AI 术语学习手册：从基础概念到大模型应用与伦理安全全览
·
AI 术语学习手册（归纳整理版）
🗺️ 学习路线图
| 阶段 | 板块 | 关注点 |
|---|---|---|
| 打地基 | 一、二 | AI 是什么、机器学习如何从数据中学 |
| 认识模型 | 三 | 神经网络与经典架构 |
| 走向大模型 | 四、五、六 | LLM、RAG 检索、Agent 智能体 |
| 落地实践 | 七、八、九、十 | 应用场景、数据、算力、工具链 |
| 检验与守底线 | 十一、十二 | 评估指标、伦理安全与展望 |
一、AI 总览与基础概念
| 术语 | 英文全称 | 解释 |
|---|---|---|
| AI | Artificial Intelligence（人工智能） | 让机器完成看似需要人类智能才能完成的任务的技术总称 |
| AGI | Artificial General Intelligence（通用人工智能） | 具备跨领域自主学习、类人广泛智能的假设形态，目前仍是理论目标 |
| ANI | Artificial Narrow Intelligence（弱人工智能） | 只专精单一任务的 AI，如象棋程序、语音助手 |
| AIGC | AI-Generated Content（生成式人工智能） | 用深度学习生成文本、图像、音频、视频、代码 |
| Agentic AI | —（自主式 AI） | 能自主追求目标：规划任务、调用工具、维护上下文、评估并调整行为 |
| Algorithm | 算法 | 解决问题的计算步骤集合，AI 的「指挥中心」 |
| Data Mining | 数据挖掘 | 从海量数据中提取有价值信息、发现隐藏规律 |
| Cognitive Computing | 认知计算 | 模拟人类推理、学习等认知过程的计算系统 |
| Swarm Intelligence | 群体智能 | 模拟蚁群、鸟群等群体行为的分布式智能 |
| Knowledge Representation | 知识表示 | 结构化存储领域知识，供机器推理使用 |
| Expert System | 专家系统 | 1980–90 年代流行、基于 if-then 规则的经典 AI 系统 |
| Analog AI | 模拟 AI | 用模拟物理现象而非纯数字算术来执行计算的 AI |
| Enhancive AI | 增强式 AI | 旨在改进、优化现有内容或数据的 AI |
| Perceptive AI | 感知式 AI | 专注于理解真实世界感知信息的 AI |
| Physical AI | 具身 AI | 能通过机器、设备直接与物理世界交互的 AI |
| Frontier Model | 前沿模型 | 处于当前能力最前沿的先进 AI 模型 |
| Singularity | 奇点 | 假设中 AI 能递归自我改进、超越人类理解的未来节点 |
二、机器学习与训练范式
| 术语 | 英文全称 | 解释 |
|---|---|---|
| ML | Machine Learning（机器学习） | AI 的分支，让机器从数据中学习模式与规律 |
| DL | Deep Learning（深度学习） | 机器学习分支，基于大型多层神经网络 |
| Supervised Learning | 监督学习 | 使用带正确标签的样本进行训练 |
| Unsupervised Learning | 无监督学习 | 在无标签数据中发现模式与结构 |
| Self-Supervised Learning | 自监督学习 | 从原始数据中自行构造训练信号 |
| RL | Reinforcement Learning（强化学习） | 通过奖励与惩罚、试错来学习最优策略，像「训狗」 |
| RLHF | Reinforcement Learning from Human Feedback（基于人类反馈的强化学习） | 用人类反馈塑造 AI 行为 |
| Transfer Learning | 迁移学习 | 把已训练模型的能力迁移到新任务 |
| Meta-Learning | 元学习 | 让 AI「学会如何学习」，快速适应新任务 |
| Federated Learning | 联邦学习 | 数据不出本地、只共享知识的协作训练，保护隐私 |
| Pretraining | 预训练 | 构建通用基础模型的大规模初始训练阶段 |
| Fine-Tuning | 微调 | 在基础模型上追加训练，以适配特定任务 |
| SFT | Supervised Fine-Tuning（监督微调） | 用带标注数据把基础模型适配到特定行为或任务 |
| LoRA | Low-Rank Adaptation（低秩适配） | 只用少量额外参数即可低成本微调大模型 |
| Knowledge Distillation | 知识蒸馏 | 把大模型的知识迁移到小模型，像学霸给学渣传笔记 |
| Data Augmentation | 数据增强 | 通过变换扩充数据，提升多样性 |
| Overfitting | 过拟合 | 模型过度拟合训练数据，泛化能力差 |
| Underfitting | 欠拟合 | 模型未能学到数据的基本规律 |
| Double Descent | 双降现象 | 模型变大时错误率先升后降的反直觉现象 |
| Epoch | 轮次 | 训练中数据集被完整遍历一次 |
| Learning Rate | 学习率 | 控制模型更新步长的参数 |
| Hyperparameter | 超参数 | 训练前需人工设定的参数 |
| Loss Function | 损失函数 | 衡量预测值与真实值差异的函数 |
| Gradient | 梯度 | 指示权重应如何调整的数学量 |
| Backpropagation | 反向传播 | 基于输出误差调整网络权重的训练技术 |
| Gradient Descent | 梯度下降 | 最小化损失函数的优化算法 |
| Dropout | 随机失活 | 随机丢弃神经元，防止过拟合 |
| Batch Normalization | 批量归一化 | 加速训练、提升模型稳定性的技术 |
| Cross-Validation | 交叉验证 | 评估模型泛化能力的验证方法 |
三、神经网络与模型架构
| 术语 | 英文全称 | 解释 |
|---|---|---|
| NN / ANN | Neural Network / Artificial Neural Network（神经网络 / 人工神经网络） | 受生物神经元与大脑启发的计算模型 |
| Parameter | 参数 | 网络中可训练的数值，通常为权重或偏置 |
| Weight | 权重 | 神经元间可训练的数值系数 |
| Bias | 偏置 | 神经元计算中与权重一起相加的可训练参数 |
| Transformer | 变换器 | 基于自注意力机制与大规并行的架构，现代大模型基石 |
| Attention | 注意力机制 | 让模型关注输入中最相关部分的机制 |
| Transformer-XL | — | 处理超长文本的改进版 Transformer |
| CNN | Convolutional Neural Network（卷积神经网络） | 特别适合图像与视觉处理的架构 |
| RNN | Recurrent Neural Network（循环神经网络） | 专为序列与时间依赖数据设计的经典架构 |
| LSTM | Long Short-Term Memory（长短期记忆网络） | 改进型 RNN，解决长序列依赖问题 |
| GRU | Gated Recurrent Unit（门控循环单元） | 用门控管理信息流的简化版 RNN |
| BERT | Bidirectional Encoder Representations from Transformers | 基于 Transformer 的双向预训练语言模型 |
| ViT | Vision Transformer（视觉变换器） | 把 Transformer 应用于图像识别 |
| VLM | Vision-Language Model（视觉语言模型） | 结合计算机视觉与语言理解的多模态模型 |
| SLM | Small Language Model（小型语言模型） | 面向低算力、低内存、低功耗优化的紧凑模型 |
| MoE | Mixture of Experts（混合专家模型） | 推理时只激活部分「专家」子网络，降低推理成本 |
| Sparse Model | 稀疏模型 | 任一时刻只激活部分权重、神经元或子网络的模型 |
| GAN | Generative Adversarial Network（生成对抗网络） | 生成器与判别器对抗训练，造假以逼近以真 |
| Diffusion Model | 扩散模型 | 逐步把随机噪声转化为图像、视频等内容的生成模型 |
| NeRF | Neural Radiance Fields（神经辐射场） | 用神经网络重建三维场景的光线传播 |
| ResNet | Residual Network（残差网络） | 带跳跃连接的深度网络，防止训练退化 |
| GNN | Graph Neural Network（图神经网络） | 处理图结构数据的 AI |
| SNN | Spiking Neural Network（脉冲神经网络） | 模拟神经元脉冲发放的神经网络 |
| Neuromorphic Computing | 神经形态计算 | 受大脑启发的硬件架构，模仿生物神经系统 |
| Tsetlin Machine | 采特林机 | 用自动机组 + 逻辑规则学习模式，可解释、低功耗 |
| Tsetlin Automaton | 采特林自动机 | 采特林机的基本学习单元，靠奖惩做逻辑决策 |
| LBN | Logic-Based Network（基于逻辑的网络） | 用逻辑表达式与决策规则代替数值权重，高效可解释 |
| Autoencoder | 自编码器 | 压缩并重建数据的网络，像 AI 的「文件压缩工具」 |
| SVM | Support Vector Machine（支持向量机） | 用于分类与回归的经典模型 |
| PCA | Principal Component Analysis（主成分分析） | 用于降维的统计方法 |
| t-SNE | t-Distributed Stochastic Neighbor Embedding（t 分布随机近邻嵌入） | 用于高维数据可视化 |
四、大语言模型与生成式 AI
| 术语 | 英文全称 | 解释 |
|---|---|---|
| LLM | Large Language Model（大语言模型） | 基于 Transformer、在海量文本上训练而成的神经网络 |
| Foundation Model | 基础模型 | 可支撑众多下游应用的大型通用 AI 模型 |
| Generative AI / GenAI | 生成式 AI | 能创建文本、图像、音频、视频、代码等新内容的 AI |
| Token | 词元 | 语言模型处理的文本块，也是计费最小单位 |
| Context Window | 上下文窗口 | 模型单次处理中可以同时考虑的信息量 |
| Prompt | 提示词 / 提示 | 向生成式 AI 提供的输入文本、指令或请求 |
| Prompt Engineering | 提示词工程 | 设计提示以获取更好 AI 输出的实践 |
| CoT | Chain of Thought（思维链） | 让模型逐步推理，以提升准确率 |
| CE | Context Engineering（上下文工程） | 决定喂给模型哪些上下文、工具与记忆 |
| Inference | 推理 | 使用训练好的 AI 模型执行实际工作 |
| Inference Engine | 推理引擎 | 为高效运行训练好的模型而优化的软件 |
| Inference Latency | 推理延迟 | 从接收输入到生成响应所需的时间 |
| Model Compression | 模型压缩 | 减小模型体积的技术 |
| Quantization | 量化 | 把模型转为更低精度的数值格式以提高效率 |
| Pruning | 剪枝 | 删除模型中不重要的部分以减小体积 |
| Hallucination | 幻觉 | AI 系统自信地生成错误或虚构信息 |
| Model | 模型 | 能够执行推理任务的训练好的 AI 系统 |
主流产品举例
| 产品 | 出品方 | 说明 |
|---|---|---|
| ChatGPT | OpenAI | 基于 LLM 的对话式 AI 助手 |
| Claude | Anthropic | 一系列对话式 AI 模型 |
| Gemini | 多模态 AI 模型与助手系列 | |
| Grok | xAI | 取自科幻小说、表示「深刻直观理解」的对话模型 |
五、RAG 与向量检索
| 术语 | 英文全称 | 解释 |
|---|---|---|
| RAG | Retrieval-Augmented Generation（检索增强生成） | 生成回答前先检索外部资料，像开卷考试 |
| Embedding | 嵌入 | 把文本、数据转成能捕获语义关系的数值向量 |
| Vector | 向量 | 一维有序数值集合 |
| Matrix | 矩阵 | 按行和列组织的二维数值数组 |
| Tensor | 张量 | 多维数值数组 |
| Scalar | 标量 | 单个数值 |
| Latent Space | 隐空间 | 数据的潜在表示空间 |
| HNSW | Hierarchical Navigable Small World | 基于图的向量索引算法，查询速度快 |
| IVF | Inverted File Index | 基于聚类的向量索引算法，适合大规模数据 |
| BM25 | Best Matching 25 | 经典关键词检索算法，常与向量检索组合 |
| RRF | Reciprocal Rank Fusion（倒数排名融合） | 合并多路检索结果排序的方法 |
| MTEB | Massive Text Embedding Benchmark | Embedding 模型的权威评测基准 |
六、Agent 智能体与前沿工程
| 术语 | 英文全称 | 解释 |
|---|---|---|
| Agent | AI Agent（智能体） | 能代表用户或其他系统进行推理、规划、用工具、执行任务的软件组件 |
| A2A | Agent-to-Agent（智能体间通信） | 允许多个 AI 智能体相互通信和协作的机制 |
| ReAct | Reasoning + Acting | 推理与行动交替的 Agent 设计模式 |
| MCP | Model Context Protocol（模型上下文协议） | 允许 AI 与外部工具、信息源交互的标准机制 |
| Skill | AI Skill（AI 技能） | 为 AI 预定义的可复用专业能力包 |
| Harness | Agent Harness | 承载 Agent 的运行时：工具、权限、记忆与验证的总和 |
| Harness Engineering | 工具链工程 | 设计 Harness 的工程实践，含工具链、权限与验证门禁 |
| Loop Engineering | 循环工程 | 设计「提示 Agent 的系统」，而非自己逐步提示 |
| DSH | DeepSeek Harness | DeepSeek 开源的 Agent 运行时，理念是「一切皆插件」 |
| Jev | — | TypeSafe 的「决策模型」，不生成文本，只输出带概率的类型化判定 |
| World Model | 世界模型 | 理解并预测物理世界演化的模型，用于仿真与具身智能 |
| Sensor Fusion | 传感器融合 | 组合多个传感器信息，提升对环境的感知理解 |
七、应用领域
| 术语 | 英文全称 | 解释 |
|---|---|---|
| NLP | Natural Language Processing（自然语言处理） | 让机器理解与生成人类语言 |
| CV | Computer Vision（计算机视觉） | 让机器「看」并理解图像、视频 |
| Multimodal AI | 多模态 AI | 能处理文本、图像、音频、视频等多种形式数据 |
| Autonomous Vehicles | 自动驾驶 | 结合感知与决策的 AI 驾驶系统 |
| Recommender Systems | 推荐系统 | 基于用户行为的个性化推荐 |
| ASR | Automatic Speech Recognition（自动语音识别） | 将语音转换为文本 |
| TTS | Text-to-Speech（文本转语音） | 将文本转换为语音 |
| OCR | Optical Character Recognition（光学字符识别） | 将图像中的文字转换为文本 |
| NER | Named Entity Recognition（命名实体识别） | 从文本中提取人名、地名等命名实体 |
| Chatbot | 聊天机器人 | 与用户进行对话的程序，如智能客服 |
| Deepfake | 深度伪造 | 换脸、变声的 AI 造假技术 |
| AI 医疗诊断 | — | 通过 CT 等医学影像识别病灶的「数字医生」 |
| CoPilot | AI 辅助工具 | 在编码、写作、设计等任务中与人交互协作的 AI |
八、数据处理基础
| 术语 | 英文全称 | 解释 |
|---|---|---|
| Feature | 特征 | 描述数据属性的变量 |
| Label | 标签 | 数据的类别或目标值 |
| Ground Truth | 真值 | 数据的真实标签 |
| Normalization | 归一化 | 将数据缩放到特定范围 |
| Standardization | 标准化 | 将数据转换为均值 0、标准差 1 的分布 |
| Pipeline | 流水线 | 数据处理的流程 |
九、硬件与算力
| 术语 | 英文全称 | 解释 |
|---|---|---|
| GPU | Graphics Processing Unit（图形处理器） | 大规模并行处理器，广泛用于 AI 加速 |
| TPU | Tensor Processing Unit（张量处理单元） | Google 专为张量运算设计的 AI 加速器 |
| NPU | Neural Processing Unit（神经网络处理器） | 面向神经网络推理的专用处理器 |
| CPU | Central Processing Unit（中央处理器） | 针对灵活性与顺序操作的通用处理器 |
| DSP | Digital Signal Processor（数字信号处理器） | 针对数学信号处理运算优化的处理器 |
| FPGA | Field Programmable Gate Array（现场可编程门阵列） | 可重新配置、可定制的工作负载硬件 |
| ASIC | Application-Specific Integrated Circuit（专用集成电路） | 为特定任务设计的硬件 |
| CUDA | Compute Unified Device Architecture | NVIDIA 的 GPU 并行计算平台与编程环境 |
| MAC | Multiply-Accumulate（乘累加运算） | 支撑多数神经网络计算的核心算术运算 |
| Kernel | 内核 | 执行特定计算操作的高度优化的底层例程 |
| Data Center | 数据中心 | 容纳服务器、加速器、网络、存储与冷却设施的场所 |
| Edge Computing | 边缘计算 | 在网络边缘、靠近数据产生处进行计算 |
| Edge AI | 边缘 AI | 在数据产生地附近运行，而非遥远云端的 AI |
| Cloud AI | 云端 AI | 主要运行在大型远程数据中心内的 AI |
| Memristor | 忆阻器 | 电阻值依赖电流历史的元件，AI 硬件研究热点 |
| Quantum ML | Quantum Machine Learning（量子机器学习） | 用量子计算机加速 AI 训练 |
数值精度格式
| 格式 | 说明 |
|---|---|
| FP32 | 32 位浮点，传统上用于神经网络训练 |
| FP16 | 16 位浮点，广泛用于 AI 加速 |
| BF16 | Brain Floating Point（脑浮点），为 AI 训练工作负载优化的 16 位格式 |
| FP8 | 超低精度浮点，面向高效率 AI 工作负载 |
| INT8 | 8 位整数，广泛用于高效 AI 推理 |
| INT4 | 4 位整数，常用于高度压缩的 AI 推理 |
十、开发框架与工具
| 术语 | 英文全称 | 解释 |
|---|---|---|
| PyTorch | — | 广泛使用的开源 AI 框架，Meta 开发，研究领域流行 |
| TensorFlow | — | Google 开源机器学习框架 |
| JAX | — | Google 高性能机器学习框架，强调数值计算与自动微分 |
| Caffe | — | 早期深度学习框架，广泛用于计算机视觉研究 |
| Theano | — | 开创性深度学习框架之一，塑造了现代 AI 软件生态 |
| Torch | — | 较早的机器学习框架，对 PyTorch 影响深远 |
| LangChain | 语言链 | 大模型应用开发框架，像 AI 程序员的「乐高积木」 |
| Hugging Face | — | AI 模型分享、训练与部署平台，AI 的「应用商店」 |
| ONNX | Open Neural Network Exchange（开放神经网络交换格式） | 允许模型在不同框架与硬件间迁移的格式 |
| Framework | 框架 | 为 AI 开发提供工具与构建块的软件环境 |
| Runtime | 运行时 | 位于模型与硬件之间、管理执行与性能优化的软件 |
| Compiler | 编译器 | 将人类可读代码转换为机器可执行指令的软件 |
| Jupyter Notebook | — | 交互式编程的实验记录本 |
| MLOps | Machine Learning Operations（机器学习运维） | 机器学习的开发与运维流程 |
| CLI | Command-Line Interface（命令行界面） | 终端中使用的工具界面 |
| IDE | Integrated Development Environment（集成开发环境） | 如 VS Code、Cursor |
| API | Application Programming Interface（应用程序编程接口） | 软件系统之间通信的标准化机制 |
| SDK | Software Development Kit（软件开发包） | 开发软件时使用的工具集 |
十一、评估指标
| 术语 | 英文全称 | 解释 |
|---|---|---|
| Precision | 精确率 | 正确预测为正的样本占预测为正样本的比例 |
| Recall | 召回率 | 正确预测为正的样本占实际为正样本的比例 |
| F1 Score | F1 分数 | 精确率与召回率的调和平均，兼顾「答对」与「答全」 |
| Confusion Matrix | 混淆矩阵 | 分类结果的对照表，像「错题本」 |
| ROC Curve | Receiver Operating Characteristic（受试者工作特征曲线） | 评估分类模型性能的曲线 |
| AUC | Area Under Curve（曲线下面积） | ROC 曲线下的面积，衡量模型整体性能 |
| BLEU | Bilingual Evaluation Understudy | 评估机器翻译质量的指标 |
| Perplexity | 困惑度 | 衡量模型预测不确定性的指标 |
| Benchmark | 基准测试 | 用于评估模型性能的标准测试 |
十二、行业、伦理与展望
| 术语 | 英文全称 | 解释 |
|---|---|---|
| FDE | Forward Deployed Engineer（前沿部署工程师） | 驻客户现场，让 AI 真正落地的工程师 |
| OPC | One-Person Company（一人公司） | 单人 + AI 完成全流程商业闭环 |
| Bias | 偏差 / 偏见 | 由训练数据、模型设计导致的系统性倾向或不公 |
| XAI | Explainable AI（可解释性 AI） | 提供决策解释的透明化系统 |
| Algorithm Accountability | 算法问责制 | AI 犯错时由谁负责的机制 |
| Data Privacy | 数据隐私 | 在训练中如何保护个人信息 |
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
1
0- 0
已为社区贡献1条内容
所有评论(0)