AI术语分类总表
AI 基础概念
| 术语 | 解释 |
|---|---|
| AI Model（AI模型） | 用于完成特定任务的训练系统。 |
| Chatbot（聊天机器人） | 模拟人类对话的AI。 |
| Generative AI（生成性AI） | 能够创造文本、图像等内容的AI。 |
| Reasoning Model（推理模型） | 具有逻辑推理能力的AI系统。 |
| Deep Learning（深度学习） | 利用分层神经网络进行学习的AI方法。 |
| Machine Learning（机器学习） | 通过数据不断学习改进的AI系统。 |
| NLP（自然语言处理） | 让AI理解人类语言的一种技术。 |
| Computer Vision（计算机视觉） | 能理解图像和视频内容的AI技术。 |
大模型与架构
| 术语 | 解释 |
|---|---|
| LLM（大型语言模型） | 基于海量文本训练的强大语言AI模型。 |
| Foundation Model（基础模型） | 可适应多任务的大型预训练AI系统。 |
| Transformer（变换器） | 用于语言和图像处理的核心神经网络架构。 |
| Neural Network（神经网络） | 模拟大脑神经结构的AI模型基础。 |
模型训练与学习方法
| 术语 | 解释 |
|---|---|
| Training（训练） | 调整参数以优化AI性能的过程。 |
| Fine-tuning（微调） | 用特定数据对模型进行再训练以适应新任务。 |
| Supervised Learning（监督学习） | 使用带标签的数据进行训练。 |
| Unsupervised Learning（无监督学习） | 使用无标签数据发现模式。 |
| Reinforcement Learning（强化学习） | 基于奖励机制让AI逐步改进行为。 |
模型推理与运行
| 术语 | 解释 |
|---|---|
| Inference（推理） | 模型对新输入数据进行预测的过程。 |
| Tokenization（分词） | 把文本拆分为AI能处理的基本单元。 |
| Embedding（嵌入） | 把词或句子转化为可被模型理解的数字表示。 |
| Parameters（参数） | 模型在训练中学习的内部变量。 |
| Weights（权重） | 决定神经网络中各连接强度的数值。 |
AI 运作机制
| 术语 | 解释 |
|---|---|
| Context（上下文） | AI为了更好理解输入而保留的相关信息。 |
| Compute（计算） | 执行AI所需的计算资源。 |
| GPU（图形处理单元） | 用于加速AI计算的通用硬件。 |
| TPU（张量处理单元） | Google专门为AI打造的加速芯片。 |
提示工程与控制
| 术语 | 解释 |
|---|---|
| Prompt Engineering（提示工程） | 设计输入提示以引导AI生成理想结果的技术。 |
| AI Wrapper | 用于封装模型以简化使用的中间层工具。 |
| CoT（链式思维） | Chain-of-Thought，鼓励AI按步骤推理的方法。 |
| Vibe Coding（情感编码） | 通过自然语言与编程结合提升开发效率。 |
可靠性与对齐
| 术语 | 解释 |
|---|---|
| Hallucination（幻觉） | AI生成看似真实但不正确的内容。 |
| AI Alignment（AI对齐） | 确保AI行为符合人类价值观与目标的研究方向。 |
| Explainability（可解释性） | 理解AI模型为何做出某个决策的能力。 |
| Ground Truth（真实数据） | 用作验证和训练的正确参考数据。 |
系统与标准
| 术语 | 解释 |
|---|---|
| AI Agents（AI代理） | 能自主感知、决策和行动的AI程序。 |
| MCP（模型上下文协议） | AI安全访问外部数据与上下文的接口标准。 |
| AGl（类人智能） | Artificial General Intelligence，具有人类水平的AI愿景。 |