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。
Advertisement
底部广告位 728×90 / 移动端 320×100