作者：娜塔莎·洛马斯、罗曼·迪莱特、凯尔·威格斯、卢卡斯·罗佩克
出自：Techcrunch 翻译：Techsir 小白
人工智能正在重塑世界，也在创造一套全新的语言来描述其运作方式。如今，无论是产品会议、项目提案还是行业论坛，你都会频繁听到LLM、RAG、RLHF等缩写。为了让您不再雾里看花，我们整理了这份“活”的术语表——用通俗的语言解释最核心的AI概念。无论你是开发者、投资者，还是科技爱好者，这份清单都能帮你跟上节奏。我们将持续更新，让它像AI本身一样与时俱进。
通用人工智能 (AGI)
一个含义模糊但极具分量的目标。它通常指在大多数（若非全部）认知任务上超越普通人类的人工智能系统。
-
OpenAI：将其定义为“在最具经济价值的工作中超越人类的高度自主系统”，CEO山姆·奥特曼曾形容为“可以雇佣的普通同事”。 -
Google DeepMind：则更温和地定义为“在大多数认知任务上至少与人类能力相当”。
别担心，就连前沿专家也对此争论不休。
人工智能代理 (AI Agent)
代理不仅仅是聊天机器人，它能自主执行多步骤任务来完成目标，例如预订机票、报销费用、编写并维护代码。它通过调用多个AI系统协同工作，实现端到端的自动化。不过，该领域的基础设施仍在建设中，具体定义因应用场景而异。
API端点 (API Endpoint)
可以把它想象成软件背后的“隐形按钮”，供其他程序远程调用。开发者利用API构建集成，实现应用间数据互通，或让AI代理无需人工干预直接操作第三方服务。随着AI代理能力增强，它们正学会自主发现并使用这些“按钮”，开启强大的自动化可能。
思路链 (Chain-of-Thought, CoT)
面对复杂问题（如解方程），人类需要分步推导才能得出正确答案。思路链正是让大语言模型将复杂问题拆解为若干个中间步骤，逐步推理，从而提高逻辑和编程任务的准确性。虽然响应速度会变慢，但正确率显著提升。许多推理模型正是通过强化学习针对此过程进行了专门优化。
编码代理 (Coding Agent)
AI代理在软件开发领域的垂直应用。它不止于生成代码片段，而是能自主编写、测试、调试和修复代码，遍历整个代码库，处理迭代试错。它就像一位不知疲倦的初级工程师，但最终成果仍需人工审核。
算力 (Compute)
指驱动AI模型训练和运行所必需的计算能力与硬件资源，是AI产业的核心引擎。具体包括GPU、CPU、TPU等芯片及配套基础设施。算力的规模和效率直接决定了AI的发展速度。
深度学习 (Deep Learning)
机器学习的一个子集，其算法采用多层人工神经网络结构。与简单模型不同，它能自动从数据中识别重要特征（无需人工定义），并通过反复试错改进输出。但这也意味着它需要海量数据（数百万级）和更长训练时间，开发成本较高。
扩散 (Diffusion)
AI生成图像、音乐和文本的核心技术之一。其灵感源于物理学：系统先通过逐步添加噪声将原始数据（如图片）“破坏”至完全随机，然后学习逆向过程，即从纯噪声中一步步复原出清晰的数据。正是这一“去噪”过程赋予了模型从无到有的创作能力。
蒸馏 (Distillation)
一种“师生”知识迁移技术。开发者用大型教师模型处理请求并记录输出，然后用这些输出结果去训练一个更小、更高效的学生模型，使其模仿教师的行为。这能大幅降低模型运行成本（如GPT-4 Turbo很可能是GPT-4的蒸馏版本）。但需注意，未经授权蒸馏竞争对手的模型输出通常违反服务条款。
微调 (Fine-tuning)
在预训练模型基础上，使用特定领域或任务的新数据进行额外训练，以优化其在特定场景下的表现。许多AI初创公司会拿通用大模型做起点，再通过微调注入自有专业知识，从而在细分领域建立竞争优势。
生成对抗网络 (GAN)
一种包含两个神经网络（生成器和判别器）的经典框架。生成器负责制造假数据，判别器则试图识破真伪。两者相互博弈、共同进化，最终生成器的输出能以假乱真。GAN为深度伪造技术奠定了基础，但在通用任务上不如扩散模型流行。
幻觉 (Hallucination)
指AI模型“一本正经地胡说八道”，即生成与事实不符或完全捏造的信息。这是当前AI面临的主要风险之一，尤其在健康、法律等严肃领域可能造成严重后果。根源通常在于训练数据的知识盲区，这也是推动AI向垂直化、专业化发展的动力之一。
推理 (Inference)
指运行已训练好的模型并使其对新输入做出预测的过程。模型必须先经过训练学习模式，才能进行有效推理。推理硬件范围很广，从手机芯片到云端AI加速器，性能差异巨大——高端硬件能更快、更省电地完成推理。
大型语言模型 (LLM)
支撑ChatGPT、Claude、Gemini、Copilot等流行AI助手的核心模型。它是包含数十亿参数的深度神经网络，通过学习海量文本中的词语关系，构建出语言的“多维地图”。当你提问时，模型会生成最符合该语言地图模式的回答。
内存缓存 (Memory Cache)
一种优化推理速度的关键技术。它通过保存特定计算结果供后续重复使用，避免每次查询都重新计算，从而显著降低资源消耗和响应时间。键值缓存（KV Cache）是Transformer模型中常见的一种实现。
模型上下文协议 (MCP)
Anthropic于2024年推出并移交Linux基金会管理的开放标准，旨在让AI模型能无缝连接外部工具和数据源（如文件、数据库、Slack）。它好比AI领域的“USB-C接口”，免去了为每种连接开发定制接口的麻烦。目前已被OpenAI、Google、Microsoft等巨头采纳。
混合专家模型 (MoE)
一种神经网络架构，它将网络拆分为多个专业子模块（“专家”），并内置一个“路由器”，每次推理仅根据任务激活最相关的少数专家。这使得模型总参数量可以极其庞大，但单次运行成本大幅降低。Mistral的Mixtral是典型例子，OpenAI的新模型也被认为采用了类似思路。
神经网络 (Neural Network)
深度学习的算法骨架，由多层相互连接的“神经元”构成，灵感来自人脑。早期理论在20世纪40年代就已提出，但直到GPU等硬件崛起，才使得训练数十亿参数的深层网络成为现实，从而在语音、视觉、药物研发等领域取得突破。
开源 (Open Source)
指软件或AI模型的底层代码公开，允许任何人使用、研究、修改和分发。例如Meta的Llama系列和Linux操作系统。开源模式加速创新，并有利于独立安全审计，这与OpenAI的GPT等闭源模型形成鲜明对比，也是行业最具争议的话题之一。
并行化 (Parallelization)
同时执行多个计算任务，而非按顺序排队。现代GPU专为大规模并行计算设计，这使得并行化成为AI训练和推理效率的基石。随着模型规模膨胀，如何在数千块芯片间高效并行计算已演变为一门独立的学科。
内存末日 (RAMageddon)
一个描述行业困境的新词：随机存取存储器（RAM）芯片的全球性短缺。AI公司为建数据中心疯狂囤积内存，导致游戏机、智能手机、企业服务器等行业均面临涨价和出货量下滑。供应瓶颈何时缓解尚不明朗。
递归式自我改进 (RSI)
指AI模型能够在没有人类干预的情况下，自主设计出更优的下一代模型，实现能力的螺旋式上升。这被视为通向AGI的潜在“奇点”路径之一，也可能带来失控风险。部分初创公司将其作为前沿方向探索，但多忽视了其灾难性影响。
强化学习 (RL)
通过“尝试-反馈-奖励”机制训练AI的方法。模型在环境中采取行动，根据结果获得正向或负向的数学信号（奖励），从而不断调整策略。它成功用于游戏AI、机器人控制，以及基于人类反馈的强化学习（RLHF）——这是目前提升LLM实用性和安全性的核心技术。
令牌 (Token)
AI处理文本的基本单元。原始文本经“分词器”拆解成令牌（可能是一个词、词根或字符），再输入模型。令牌是计费单位——大多数商用AI按令牌数量收费，用得多，付得多。
令牌吞吐量 (Token Throughput)
衡量AI系统单位时间内能处理的令牌总数，直接反映系统的并发能力和响应速度。它是AI基础设施团队的核心优化目标。AI研究员Andrej Karpathy曾风趣地表示，看到订阅的AI算力闲置时会感到焦虑，就像读研时看到昂贵的GPU空转一样。
训练 (Training)
指向模型输入海量数据，使其从中学习潜在模式和规律的过程。这是AI开发的核心环节，成本高昂且耗能巨大。训练所需的数据量持续攀升，推动业界探索微调、迁移学习等降低成本的方法。
迁移学习 (Transfer Learning)
一种将已训练好的模型知识迁移到新任务上的技术，无需从零开始。当目标领域数据稀缺时尤为有用。但迁移后的模型往往还需在目标领域进行额外训练，才能达到最佳表现。
验证损失 (Validation Loss)
衡量模型在未见过的数据上表现好坏的量化指标，数值越低代表泛化能力越强。研究员通过监控此指标判断训练是否该停止、参数是否需调整。它能帮助发现“过拟合”——即模型只会死记硬背题库，而不是真正理解逻辑。
权重 (Weights)
模型内部的数值参数，决定了输入数据中各个特征的相对重要性。训练过程本质上是不断调整这些权重，使模型的预测结果更接近真实答案。例如，房价预测模型中，卧室数量、地段、房龄等特征都会被赋予不同的权重值。
