首页/AI 常识/术语速查表
第 5 层 · 应用与前沿 第 9 / 9 篇 约 7 分钟

AI 术语速查表:60 个概念的一句话解释

按学习顺序排列的 60 个概念,每条一句话。读不懂某篇时回来查一下,比从头再读一遍快。

第 1 层 · 入门

概念一句话解释
人工智能(AI)让机器表现出智能行为的总目标,范围最大。
机器学习(ML)不写死规则,让程序从数据中自动找规律。
深度学习(DL)用多层神经网络完成机器学习的方法。
大模型(LLM)参数与数据规模极大的语言模型,擅长生成与理解文本。
模型一套计算结构加一堆可调整的数字,本质是一个巨大公式。
参数 / 权重模型里可被训练调整的数字;7B 指 70 亿个参数。
训练用数据反复调整参数,让输出更接近正确答案。
推理训练完成后用固定参数算一次结果,日常对话属于推理。
涌现规模到达某个量级后,模型表现出没被直接教过的能力。
专家系统把人类规则写成 if-else 的早期 AI,稳定但僵硬。

第 2 层 · 基础

概念一句话解释
样本一条数据记录,机器学习的最小单位。
特征用来做判断的输入信息,如年龄、收入。
标签样本的正确答案,监督学习的前提。
训练集 / 验证集 / 测试集分别用于学参数、调超参数、最终评估,必须分开。
监督学习有标签的学习,分分类与回归两类任务。
无监督学习没有标签,自己找结构,如聚类、降维。
强化学习通过环境反馈的奖励调整策略,答案延迟且稀疏。
损失函数衡量预测与真实答案差多少的指标,训练就是在最小化它。
过拟合训练集上很好、新数据上很差,等于背答案。
欠拟合模型太简单,连训练集都学不好。
泛化模型在没见过的新数据上的表现,才是真正该看的能力。
正则化在损失里加惩罚项,抑制参数过大,缓解过拟合。
交叉验证数据轮着切几份轮流验证,减少单次切分的偶然性。
精确率 / 召回率 / F1分别衡量「报的准不准」「找得全不全」及两者折中。
神经元加权求和加偏置再过激活函数的最小计算单元。
激活函数引入非线性,让多层网络不等于一层;常用 ReLU、Softmax。
前向传播输入逐层计算得到预测值的过程。
反向传播用链式法则从损失往回算所有参数的梯度。
梯度下降参数沿梯度反方向挪一小步,让损失下降。
学习率每步挪多远,最敏感的超参数。
批次 / 轮次一次用多少样本算梯度 / 整个数据集过几遍。
Dropout训练时随机关掉部分神经元,逼模型不依赖固定通路。

第 3 层 · 进阶

概念一句话解释
Token模型处理文本的最小单位,由分词器切出的子词片段。
分词器 / BPE把文字切成 token 的规则,BPE 通过合并高频片段构建词表。
词表所有 token 的集合,几万到十几万条不等。
Embedding把 token 变成一串数字向量,用法相近的向量彼此靠近。
余弦相似度比较两个向量夹角,越接近 1 越相似。
向量数据库专门做「海量向量里找最近几条」的存储系统。
位置编码 / RoPE给每个位置加顺序信息,因为注意力本身不区分先后。
Transformer以自注意力为核心的序列建模结构,当今大模型的骨架。
自注意力每个位置按相关度对其他所有位置加权取信息。
Q / K / V查询、键、值:我想找什么、我能提供什么、我给出什么。
多头注意力并行多组注意力,分别捕捉不同类型的关系。
上下文窗口模型一次能处理的 token 上限,不等于记忆力。
KV 缓存缓存已算过的 K 和 V,避免重复计算,长对话吃显存的原因。
自回归一个一个 token 地往后生成,每步都基于已生成的内容。

第 4 层 · 大模型

概念一句话解释
预训练用海量文本做下一个 token 预测,学到语言与知识。
自监督学习答案来自数据本身,不需要人工标注。
基座模型只做过预训练的模型,博学但不会听指令。
Scaling Law参数、数据、算力同步放大时,损失按幂律可预测地下降。
SFT 监督微调用「指令 → 回答」样本教模型听懂要求。
RLHF用人类偏好训练奖励模型,再用强化学习优化回答。
DPO直接用「好 / 差」成对数据优化,跳过奖励模型。
对齐 / 对齐税让模型更符合人类偏好;过度对齐会导致过度谨慎。
LoRA只训练旁路小矩阵的轻量微调,产物几十 MB 可插拔。
蒸馏让小模型学大模型的输出分布,把能力压进更小体积。
量化把权重从 16 位压到 8/4 位,省显存、略损效果。
提示词 / 系统提示给模型的条件与角色设定,本质是收窄输出分布。
Few-shot在提示里给几个示例,让模型照着格式做。
温度 / top-p控制采样的随机程度:低温稳定,高温多样。
幻觉生成看似合理但不符合事实的内容,源于训练目标与知识边界。
RAG先检索资料再生成,让模型「照着材料答」。
切块 chunking把长文档切成可检索的小段,切法直接决定 RAG 效果。
重排 rerank对初步检索结果再排一次序,提升相关性。

第 5 层 · 应用与前沿

概念一句话解释
Agent 智能体模型 + 工具 + 记忆 + 循环组成的可自主推进任务的系统。
工具调用 / function calling模型输出结构化请求,由外部程序执行并回传结果。
ReAct思考与行动交替进行的循环范式,边做边修正。
MCP统一描述与调用工具的协议,让工具可以即插即用。
多模态同时处理文本、图像、音频、视频,做法是把它们都 token 化。
视觉编码器 / 投影层把图像 patch 编码成向量并对齐到语言模型空间。
多智能体多个 Agent 分工协作,成本与错误累积风险更高。
编排 workflow用固定流程串起多个步骤,比自由协商更可靠。
上下文工程系统性地决定「给模型看什么、以什么顺序看」。
评测基准 benchmark用标准化题目衡量模型能力,注意它和真实业务并不等价。

这张表会随着栏目更新继续补充。遇到表里没有的词,欢迎发邮件告诉我们。

这几条值得记住

  • 按层级查找:先定位属于哪一层,再回忆那篇的上下文。
  • 同一概念在不同文章里出现时,优先看它在本层的定义。
  • 遇到新词,先判断它是「训练侧」还是「使用侧」的概念。

常见问题

这些概念需要全部记住吗?

不需要。日常使用只要分清训练、推理、token、上下文、RAG、Agent 这几个高频词就够;需要深入时再按层级往下读。

术语表会持续更新吗?

会。新增文章时同步补充对应词条,也会根据读者反馈补上容易混淆的近义词辨析。

已到最后一课 回到 AI 常识栏目 按学习路径从头再走一遍,或者直接查术语速查表。
Advertisement
底部广告位 728×90 / 移动端 320×100