人工智能正在重塑世界，同时也创造了一套全新的语言来描述其运作方式。如今，在产品会议、推介会或小组讨论中，大语言模型（LLMs）、检索增强生成（RAG）和基于人类反馈的强化学习（RLHF）等术语频繁出现，甚至上周OpenAI新推出的Astra模型中的“不透明递归”推理技术也让安全研究人员感到不安。这些词汇更新速度之快，令科技界不少人士都感到些许压力。
本术语表旨在用通俗易懂的语言解释你最可能遇到的AI术语，无论你是开发者、投资者，还是仅仅通过阅读资讯保持关注的爱好者。随着领域发展，我们会定期更新此内容，将其视为一份与AI系统同步进化的“活文档”。
AGI
通用人工智能（AGI）是一个模糊的概念，通常指在大多数甚至所有任务上都超越普通人类的AI。OpenAI首席执行官Sam Altman曾将其描述为“相当于可以雇佣为同事的普通水平人类”，而OpenAI章程则定义为“在经济价值最高的工作中表现优于人类的高度自主系统”。Google DeepMind的理解略有不同，认为AGI是“在大多数认知任务中至少具备与人类相当能力的AI”。即便是AI研究前沿的专家，对此也常感困惑。
AI agent
AI智能体是指利用AI技术代表用户执行一系列任务的工具，能力超越基础聊天机器人，如报销费用、预订票务或编写维护代码。由于该领域仍在建设中，“AI智能体”对不同人含义可能不同。其基本概念暗示了一个可能依赖多个AI系统协同完成多步任务的自主系统。
API 端点
API端点可想象成软件背后的“按钮”，其他程序通过触发这些按钮让软件执行特定操作。开发人员利用这些接口构建集成，例如允许应用间数据交互或使AI智能体直接控制第三方服务。随着AI智能体能力增强，它们能自主发现并使用这些端点，开启强大甚至意想不到的自动化可能性。
思维链
面对简单提问，人脑往往能直觉作答；但在复杂情况下，通常需要借助中间步骤推导。在AI语境中，大语言模型的思维链（Chain of Thought）推理意味着将问题分解为更小的中间步骤以提高结果质量。这虽耗时更长，但在逻辑或编程场景中答案更准确。推理模型即是通过强化学习优化了这种思考能力的传统大语言模型演进版。
（参见：大语言模型）
编码智能体
这是比“AI agent”更具体的概念，专指应用于软件开发的专业化智能体。不同于仅建议代码供人类审查，编码智能体能自主编写、测试和调试代码，处理消耗开发人员大量时间的迭代试错工作。它们可在整个代码库中运行、发现错误并推送修复方案，如同雇佣了一位高效且专注的实习生，但仍需人工审查成果。
计算
算力通常指使AI模型得以运行的关键计算能力，为训练和部署强大模型提供动力。该术语常作为GPU、CPU、TPU等硬件类型的简称，是现代AI行业的基础设施基石。
深度学习
深度学习是自改进机器学习的一个子集，采用多层人工神经网络（ANN）结构设计，灵感来源于人脑神经元互连通路。相比线性模型或决策树等简单机器学习系统，它能做出更复杂的关联。
深度学习模型能自行识别数据重要特征，无需人工定义，并支持从错误中学习以改善输出。但其需要海量数据（数百万条以上）才能产生良好结果，且训练时间更长、开发成本更高。
（参见：神经网络）
扩散
扩散是许多艺术、音乐和文本生成AI模型的核心技术。受物理学启发，扩散系统通过添加噪声缓慢“破坏”数据结构，旨在学习一种“反向扩散”过程以恢复被破坏的数据，从而获得从噪声中重建数据的能力。
蒸馏
蒸馏是一种采用“教师-学生”架构从大型AI模型中提取知识的技术。开发人员记录教师模型的输出并用于训练学生模型，使其模拟教师行为。该技术可用于创建更小、更高效的模型（如GPT-4 Turbo）。需注意，利用竞争对手模型进行蒸馏通常违反相关API和服务协议。
微调
微调指对AI模型进行进一步训练，通过输入专门的面向任务数据，优化其在特定领域或任务中的性能。许多AI初创企业以此提升大语言模型针对目标行业的实用性。
（参见：大型语言模型 [LLM]）
GAN
生成对抗网络（GAN）是一种机器学习框架，使用一对相互竞争的神经网络：生成器试图生成逼真输出，判别器致力于识别伪造数据。这种结构化竞赛能优化AI输出的逼真度，特别适用于生成照片或视频等窄域场景。
幻觉
幻觉指AI模型生成错误信息的现象，可能对AI质量构成巨大问题，甚至带来现实风险（如返回有害医疗建议）。该问题被认为源于训练数据缺失，正推动行业转向更专业化的垂直领域AI模型，以减少知识缺口和虚假信息风险。
推理
推理是指运行AI模型、基于已学数据进行预测或得出结论的过程。没有训练就无法进行推理。虽然智能手机到高端GPU等多种硬件均可执行推理，但大模型在低端设备上预测耗时较长，而在配备专用AI芯片的云服务器上则效率更高。
（参见：训练）
大语言模型（LLM）
大语言模型（LLM）是ChatGPT、Claude、Gemini等流行AI助手所使用的核心模型。它是由数十亿参数组成的深度神经网络，通过学习海量文本中的模式创建语言的多维表示。当用户发出提示时，模型会生成最符合该提示的可能模式。
（参见：神经网络）
内存缓存
内存缓存是一种提升推理效率的优化技术，通过保存特定计算结果供未来查询复用，减少重复计算次数及能源消耗。其中知名的KV（键值）缓存在Transformer模型中工作，能显著缩短生成答案的时间。
（参见：推理）
模型上下文协议 (MCP)
模型上下文协议（MCP）是一项开放标准，允许AI模型连接到文件、数据库或Slack等外部工具和数据，无需为每种组合构建自定义连接器，堪称“AI的USB-C接口”。自Anthropic推出并移交Linux基金会后，已被OpenAI、Google和Microsoft等广泛采用。
混合专家 (MoE)
混合专家（MoE）是一种将神经网络拆分为多个专用子网络（专家）的架构，内置路由器仅激活最适合当前任务的少数专家。这使得构建庞大模型的同时保持较快运行速度和较低成本。Mistral AI的Mixtral及OpenAI较新的GPT模型均被认为采用了此方法。
（参见：神经网络，深度学习）
神经网络
神经网络是支撑深度学习及生成式AI热潮的多层算法结构。得益于视频游戏产业推动的GPU崛起，这种源自20世纪40年代的理论得以释放潜力，使AI在语音识别、自主导航等领域取得突破性进展。
（参见：大语言模型 [LLM]）
神经语
神经语是一种假设的最坏情况场景，指模型完全在内部数值表示中进行推理而非使用人类可读语言，使思维成为彻底“黑盒”。目前尚无发布模型这样做，但安全研究人员指出，Astra模型使用的“不透明循环”技术是朝该方向迈出的第一步，引发了对该术语的关注激增。
不透明循环
当AI模型在内部层反复循环查询而非用普通语言逐步推理时，称为不透明循环。该方法效率更高，小模型可用更少算力发挥更大作用，但留下的可读痕迹远少于正常思维链，增加了捕捉不当行为和进行安全监督的难度。
（参见：思维链）
开源
开源指底层代码公开可用、供任何人使用检查或修改的软件或AI模型（如Meta Llama系列）。这种方法加速了进步并实现了独立安全审计。与之相对的闭源（如OpenAI GPT模型）代码私有，这一区别已成为AI行业最具代表性的辩论之一。
并行化
并行化指同时处理多项任务而非顺序执行。现代GPU专为并行计算设计，是AI行业硬件支柱。随着模型变大变复杂，跨芯片和机器的并行处理能力已成为决定构建部署速度及成本效益的关键因素。
内存末日
“RAMageddon”形容RAM芯片供应持续短缺的趋势。AI行业蓬勃发展导致数据中心大量抢购RAM，造成游戏主机涨价、智能手机出货量潜在下跌及企业计算资源紧张等连锁反应。预计短缺结束前价格飙升难以停止。
循环深度
循环深度是与“不透明循环”相同的底层方法的更技术性名称。媒体常互换使用这两个术语，前者侧重工程实现，后者强调安全问题。
（参见：不透明循环、思维链）
递归自我改进
递归自我改进（RSI）指AI模型在无人类干预下自我改进，导致能力和自主性大幅加速。这既是衡量AI智能程度的门槛，也是工程师尝试构建的能力。尽管有观点担忧其可能导致失控，但多数致力于此的初创公司将其视为研究的下一个前沿。
强化学习
强化学习是一种通过尝试并获得奖励信号来训练AI的方法，允许模型探索环境并根据反馈更新行为。该方法在游戏、机器人控制及提升大语言模型推理能力方面尤为有效。基于人类反馈的强化学习（RLHF）已成为微调模型以提高有用性和安全性的重要手段。
Token
Token是人机通信的基本构建块，代表大语言模型处理或生成的离散数据段。通过分词过程将原始文本分解为模型可消化的小块单元。在企业环境中，Token还决定了使用成本，大多数AI公司按Token计费。
Token 吞吐量
Token吞吐量衡量系统在给定时间内处理AI工作量的能力，大致相当于每秒处理的“单词”数。高吞吐量是AI基础设施团队的关键目标，决定了模型并发服务用户数及响应速度，最大化吞吐量已成为该领域的执念。
训练
训练是将数据输入机器学习AI以便其从模式中学习并生成有用输出的过程。由于训练需要海量输入且成本高昂，使用定向数据微调等混合方法有助于在不从头开始的情况下管理成本。
（参见：推理）
迁移学习
迁移学习使用先前训练好的模型作为开发新模型的起点，重新应用已有知识以简化开发并提高效率。这在目标数据有限时尤为有用，但依赖此方法获得通用能力的模型可能需要额外训练才能在专注领域表现良好。
（参见：微调）
验证损失
验证损失是评估AI模型训练效果的实时指标，数值越低越好。研究人员用它决定何时停止训练或调整参数，并帮助识别过拟合问题——即模型记住训练数据而非真正学习可推广模式的情况。
权重
权重是决定数据集中不同特征重要性的数值参数，塑造了AI模型的输出。训练通常从随机权重开始，随过程推进不断调整以使输出接近目标值。例如房价预测模型会根据卧室数量、车库等因素分配相应权重，反映其对房产价值的影响程度。
本文会定期更新新信息。