ai的专业术语

一、基础概念

• AI (Artificial Intelligence，人工智能)：让机器模仿人类的思考、判断和学习能力。
• AGI (Artificial General Intelligence，通用人工智能)：拥有和人类相近的综合智能，能灵活应对各种未知任务，是目前AI研究的终极目标。
• ML (Machine Learning，机器学习)：不用一条条写死规则，让机器从数据里自己总结规律（算法）。
• DL (Deep Learning，深度学习)：机器学习的一种，靠多层神经网络 (Neural Networks) 实现更强的理解和生成能力，也是现在大模型的核心技术。
• NLP (Natural Language Processing，自然语言处理)：让AI看懂、听懂、会说人类语言。
• CV (Computer Vision，计算机视觉)：让AI像人一样“看懂”图片和视频。

二、大模型与训练

• LLM (Large Language Model，大语言模型)：能写文章、聊天、答问题的大型语言AI，基于海量数据训练。
• Pre-training Model (预训练模型)：先在海量数据里学习通用知识，打下基础能力（类似“通识教育”）。
• Fine-tuning (微调)：在通用模型的基础上，用特定数据再训练，让它更适合某个垂直场景（类似“专业进修”）。
  • 补充：SFT (Supervised Fine-Tuning，有监督微调)。
• Prompt (提示词)：我们给AI的指令或问题，直接影响输出效果。
  • 补充：Prompt Engineering (提示词工程)。
• Token：AI处理文字的最小单位（一个汉字约等于1.5-2个Token，一个英文单词约等于1-1.5个Token），用来计算长度和成本。
• Parameters (参数)：可以理解为模型学到的“知识量”，通常以亿或万亿为单位，参数越多，能力通常越强。
• Alignment (对齐)：让AI的输出更安全、更符合人的意图和价值观。
• Context Window (上下文窗口)：模型一次能“记住”并处理的最大信息量（如输入+输出的总长度）。
• RLHF (Reinforcement Learning from Human Feedback，人类反馈强化学习)：一种重要的对齐技术，通过人类打分来教模型什么是“好”的回答。

三、模型结构

• Transformer：目前绝大多数大模型都在用的核心架构，基于自注意力机制 (Self-Attention Mechanism)。
• Encoder (编码器)：负责理解、分析输入的内容（如BERT模型）。
• Decoder (解码器)：负责生成、输出结果（如GPT系列模型）。
• CNN (Convolutional Neural Network，卷积神经网络)：早期常用于图像处理的结构。
• RNN (Recurrent Neural Network，循环神经网络)：早期常用于处理序列数据的结构，现多被Transformer取代。
• MoE (Mixture of Experts，混合专家模型)：一种高效架构，将大任务拆解给多个“专家”子网络处理，提升效率。

四、生成式 AI

• AIGC (AI Generated Content，AI生成内容)：用AI自动创作文字、图片、音频、视频等内容。
• TTS (Text-to-Speech，文本转语音)：把文字变成真人般的朗读声音。
• ASR (Automatic Speech Recognition，语音识别)：把语音转成文字。
• 文生图 / 文生视频：输入文字描述，AI直接画出图片或生成视频。
• Diffusion Model (扩散模型)：现在主流AI绘画工具（如Midjourney, Stable Diffusion）的底层技术，通过“去噪”过程生成图像。
• GAN (Generative Adversarial Network，生成对抗网络)：由生成器和判别器互相博弈学习的模型，早期图像生成的主流技术。

五、应用与智能体

• AI Agent (AI智能体)：可以自主思考、规划并主动调用工具完成任务的AI。
• Tool Use / Function Calling (工具调用/函数调用)：让AI联网、查资料、用计算器、写代码等，扩展其能力边界。
• RAG (Retrieval-Augmented Generation，检索增强生成)：外挂知识库技术。先从外部数据库查找相关信息，再结合问题给出更准确的回答，解决知识滞后问题。
• Vector Embedding (向量嵌入/向量化)：把文字、图片转成一串数字（向量），方便计算机进行语义检索和匹配。
• Knowledge Graph (知识图谱)：用结构化的方式（实体与关系）储存和展示知识。
• CoT (Chain of Thought，思维链)：引导AI展示“一步步的思考过程”，从而提高解决复杂逻辑问题的能力。

六、效果与常见问题

• Hallucination (幻觉)：AI一本正经地编造不存在的事实或数据，是目前主要痛点。
• Overfitting (过拟合)：模型太“死记硬背”训练数据，换到新场景就不好用（泛化能力差）。
• Inference (推理)：模型训练完成后，实际运行、处理用户请求并给出结果的过程。
• Underfitting (欠拟合)：模型连训练数据都没学好，表现不佳。
• Temperature (温度值)：控制模型输出随机性的参数。温度越高，回答越有创意但也越不稳定；温度越低，回答越严谨确定。

七、规范与安全

• Bias (偏见)：AI从数据里学到的歧视或不公平倾向（如性别、种族偏见）。
• Safety Guardrails (安全护栏)：为了防止AI输出有害内容而设置的规则和过滤机制。
• Deepfake (深度伪造)：利用AI技术合成逼真的假人脸、假声音或假视频，常用于诈骗或造谣。
• Data Privacy (数据隐私)：关注用户数据在训练和使用过程中是否被泄露。