AI时代已来，无论是科技从业者还是普通爱好者，掌握AI术语都是理解这项技术的第一步。面对层出不穷的新概念，你是否常常感到困惑？今天，我们整理了AI领域的100+核心名词，按类别清晰梳理，配合图文讲解，协助你从入门到精通。赶紧收藏这份速查手册吧！

图1：AI领域核心概念总览

01.

基础概念篇

在深入了解具体技术之前，让我们先掌握AI领域最基础的概念。这些术语构成了理解整个AI生态的基石。

AI（Artificial Intelligence）人工智能

使机器具备人类智能行为的研究领域，包括感知、推理、学习和决策等能力。

AGI（Artificial General Intelligence）通用人工智能

具备与人类同等智能水平的AI，能完成任何智力任务，被视为AI发展的终极目标。

ANI（Artificial Narrow Intelligence）弱人工智能

专注于单一任务的AI，如下棋、语音识别、图像分类等，当前大多数AI系统都属于此类。

⚡ Superintelligence 超级智能

在几乎所有领域超越人类智能的AI，包括创造力、智慧和社交能力，引发广泛的安全讨论。

Singularity 奇点

AI发展到一个临界点，技术增长不可控的假设时刻，由Ray Kurzweil等学者推广。

Turing Test 图灵测试

由Alan Turing提出的测试，评估机器是否能表现出与人类无法区分的智能行为。

02.

机器学习篇

机器学习是AI的核心分支，让计算机通过数据自动学习和改善。下面这些概念是理解ML的基础。

图2：机器学习主要分类

ML（Machine Learning）机器学习

让计算机通过数据学习并改善性能的算法科学，无需明确编程即可从经验中学习。

DL（Deep Learning）深度学习

使用多层神经网络进行学习的ML方法，能自动提取数据特征，在图像、语音等领域突破性进展。

️ Neural Network 神经网络

受生物大脑启发的计算模型，由相互连接的节点（神经元）层组成，用于学习复杂模式。

️ CNN（Convolutional Neural Network）卷积神经网络

专门处理网格数据的神经网络结构，广泛应用于图像识别和计算机视觉任务。

RNN（Recurrent Neural Network）循环神经网络

适合处理序列数据的神经网络，能记忆前文信息，常用于自然语言处理和时间序列分析。

LSTM（Long Short-Term Memory）长短期记忆网络

改善的RNN架构，通过门控机制解决长期依赖问题，能有效记忆长期信息。

GAN（Generative Adversarial Network）生成对抗网络

由生成器和判别器组成的框架，两者相互对抗学习，用于生成逼真的图像、数据等。

Supervised Learning 监督学习

使用标注数据训练的机器学习范式，模型学习输入与正确输出的对应关系。

Unsupervised Learning 无监督学习

从无标注数据中发现模式的机器学习方法，如聚类、降维等，无需人工标签。

Reinforcement Learning 强化学习

通过与环境交互、获取奖励信号来学习最优策略的范式，AlphaGo就是典型应用。

Transfer Learning 迁移学习

将一个任务学到的知识应用到另一个相关任务的技术，能大幅减少训练数据需求。

03.

大模型篇

大语言模型（LLM）的崛起彻底改变了AI格局。这些概念是理解现代AI系统的关键。

️ LLM（Large Language Model）大语言模型

基于海量文本训练、参数规模庞大的语言模型，具备强劲的语言理解和生成能力。

⚙️ Transformer 变换器架构

2017年提出的革命性架构，使用自注意力机制处理序列数据，成为现代LLM的基石。

GPT（Generative Pre-trained Transformer）生成式预训练变换器

OpenAI开发的生成式语言模型系列，通过预训练和微调实现强劲的语言能力。

BERT（Bidirectional Encoder Representations from Transformers）

Google提出的双向编码器模型，擅长理解任务，在NLP多项基准测试中领先。

️ Parameters 参数量

模型中可学习的权重数量，直接影响模型能力和计算需求，GPT-4据估计有万亿级参数。

Token 词元

文本处理的基本单位，可以是单词、字符或子词，GPT使用BPE分词，约1 token≈0.75词。

Embedding 嵌入

将文字转化为密集向量表明的技术，捕捉语义类似性，使语义相近的词向量也相近。

Attention Mechanism 注意力机制

让模型关注输入中不同部分重大性的技术，是Transformer性能超越RNN的关键。

Self-Attention 自注意力

序列内部各位置相互计算关联性的注意力机制，能捕捉长距离依赖关系。

Multi-head Attention 多头注意力

并行运行多个注意力机制的技术，让模型同时关注不同方面的语义信息。

MoE（Mixture of Experts）混合专家模型

由多个专家网络组成的架构，根据输入动态选择激活的专家，兼顾性能和效率。

Context Window 上下文窗口

模型一次能处理的Token上限，决定了单次对话的最大容量，如GPT-4 Turbo达128K。

️ Temperature 温度参数

控制生成随机性的参数，高温度=创意多但可能不稳定，低温度=确定但可能机械。

Top-p / Top-k 采样参数

控制Token选择策略的参数，Top-k限制候选数，Top-p限制概率总和，平衡多样性与质量。

04.

训练技术篇

模型的强劲能力离不开精心设计的训练技术。这些方法让大模型更加高效、安全、实用。

Pre-training 预训练

在大规模通用数据上训练模型使其习得语言和世界知识的阶段，是LLM能力的基础。

Fine-tuning 微调

在预训练模型基础上，用特定数据调整模型参数，使其适应特定任务或领域。

✅ SFT（Supervised Fine-Tuning）监督微调

使用人工标注的高质量对话数据进行微调，直接教会模型”怎样回答更好”。

RLHF（Reinforcement Learning from Human Feedback）人类反馈强化学习

用人类偏好数据训练奖励模型，再用强化学习优化生成内容，是ChatGPT成功的关键。

RLAIF（RL from AI Feedback）AI反馈强化学习

使用AI（如另一个LLM）生成偏好信号的技术，降低对人类标注的依赖。

LoRA（Low-Rank Adaptation）低秩适应

通过添加低秩矩阵来微调大模型的技术，大幅降低计算和存储成本。

⚖️ Quantization 量化

将高精度权重压缩为低位数表明的技术，如FP16→INT8，大幅减少内存占用。

Distillation 蒸馏

让小模型学习大模型输出分布的技术，将大模型知识转移到小模型中。

✂️ Pruning 剪枝

移除模型中不重大权重或神经元的压缩技术，能在保持性能的同时减小模型体积。

05.

提示工程篇

提示工程是释放LLM潜力的关键技术。掌握这些技巧，让你与大模型的对话更加高效。

Prompt 提示词

输入给LLM的指令或问题，良好的Prompt设计能显著提升输出质量。

️ Prompt Engineering 提示工程

设计、优化提示词以更好利用LLM能力的学科，已成为AI时代的必备技能。

Zero-shot Learning 零样本学习

不提供任何示例，直接通过指令让模型完成新任务的能力。

Few-shot Learning 少样本学习

提供1-3个示例协助模型理解任务和格式，适合复杂或专业化任务。

Chain of Thought（CoT）思维链

让模型展示推理步骤的技术，通过”Let's think step by step”显著提升复杂问题准确率。

Tree of Thoughts 思维树

扩展CoT的方法，通过探索多条推理路径找到最优解，适合复杂决策问题。

⚡ ReAct 推理+行动

结合推理与外部工具调用的方法，让模型能主动搜索信息和执行操作。

In-context Learning 上下文学习

模型从当前对话上下文（而非参数）中学习任务要求的能力。

⚙️ System Prompt 系统提示词

定义AI角色、行为规范的顶层指令，控制模型整体输出风格和边界。

06.

应用场景篇

AI正在渗透各行各业。了解这些应用场景，协助你找到AI落地的最佳切入点。

Chatbot 聊天机器人

能与人进行对话交互的AI程序，从客服到助手，应用场景广泛。

AI Agent 智能体

能自主规划、工具调用、长期执行复杂任务的AI系统，是LLM落地的新范式。

Copilot 副驾驶

在特定工作中辅助人类的AI工具，如GitHub Copilot、Microsoft 365 Copilot等。

✨ AIGC（AI Generated Content）AI生成内容

利用AI技术自动生成文本、图像、音频、视频等内容的新兴领域。

Text-to-Image 文生图

根据文本描述生成对应图像的技术，Midjourney、Stable Diffusion是典型代表。

Text-to-Video 文生视频

根据文本生成视频内容的技术，Sora、Runway等正在引领这个领域。

TTS（Text-to-Speech）语音合成

将文字转换为自然语音的技术，让机器能”说话”，应用广泛于助手、导航等场景。

ASR（Automatic Speech Recognition）语音识别

将语音转换为文字的技术，是语音助手、电话客服自动化的基础。

RAG（Retrieval-Augmented Generation）检索增强生成

结合检索与生成的AI架构，让模型能基于外部知识库回答问题，降低幻觉。

Multimodal 多模态

能同时处理文本、图像、音频等多种数据类型的能力，GPT-4V是典型代表。

Embodied AI 具身智能

具有物理身体、能与环境交互的AI，如机器人、自动驾驶，是AI发展的新方向。

07.

效果评估篇

评估AI模型的能力和局限性是开发好AI产品的前提。这些指标协助你科学判断模型表现。

图9：RAG检索增强生成工作流程

Hallucination 幻觉

AI生成看似合理但实际错误或虚假信息的问题，是LLM面临的核心挑战之一。

Alignment 对齐

确保AI行为与人类意图和价值观一致的研究，确保AI做”对的事”。

️ Safety 安全性

确保AI不会产生有害内容、被恶意利用或做出危险行为的防护措施。

⚖️ Bias 偏见

训练数据或模型设计导致的系统性偏差，可能使AI对特定群体产生不公平对待。

FLOPS 浮点运算次数

衡量计算性能的单位，1 PetaFLOPS=每秒10¹⁵次浮点运算，常用于评估算力。

Inference 推理

使用训练好的模型进行预测或生成的过程，是AI部署的核心环节。

⏱️ Latency 延迟

模型从接收到返回结果的时间，高延迟会影响用户体验，对实时应用至关重大。

Throughput 吞吐量

单位时间内处理的请求数量，高吞吐量意味着更高的服务效率和并发能力。

08.

工具框架篇

好的工具能事半功倍。了解这些主流框架和工具，让你的AI开发更加高效。

PyTorch

Facebook开源的深度学习框架，以动态计算图著称，是学术研究首选。

TensorFlow

Google主导的深度学习框架，生态完善，适合生产环境部署。

⛓️ LangChain

开发LLM应用的框架，提供Prompt模板、Chain、Agent等组件，简化AI应用构建。

LlamaIndex

专注于数据连接和RAG的框架，协助LLM高效访问私有数据。

Hugging Face

AI模型界的GitHub，托管海量预训练模型和数据集，是开源AI的核心枢纽。

OpenAI API

访问GPT系列模型的编程接口，让开发者能轻松集成强劲语言能力。

️ Vector Database 向量数据库

专门存储和检索向量嵌入的数据库，是RAG系统的关键组件。

RAG Pipeline RAG管道

完整的检索-增强-生成流程，包括文档处理、向量化、检索和生成环节。

09.

行业热点篇

追踪行业最新动态是保持竞争力的关键。以下这些产品正在定义AI的未来。

GPT-4 / GPT-6

OpenAI的旗舰大语言模型，GPT-4支持多模态，GPT-6（传闻中）将更加强劲。

Claude

Anthropic开发的AI助手，以长上下文和安全性著称，在编程、写作领域表现出色。

Gemini

Google的原生多模态大模型，原名PaLM 2，能同时理解文本、代码、图像、音频。

DeepSeek

中国新兴AI公司，以开源大模型DeepSeek-V2等在业界获得广泛关注。

Llama

Meta开源的大语言模型系列，Llama 2/3引领开源LLM生态，影响深远。

Midjourney

领先的AI图像生成平台，以高质量艺术风格著称，在设计圈广受欢迎。

Stable Diffusion

Stability AI开源的文生图模型，开放权重让任何人可本地部署和微调。

️ DALL-E

OpenAI的AI图像生成模型，支持根据文字描述创建和编辑图像。

Sora

OpenAI发布的文生视频模型，能生成长达60秒的连贯视频，引发行业震动。

Cursor

AI代码编辑器，深度集成GPT-4，让编程更高效，被誉为”程序员的未来”。

Claude Code

Anthropic推出的命令行AI工具，让开发者能用自然语言完成复杂编程任务。

⚡ GitHub Copilot

Microsoft与OpenAI合作的AI编程助手，已为数百万开发者提升编码效率。

10.

未来趋势篇

AI的下一站是什么？关注这些前沿方向，把握AI发展的脉搏。

AGI Timeline 通用人工智能时间线

预测人类何时能实现AGI的时间表，乐观估计10-20年，保守派认为更久。

️ AI Safety AI安全

研究如何确保AI系统安全可控的领域，包括能力评估、风险分析等。

Interpretability 可解释性

理解AI决策过程和内部机制的研究，对建立信任、发现偏见至关重大。

️ AI Governance AI治理

制定AI开发与应用规则、政策法规的领域，涉及隐私、版权、责任划分等问题。

⚖️ Ethical AI 伦理AI

关注AI公平性、透明度和人类价值观的研究，确保AI技术造福全人类。

以上就是AI领域100+核心术语的完整整理！

从基础概念到大模型技术，从训练方法到应用场景，从评估指标到未来趋势——这篇速查手册涵盖了AI学习的方方面面。

提议收藏本文，工作中遇到不懂的术语随时查阅。掌握这些名词，你就已经迈出了理解AI的第一步！

学习提议

提议先通读一遍建立整体认知，再根据需要深入研究特定领域。实践是最好的学习方式，不妨试试用所学术语解释AI产品！

如果觉得有用，欢迎分享给需要的朋友！
更多AI干货，关注不迷路~