈشىنىش ئىقتىدارى. ھازىر تەتقىقات مەرھىلىسىدە. AGI نىڭ مۇھىم جەھەتلىرىدىن.

ئۆز-ئۆزىنى چۈشىنىدىغان AI

ئۆزىنىڭ مەۋجۇتلۇقىنى چۈشىنىدۇ، ئۆز-ئۆزىنى باشقۇرالايدۇ. AGI/ASI نىڭ ئاخىرقى مەرھىلىسى. ھازىر خىيالاتلىق مەرھىلىدە.

ماشىنا ئۆگىنىشى

ماشىنىلارنىڭ ئېنىق كود يازماي تۇرۇپ سانلىقلاردىن ئۆزلۈكىدىن ئۆگىنىش ئۇسۇلى

ماشىنا ئۆگىنىشى (ML) — ماشىنىنىڭ ئاشكارىلانغان سانلىقلاردىن ئۆزلۈكىدىن نامۇنا تاپىش ۋە قارار چىقىرىش ئىقتىدارىنى يوللاش ئىلمى. AI نىڭ ئاساسلىق تارمىقى. Arthur Samuel 1959-يىلى «ML» ئىستىلاھىنى ئوتتۇرغا قويغان. ئاددىي قىلىپ ئېيتقاندا: سانلىق مەلۇمات + ئالگورىزم = مودېل → مۆلچەرلىمە

يېتەكچىلىك ئاستىدا ئۆگىنىش

بەلگىلەنگەن يارلىق (label) بار سانلىقلار بىلەن تەربىيىلەش. مودېل كىرگۈزمە-چىقىم جۈپلىرىدىن نامۇنا تاپىدۇ.

يارلىقسىز ئۆگىنىش

يارلىق بەلگىلەنمىگەن سانلىقلاردىن ئۆزلۈكىدىن گۇرۇپپا ۋە نامۇنا تاپىش. قىزىقىدىغان ئوخشاشلىقلارنى بايقاش.

كۈچەيتىش ئۆگىنىشى

Agent مۇھىت بىلەن ئۆز-ئارا تەسىردە بولۇپ مۇكاپات/جازا ئارقىلىق ئۈستۈنلۈك ئىزدەيدۇ.

ئۆز-ئۆزىدىن يېتەكلىنىش

سانلىقلارنىڭ ئۆزىدىن يارلىق ھاسىللاپ ئۆگىنىش. GPT، BERT قاتارلىق LLM لارنىڭ ئاساسى.

يارىم يارلىقلىق ئۆگىنىش

ئاز مىقداردىكى يارلىقلىق سانلىق بىلەن كۆپ مىقداردىكى يارلىقسىز سانلىقنى بىرلەشتۈرۈش.

ئۆگىنىشنى كۆچۈرۈش

بىر ۋەزىپىدە ئۆگىنىلگەن بىلىمنى باشقا ۋەزىپىگە يوللاش. Fine-tuning نىڭ ئاساسى.

ئاساسلىق ML ئالگورىزملارى

ئالگورىزمئۇيغۇرچە ئىسمىئىشلىتىلىدىغان ئورۇنتۈرى
Linear Regressionسىزىقلىق چاغىرىشتۇرۇشسانلىق قىممەت مۆلچەرى — ئۆي باھاسى، سېتىلىش مۆلچەرىيېتەكچىلىك
Logistic Regressionتۈرلەش چاغىرىشتۇرۇشئىككى تۈرلۈك تۈرلەش — سپام/نورمال، كېسەل/سالامەتيېتەكچىلىك
Decision Treeقارار دەرىخىقارار قاداملىرى — قايتا ئىزاھلانغۇچى مودېليېتەكچىلىك
Random Forestتاساددۇپىي ئورمانكۆپ قارار دەرىخى بىرلىكى — يۇقىرى ئىقتىدار، ئاشىرا ئۆگىنىشنى ئازايتىدۇيېتەكچىلىك
SVMقوللاش ۋېكتور ماشىنايۇقىرى ئۆلچەملىك تۈرلەش — تېكىست، رەسىم تۈرلەشيېتەكچىلىك
K-MeansK-ئوتتۇرا توپلاشئىشلەتكۈچى گۇرۇپپىلاش، بازار تەھلىلىيارلىقسىز
PCAئاساسلىق تەرەپ تەھلىلىئۆلچەم تۆۋەنلىتىش، ۋىزۇئالىزاتسىيەيارلىقسىز
XGBoost / LightGBMكۈچلۈك تۆگىنىش ئالگورىزمىKaggle رەقابىتىدە ئەڭ مەشھۇر — يۇقىرى ئىقتىدارلىق تۇرغۇن سانلىقيېتەكچىلىك
K-NNK-يېقىن قوشنائوخشاشلىققا ئاساسەن تۈرلەش — تاۋسىيە سىستېمىسىيېتەكچىلىك
Naive Bayesسادە Bayesتىل تۈرلەش، سپام بايقاش — تېز ۋە ئاددىييېتەكچىلىك

چوڭقۇر ئۆگىنىش

ئىنسان مىيىسى نېيرون تارماقلىرىدىن ئىلھام ئالغان كۆپ قەۋەتلىك سۈنئىي نېيرون تارماق

چوڭقۇر ئۆگىنىش (DL) — ML نىڭ تارمىقى. سۈنئىي نېيرون تارماق ئارقىلىق كۆپ قەۋەتلىك نامۇنا تاپىش. «چوڭقۇر» دېگەن — كۆپ قەۋەتلىك (layer) دەمەكتۇر. 2012-يىلى AlexNet ImageNet رەقابىتىدە ئىنسان سەۋىيىسىگە يېتىپ DL ئىنقىلابى باشلاندى. GPU ھېسابلاش كۈچى، چوڭ سانلىق مەلۇمات ۋە ئالگورىزم يۇقىرىلىشى DL نى ممكىن قىلدى.

سۈنئىي نېيرون تارماق

ئىنسان مىيىسى نېيرونلىرىدىن ئىلھام ئالغان. كىرگۈزمە (Input), يوشۇرۇن (Hidden), چىقىش (Output) قەۋەتلىرىدىن تۈزۈلگەن. Backpropagation بىلەن تەربىيىلىنىدۇ.

تورلۇق نېيرون تارماق

رەسىم تەھلىلى ئۈچۈن ئالاھىدە. Convolution قەۋەت ئارقىلىق رەسىمدىن گوشا، چىزىق، شەكىل تاپىدۇ. ResNet، VGG، EfficientNet مىساللار.

قايتالانغۇچ نېيرون تارماق

تۈركۈملۈك سانلىقلار (تىل، ۋاقىت يۈرىكى) ئۈچۈن. ئۆتمۈش خاتىرىسىنى ساقلايدۇ. LSTM، GRU كىيىنچە رىۋاجلاندى.

ئۇزۇن-قىسقا مۇددەتلىك خاتىرە

RNN نىڭ كاملىقى — ئۇزۇن مۇددەتلىك تەئسىرنى ساقلايدۇ. تىل تەرجىمىسى، ئاۋاز تونۇش، ۋاقىت يۈرىكى مۆلچەرى.

ئۆزگەرتكۈچ تارماق

2017-يىلى Google تەرىپىدىن «Attention Is All You Need» ماقالىسىدە تونۇشتۇرۇلغان. Self-Attention مېخانىزمى بىلەن. GPT، BERT، LLaMA ئاساسى.

رەقىبانە ھاسىللاش تارماق

Generator ۋە Discriminator ئىككى تارماقنىڭ رەقابىتى. يۇقىرى سۈپەتلىك رەسىم، ۋىدىيو ھاسىللاش. 2014-يىلى Ian Goodfellow تەكلىپ قىلغان.

تارقىتىش مودېلى

ئاستا-ئاستا تارقاتمىنى قوشۇپ ئاندىن ئەكس تەرەپكە يۈرۈتۈش ئارقىلىق رەسىم ھاسىللاش. Stable Diffusion، DALL-E 3 ئاساسى.

ئاپتوماتىك شىفىرلاش

ئىچكى يوشۇرۇن ۋاساتىلىق ئۆلچەم (Latent Space) ئارقىلىق مەزمۇن پرېسلەش ۋە ئەسلىگە كەلتۈرۈش. رەسىم ھاسىللاشتا ئىشلىتىلىدۇ.

گراپ نېيرون تارماق

گراپ قۇرۇلمىسىدىكى سانلىقلار ئۈچۈن. ئىجتىمائى تار تەھلىلى، مولېكۇل بىولوگىيىسى، تاۋسىيە سىستېمىسى.

ئاساسلىق DL چۈشەنچىلىرى

چۈشەنچەئۇيغۇرچەچۈشەندۈرمەمۇناسىۋەت
Backpropagationكەينىگە تارقىتىشخاتالىقنى كەينىگە تارقىتىپ ئېغىرلىقنى تۈزىتىش — تەربىيىلەشنىڭ ئاساسىئاساسلىق
Gradient Descentگرادىيېنت چۈشۈشىيوقىتىش فۇنكسىيىسىنىڭ ئەڭ تۆۋەن نۇقتىسىغا ئىتىلىش — ئالگورىزمنى ئۆزگەرتىدۇئاساسلىق
Activation Functionپەئاللاشتۇرۇش فۇنكسىيىسىReLU, Sigmoid, Tanh — سىزىقسىزلىق قوشىدۇ، مۇرەككەپ نامۇنا تاپالايدۇقۇرۇلما
Dropoutتاساددۇپىي ئۆچۈرۈشتەربىيە دەۋرىدە نېيرونلارنى تاساددۇپى ئۆچۈرۈش — ئاشىرا ئۆگىنىشنى بوستۇرىدۇتەڭشەش
Batch Normalizationتوپلام نورمالىزاتسىيىسىھەر قەۋەتنىڭ كىرگۈزمىسىنى نورمالىزاتسىيىلەش — تەربىيىلەشنى تۇراقلاشتۇرىدۇتەڭشەش
Learning Rateئۆگىنىش سۈرئىتىھەر قەدەمدە ئېغىرلىقنى قانچە ئۆزگەرتىش — ئەڭ مۇھىم HyperparameterHyperparameter
Epoch & Batchدەۋر ۋە توپلامEpoch = پۈتۈن سانلىق بىر قېتىم كۆرۈش; Batch = بىر قېتىمدىكى نۇسخا سانىHyperparameter
Overfittingئاشىرا ئۆگىنىشتەربىيە سانلىقىنى يادلاپ، يېڭى سانلىقتا ئومۇملىشالماش — ئالدىنالماشمەسىلە
Underfittingيەتكۈسسىز ئۆگىنىشمودېل نامۇنانى ئۆگىنەلمەش — مودېل ئاددىي ياكى تەربىيە يەتمىدىمەسىلە
RegularizationتەڭشەكچىلىكL1/L2 كاللىيىك — ئاشىرا ئۆگىنىشنى بوستۇرۇش ئۇسۇلىھەل قىلىش

تىل تەھلىلى ۋە چوڭ تىل مودېلى

ماشىنىلارنىڭ ئىنسان تىلىنى چۈشىنىش ۋە ھاسىللاش ئىلمى — ChatGPT نىڭ مىيى

💬

تەبىئىي تىل تەھلىلى — NLP

ماشىنىلارنىڭ ئىنسان تىلىنى (يازما ياكى ئاۋاز) چۈشىنىش، تەھلىل قىلىش ۋە ھاسىللاش ئىقتىدارى. AI نىڭ ئاساسلىق تارمىقلىرىدىن. 1950-يىللىرى باشلانغان بولۇپ، Transformer مودېلى بىلەن ئىنقىلابلىق ئالغا سەكرىدى. NLP ۋەزىپىلىرى: تىل بايقاش — تامغا تۈرلەش (NER) — تويغۇ تەھلىلى — خۇلاسىلاش — تەرجىمە — سوئال جاۋاب — سۆھبەت — تىل تولۇقلاش.

Tokenization

Embeddings

Attention

BERT

GPT

🧬

چوڭ تىل مودېلى — LLM

مىلياردلارچە پارامېتر بار، چوڭ سانلىق مەلۇمات ئۈستىدە تەربىيىلەنگەن Transformer ئاساسلىق تىل مودېلى. پارامېتر سانى يۇقىرىلاشقانسىرى ئىقتىدار كۈچىيىدۇ — بەزى ئەقىللىق ئىقتىدار كۈتۈلمىگەن ئاشكارا بولىدۇ (Emergent Abilities). قانداق تەربىيىلىنىدۇ؟ ① Pre-training: ئىنتېرنېت مەزمۇنىدىن ئۆز-ئۆزىدىن ئۆگىنىش (تامغا مۆلچەرى) → ② Fine-tuning: ئېنىق ۋەزىپە سانلىقى بىلەن خاسلاشتۇرۇش → ③ RLHF: ئىنسان باھاسى بىلەن يۇقىرىلاشتۇرۇش.

GPT-6

Claude 5.5

Gemini

Llama / Muse

Mistral

Qwen

تامغالاش

تېكىستنى كىچىك بۆلۈكلەرگە (token) بۆلۈش. «Hello» = 1 token، «Unconditional» = 3 token. BPE، WordPiece ئۇسۇللار.

سۆز ۋېكتورى

سۆزلەرنى سانلىق ۋېكتورغا ئايلاندۇرۇش. «King - Man + Woman = Queen». Word2Vec، GloVe، FastText مىساللار.

دىققەت مېخانىزمى

مودېل جۈملىنى تەھلىل قىلغاندا قايسى سۆزگە كۆپرەك دىققەت قىلىشىنى ئۆزى بەلگىلىيىدۇ. Transformer نىڭ يۈرىكى.

مەزمۇن دەرىچىسى

LLM بىر قېتىمدا قانچە token نى كۆرەلەيدۇ. 2026-يىلى ئۆكتەبىردە GPT-6 ئائىلىسى 1,050,000، Claude 5.5 ئائىلىسى 1,000,000، Gemini 4 Argon 1,048,576 token. كۆپ بولغانسىرى ئۇزۇن ھۆججەت ۋە سۆھبەتنى بىراقلا بىر تەرەپ قىلالايدۇ.

AI خىيالبازلىقى

LLM توغرا بولمىغان مەلۇماتنى ئىشەنچ بىلەن ئوتتۇرغا قويۇشى. ئەڭ مۇھىم AI بىخەتەرلىك مەسىلىلىرىدىن بىرى.

تەتكۈز يازغانلىقى

LLM دىن ئەڭ ياخشى جاۋابنى ئېلىش ئۈچۈن تەتكۈزنى ئىزچىل يېزىش سەنئىتى. Zero-shot، Few-shot، Chain-of-Thought.

ئىزدەش كۈچەيتىلگەن ھاسىللاش

Retrieval-Augmented Generation. تاشقى بىلىم ئامبىرىدىن ئىزدەپ LLM جاۋابىنى كۈچەيتىش. خىيالبازلىقنى ئازايتىدۇ.

مودېل خاسلاشتۇرۇش

ئالدىن تەربىيىلەنگەن LLM نى ئېنىق سانلىق بىلەن داۋاملىق تەربىيىلەش. LoRA، QLoRA ئارزان ئۇسۇللار.

ئىنسان باھاسى بىلەن ئۆگىنىش

Reinforcement Learning from Human Feedback. ئىنسان باھاگۈرى LLM جاۋابلىرىنى تەرتىپلەپ مودېلنى يۇقىرىلاشتۇرىدۇ. ChatGPT نىڭ مۇۋەپپەقىيەت سىرى.

سانلىق تۆۋەنلىتىش

مودېل ئېغىرلىقلىرىنىڭ توغرىلىق دەرىجىسىنى تۆۋەنلىتىش (32bit → 4bit). مودېل ئۆلچىمىنى كىچىكلىتىپ تېزلاتىدۇ. GGUF، GPTQ ئۇسۇللار.

ئاساسلىق LLM مودېللىرى سېلىشتۇرۇشى

مودېلشىركەتپارامېتر / ئالاھىدىلىكتۈرى
GPT-6 Astra / GPT-6.1 Sol / GPT-6 LunaOpenAIAstra ئەڭ كۈچلۈك، Sol تەڭپۇڭ، Luna ئەرزان. 1,050,000 token contextتىجارەت
Claude Fable 5.1 / Opus 5.5 / Sonnet 5.5 / Haiku 5.5Anthropic1M token context. Constitutional AIتىجارەت
Gemini 4 Argon / Gemini 3.8 FlashGoogle DeepMindتېكىست، رەسىم، ۋىدىيو، ئاۋاز ۋە PDF. 1,048,576 token contextتىجارەت
Muse Spark OpenMeta816B (42B ئاكتىپ) MoE، 1M context. Muse Model Licenseئوچۇق ئېغىرلىق
Mistral Large 4Mistral AI~1T (52B ئاكتىپ) MoE، 1M context. 2026-يىلى 24-ئۆكتەبىرگىچە ئېغىرلىقى تېخى ئېچىلمىدىئالدىن كۆرۈش
Qwen3.8AlibabaQwen3.8-Max (2.4T، 95B ئاكتىپ) ئوچۇق ئېغىرلىق؛ Qwen3.8-27B Apache 2.0ئوچۇق ئېغىرلىق
DeepSeek V4DeepSeekV4-Pro: 1.6T (49B ئاكتىپ) MoE، 1M context، MIT ئىجازەتنامىسىئوچۇق ئېغىرلىق
Phi-4Microsoft14B لىق كىچىك ئەمما كۈچلۈك مودېلئوچۇق ئېغىرلىق

كومپيۇتېر كۆرۈشى

ماشىنىلارنىڭ رەسىم ۋە ۋىدىيودىن مەزمۇن چۈشىنىش ۋە تەھلىل قىلىش ئىقتىدارى

رەسىم تۈرلەش

رەسىمنى بىر تۈرگە تەقسىم قىلىش. «مۇشۇق» ياكى «كۆپەك»؟ ResNet، EfficientNet، ViT مودېللار.

ئوبيېكت بايقاش

رەسىم ئىچىدىكى ئوبيېكتلارنى «صندوق» بىلەن بەلگىلەش ۋە تۈرلەش. YOLO، Faster R-CNN.

مەنالىق بۆلۈش

ھەر پىكسېلنى بىر تۈرگە تەقسىم قىلىش. رەسىمدىكى ھەر نەرسىنى ئايرىم رەڭ بىلەن بەلگىلەيدۇ.

يۈز تونۇش

رەسىمدىن ياكى ۋىدىيودىن يۈز بايقاش ۋە شەخسنى تونۇش. DeepFace، ArcFace ئالگورىزملار.

تۇرۇش تەخمىنى

رەسىمدىن ئىنساننىڭ تۈگۈن ئورنىنى (بىلەك، تىز…) بايقاش. MediaPipe، OpenPose ئۈسكۈنىلىرى.

رەسىم ھاسىللاش

تېكىستتىن رەسىم ھاسىللاش (T2I). Stable Diffusion، DALL-E 3، Midjourney، FLUX.1. Diffusion ئالگورىزمى ئاساس.

ئوپتىك ھەرپ تونۇش

رەسىمدىكى تېكىستنى رەقەملىك تېكىستكە ئايلاندۇرۇش. Tesseract، PaddleOCR، Azure Form Recognizer.

ۋىدىيو چۈشىنىش

ۋىدىيودىن ئىش-ھەرىكەت تونۇش، مەزمۇن تەھلىلى. Sora، Runway قاتارلىق ۋىدىيو AI لار.

ھاسىللاش AI

يېڭى مەزمۇن — تېكىست، رەسىم، ئاۋاز، ۋىدىيو، كود — ھاسىللىيالايدىغان AI

تېكىست ھاسىللاش

LLM ئارقىلىق تۈرلۈك تىل ئۇسلۇبىدا مەزمۇن ئىجاد قىلىش. ماقالە، كود، شىئىر، ئۆگىتىم…

رەسىم يارىتىش

Diffusion Model ئارقىلىق تېكىست تەسۋىرىدىن يۇقىرى سۈپەتلىك رەسىم ھاسىللاش.

ئاۋاز ۋە مۇزىكا ھاسىللاش

Suno، Udio (مۇزىكا); Bark، ElevenLabs (TTS); AudioCraft (Meta). تىللاردىن ئاۋاز ياسايدۇ.

ۋىدىيو ھاسىللاش

Gemini Omni Flash (Google)، Kling 4.0، Seedance 2.5، Runway Gen-4.5 — تېكىستتىن ياكى رەسىمدىن ۋىدىيو ياسايدۇ (2026-يىلى 24-ئۆكتەبىر ھالىتى). OpenAI نىڭ Sora سى 2026-يىلى 26-ئاپرېلدا، API سى 24-سېنتەبىردە توختىتىلدى؛ Gemini API دىكى Veo 3.1 Preview مۇ 22-ئۆكتەبىردە توختىتىلدى.

كود ھاسىللاش

GitHub Copilot، Cursor، Claude Code، OpenAI Codex، Devin — تەبىئىي تىل تەسۋىرىدىن كود يېزىش.

3D مودېل ھاسىللاش

تېكىست ياكى رەسىمدىن 3D مودېل ياسايدۇ. Point-E، Shap-E (OpenAI)، TripoSR.

كۆپ مۇھىتلىق AI

تېكىست، رەسىم، ئاۋاز، ۋىدىيونى بىرلىكتە چۈشىنىپ جاۋاب بېرىدۇ. GPT-6، Gemini 4 Argon، Claude 5.5، Muse Spark Open.

AI Agent ئىجراچىسى

LLM ئاساسىدا ئۆز-ئۆزىگە ۋەزىپە رەتلەيدىغان ۋە قورال ئىشلىتىدىغان سىستېما. Claude Code، OpenAI Codex، Devin.

ئالاھىدە AI تارماقلىرى

Reinforcement Learning، Robotics، Edge AI، Federated Learning ۋە يەنە كۆپرەك

🎮

كۈچەيتىش ئۆگىنىشى — RL

Agent مۇھىت بىلەن ئۆز-ئارا تەسىردە بولۇپ مۇكاپات (reward) ئارقىلىق ئالتۇن سىياسەت (optimal policy) ئۆگىنىدۇ. ئىنسان يول كۆرسىتىشى تەلەپ قىلمايدۇ — ئۆزلۈكىدىن تەجرىبە قىلىدۇ. ئاساسلىق ئۇسۇللار: Q-Learning، Deep Q-Network (DQN)، PPO (Proximal Policy Optimization)، Actor-Critic، AlphaZero ئۆز-ئۆزىنى ئوينىتىش. مىساللار: AlphaGo/AlphaZero (Go ئويۇنى), OpenAI Five (Dota 2), ChatGPT RLHF, رومبوتىق قوللار تەربىيىسى, Stock Trading Bot.

تارقالغان ئۆگىنىش

سانلىقنى مەركەزگە يوللاماي، ھەر ئۈسكۈنىدە يەرلىك تەربىيىلەپ پەقەت مودېل يېڭىلاشلىرىنى ئوتتۇرغا يوللاش. خۇسۇسىيەت قوغداش.

چەت ھېسابلاش AI

AI مودېلىنى بۇلۇت ئەۋەتمەي تۇرۇپ يەرلىك ئۈسكۈنىدە (تېلىفون، IoT, رومبوت) ئىجرا قىلىش. Tflite، ONNX.

رومبوتىق AI

جىسمانىي دۇنيادا ھەرىكەت قىلالايدىغان AI. Boston Dynamics، Tesla Optimus، Figure AI رومبوتلىرى.

تىببىي AI

AlphaFold (پروتئىن قۇرۇلمىسى), Pathology AI, Drug Discovery, تىببىي رەسىم تەشخىسلاش.

ئاپتوماتىك يۈرۈش

Tesla FSD، Waymo، Cruise — LIDAR، Radar، Camera بىرلەشتۈرۈپ يول كۆرۈش. SAE 0-5 دەرىجىسى.

ئىلمىي AI

AlphaFold (DeepMind) — پروتئىن قۇرۇلمىسىنى ھەل قىلدى. GNoME — يېڭى ماددە تاپتى. AI4Science يىلتىزى باشلاندى.

AI ئارخىتىكتۇرىسى ۋە قۇرۇلمىسى

GPU، TPU، MLOps، Vector Database ۋە AI تەرەققىيات تىزىمى

چۈشەنچەئۇيغۇرچەچۈشەندۈرمەتۈرى
GPU (A100/H100)گرافىك پروتسېسسورىAI تەربىيىلەشنىڭ ئاساسى. NVIDIA H100 ئەڭ مۇقىم GPU. $30,000-40,000/دانەئۈسكۈنە
TPU (Google)تەنسور پروتسېسسورىGoogle نىڭ AI ئالاھىدە چىپى. GPU دىن تېزرەك ML ھېسابلاشقا مۇۋاپىقئۈسكۈنە
Vector Databaseۋېكتور سانلىق مەلۇمات بازىسىAI Embedding لىرىنى ساقلاش ۋە ئوخشاشلىق ئىزدەش. Pinecone، Weaviate، Chroma، pgvectorئۈسكۈنە
MLOpsML مەشغۇلاتىML مودېلىنى تەربىيىلەش، يايدۇرۇش، كۆزىتىش تىزىمى. MLflow، Weights & Biasesتىزىم
Model Servingمودېل مۇلازىمىتىAI مودېلىنى API ئارقىلىق ئەتراپقا چىقىرىش. TorchServe، Triton، vLLM، Ollamaتىزىم
Data Pipelineسانلىق مەلۇمات تىزمىسىخام سانلىقدىن تەربىيە سانلىقىغىچە تەييارلاش تىزمىسى. Apache Airflow، Prefectتىزىم
Experiment Trackingتەجرىبە ئىزدەشML تەربىيىسىدىكى Hyperparameter، كۆرسەتكۈچلەرنى خاتىرىلەش. Weights & Biases، MLflowتىزىم
Inference Optimizationئىجرا ئۇسۇلى ئۆزىنىQuantization، Distillation، Pruning — مودېلنى تېزلىتىش ۋە كىچىكلىتىشئۇسۇل
ONNXئوچۇق نېيرون تارماقمودېل ئۆز-ئارا ئالماشتۇرۇش ئۆلچىمى. PyTorch → ONNX → TensorRT بىلەن تېزلىتىشئۆلچەم
LangChain / LlamaIndexLLM ئۈستىدىكى قۇرۇلماLLM ئاساسلىق ئەپ قۇرۇش چارچۇۋىسى. RAG، Agent، Chain بىنا قىلىشچارچۇۋا

AI ئەخلاقى ۋە بىخەتەرلىكى

AI نى ئادالەتلىك، ئاشكارە ۋە بىخەتەر قىلىش — ئەڭ مۇھىم تەتقىقات ساھەسى

AI لا-ئادالەتلىكى

تەربىيە سانلىقىدىكى تەرەپكە ئاغۇلاش مودېل قارارلىرىدا ئەكس ئەتكۈزۈلىدۇ. يۈز تونۇش سىستېمىسى قارا چۈمبۈل ئاياللارنى ئاز توغرىلىق بىلەن تونۇيىشى مىسال.

AI ماسلىشىش مەسىلىسى

AI نىڭ ئىنسان قىممەتلىرى ۋە مەقسىتىگە ماسلىشىشى. Anthropic نىڭ Constitutional AI شۇنىڭغا مەركەزلىشىدۇ.

چۈشىنىشچانلىق

AI نىڭ نېمىشقا مۇنداق قارار قىلغانلىقىنى چۈشىنىش. «قارا سندۇق» مەسىلىسى. Mechanistic Interpretability تەتقىقاتى.

AI ئالداپ-مالداش

AI بىلەن ھاسىللانغان يالغان رەسىم، ۋىدىيو، ئاۋاز. مەلۇمات توغرىلىقى ۋە ئىنسان ئوبرازىنى قوغداش مەسىلىسى.

AI قانۇنى

EU AI Act (2024) — دۇنيادىكى تۇنجى جامع AI قانۇنى. ئامېرىكا، خىتاي، ئاۋستىراليا قاتارلىقلارمۇ قانۇن تەييارلاۋاتىدۇ.

AI مەزمۇن بەلگىسى

AI ھاسىللانغان مەزمۇننى بايقاش ئۈچۈن كۆرۈنمەيدىغان بەلگە قوشۇش. Google SynthID، C2PA ئۆلچىمى.

AI تىل بايلىقى قامۇسى

AI دۇنياسىدىكى ئەڭ كۆپ ئىشلىتىلىدىغان ئىستىلاھلار — ئۇيغۇرچە چۈشەندۈرمە

ئىستىلاھئۇيغۇرچەچۈشەندۈرمەساھە
Parameterپارامېترنېيرون تورنىڭ تەربىيىلەش جەريانىدا ئۆزگىرىدىغان ئېغىرلىق قىممەتلىرى. ھازىرقى چوڭ ئوچۇق مودېللاردا يۈز مىلياردتىن ترىللىيونغىچە (مەسىلەن DeepSeek-V4-Pro: 1.6T)DL
TokenتامغاLLM نىڭ ئىشلىتىدىغان ئاساسلىق بۆلۈك. سۆز، بۆلۈك سۆز ياكى بىر ھەرپ بولالايدۇNLP
Embeddingۋېكتور ۋاساتىسۆز ياكى جۈملىنى يۇقىرى ئۆلچەملىك سانلىق ۋېكتورغا ئايلاندۇرۇشNLP
Hyperparameterيۇقىرى پارامېترتەربىيىلەشتىن ئالدىن بەلگىلىنىدىغان تەڭشەك: ئۆگىنىش سۈرئىتى، Epoch سانى…ML
Inferenceمۆلچەرلىمەتەربىيىلەنگەن مودېلنى يېڭى سانلىقتا ئىجرا قىلىش — «AI غا سوئال سوراش» دەۋرىML
Latent Spaceيوشۇرۇن ۋاساتىمودېل ئىچىدىكى قىسقا، يوشۇرۇن ئۆلچەملىك كۆرۈنۈش. Diffusion مودېللىرىنىڭ «ئويلىنىش مەيدانى»GenAI
Zero-shotنۆل مىسالمودېلغا ئالدىن مىسال بەرمەي بىۋاسىتە سوئال سوراش. GPT نىڭ كۈچلۈك تەرىپىLLM
Few-shotئازسانلىق مىسالمودېلغا 1-5 مىسال كۆرسىتىپ ئاندىن سوئال سوراش — توغرىلىقنى ئاشۇرىدۇLLM
Chain-of-Thoughtتەپەككۇر زەنجىرىLLM نى ئادىمجاي مەرھىلىدە ئويلاندۇرۇش — «قەدەممۇ-قەدەم ئويلا» دەپ تەلەپ قىلىشLLM
Emergent Abilitiesكۈتۈلمىگەن ئىقتىدارمودېل چوڭلىشىشى بىلەن كۈتۈلمىگەن يېڭى ئىقتىدارلار ئاشكارا بولۇشىLLM
Benchmarkبىنجىمار ئۆلچىمىAI مودېللىرىنى سېلىشتۇرۇش ئۆلچىمى. MMLU، HumanEval، ARC، HELM قاتارلىقلارئۆلچەم
MoEمۇتەخەسسىسلەر ئارلاشمىسىMixture of Experts — كىرگۈزمىگە قاراپ مۇۋاپىق «مۇتەخەسسىس» تارماقنى پەئاللاشتۇرۇشDL
LoRAتۆۋەن دەرىجىلىك ماسلىشىشLow-Rank Adaptation. كىچىك مىقداردا پارامېتر ئۆزگەرتىپ مودېلنى خاسلاشتۇرۇشFine-tuning
Perplexityئەقلىي چاتاقلىقLLM نىڭ تېكىست ھاسىللاش ئىقتىدارىنى ئۆلچەيدىغان كۆرسەتكۈچ — تۆۋەن بولسا ياخشىNLP
Temperatureھاسىللاش ئىسسىقلىقى0=جامع، 1=ئورتا، 2=ئىجادىيچان. LLM جاۋابىنىڭ تاساددۇپىيلىق دەرىجىسىLLM
BLEU / ROUGEتېكىست ئۆلچىمىتەرجىمە ۋە خۇلاسىلاش ئىقتىدارىنى ئۆلچەيدىغان ئاپتوماتىك كۆرسەتكۈچNLP
Precision / Recallتوغرىلىق / تولۇق ئالغانلىقML مودېلى باھالاش كۆرسەتكۈچلىرى. F1-Score ئىككىسىنىڭ ئورتا قىممىتىML
Sigmoid / ReLU / Softmaxپەئاللاشتۇرۇش ئىقتىدارلىرىنېيرون تارماقنىڭ سىزىقسىزلىق قوشىدىغان ئىقتىدارلىرى. Softmax چىقىشنى ئىقتىمالىيەتكە ئايلاندۇرىدۇDL
Adam / SGDئۆزگەرتكۈچ ئالگورىزمىگرادىيېنت چۈشۈش ئالگورىزملىرى. Adam ئەڭ كۆپ ئىشلىتىلىدۇ. AdaGrad، RMSProp تارماقلارDL
F1-ScoreF1 نومۇرىPrecision ۋە Recall نىڭ گارمونىيىلىك ئوتتۇرىسى. تەڭسىز سانلىق توپلىمىدا مۇھىمML
ئاساسلىق AI مودېللىرى سېلىشتۇرمىسى (2026)ئوچۇق مەنبەلىك LLM لارRAG ۋە ئىلغار AI ئالگورىزملىرى

كۆپ سورىلىدىغان سوئاللار

2026-يىلى ئەڭ كۈچلۈك LLM لار قايسىلار؟
2026-يىلى ئۆكتەبىردىكى ئاساسلىق تىجارەت مودېللىرى OpenAI نىڭ GPT-6 ئائىلىسى، Anthropic نىڭ Claude 5.5 ۋە Fable 5.1، Google نىڭ Gemini 4 Argon. ئوچۇق ئېغىرلىقلىق مودېللاردا DeepSeek V4، Qwen3.8 ۋە Meta نىڭ Muse Spark Open ئالدىنقى قاتاردا.
Context window دېگەن نېمە؟
مودېل بىر قېتىمدا كۆرەلەيدىغان token لارنىڭ ئەڭ كۆپ سانى. GPT-6 ۋە Claude 5.5 ئائىلىلىرىدە تەخمىنەن 1M، Gemini 4 Argon دا 1,048,576 token.