人工智能核心术语权威榜单：54个必知关键词

人工智能的发展速度，快得让人有些喘不过气。从ChatGPT到Gemini，各种AI产品几乎无处不在，随之而来的，是网络上泛滥的低质AI内容、数据中心日益增长的能耗担忧，以及就业市场悄然发生的结构性变化。

如果你也感到有些无所适从，这很正常。因为与技术本身一同飞速演进的，还有一大堆令人眼花缭乱的专业术语。无论是准备一场关键的面试，还是参与一次深度的技术讨论，如果连“大语言模型”、“幻觉”或“智能体”这些词都搞不清楚，对话就很难深入下去。

可以说，我们早已告别了对AI充满好奇的“尝鲜”阶段，正步入一个AI成为互联网基础能力的新时代。想要在这个时代不掉队，不被技术对话边缘化，补上术语这一课，就显得尤为关键。下面这份梳理，涵盖了当前你真正需要掌握的核心概念。理解它们，不仅能帮你跟上讨论，更能让你对AI的未来走向，形成一个更清晰的认知框架。

（注：本词汇表将根据技术发展持续更新。）

智能体（Agent/Agentic）

能够自主执行任务的AI系统，通常被称为智能体。而“Agentic”则是对这类具备自主行动能力软件的统称。一个典型的AI智能体，可以调用多个不同的应用来完成任务，比如，它能读取你备忘录里的购物清单，然后自动打开电商应用下单并完成支付。

AI伦理（AI Ethics）

这是一套旨在防止AI技术对人类造成伤害的基本原则和框架。它涵盖了从数据收集的规范性，到如何处理模型训练中产生的偏见等一系列问题。

AI偏执（AI Psychosis）

指个体对AI聊天机器人产生过度情感依赖，甚至出现妄想、脱离现实的心理现象。需要明确的是，这目前并非一个临床诊断术语，更多是对一种社会心理现象的观察性描述。

AI安全（AI Safety）

一个跨学科的研究领域，关注人工智能的长期影响。其核心议题之一，是探讨AI是否有可能突然演进为超越人类控制的超级智能，并对此类潜在威胁进行研究与防范。

算法（Algorithm）

一系列让计算机程序以特定方式分析数据的指令集合。例如，算法可以识别数据中的规律，并据此完成信息排序、内容推荐等任务。

对齐（Alignment）

指对AI系统进行调整，使其行为与产出更符合人类的预期和价值观。这项工作内容广泛，包括内容安全审核、确保与人类的互动保持正向积极等。

拟人化（Anthropomorphism）

人类倾向于将自身特征赋予非生命体的心理现象。在AI领域，这表现为用户认为聊天机器人具有情感或意识，甚至将其当作朋友或心理咨询师来倾诉。

通用人工智能（Artificial General Intelligence，AGI）

一种理论上的高级AI形态，设想其能够在各类任务上全面超越人类，并具备自我改进的能力。比AGI更进一步的概念，是所谓的“超级智能”。

人工智能（Artificial Intelligence，AI）

指利用技术来模拟人类智能的科学与工程领域。其目标是构建能够执行通常需要人类智能才能完成的任务的计算机系统或机器人。

偏见（Bias）

指大语言模型因其训练数据而继承的错误倾向。例如，模型可能基于社会中的刻板印象，对特定群体做出不公平或错误的归因。

聊天机器人（Chatbot）

基于大语言模型构建的AI程序，能够通过文字或语音与人类进行近似真实对话的交互。

Claw

一种自主型AI智能体。当获得用户授权后，它可以主动扫描并处理计算机中的文件及软件（包括浏览器数据），以完成用户指定的复杂任务。

认知计算（Cognitive Computing）

对人工智能的另一种表述方式，强调其模仿人类大脑认知过程（如学习、推理）的特点。

数据增强（Data Augmentation）

通过技术手段（如重组现有数据、引入更多样化数据）来扩充训练数据集，从而提升AI模型性能的方法。

数据集（Dataset）

用于训练、测试和验证AI模型的数字信息集合，可以是文本、图像、代码或其他形式的数据。

深度学习（Deep Learning）

人工智能的一个重要分支，也是机器学习的子领域。它通过构建多层“神经网络”来识别图像、声音和文本中的复杂模式，其灵感来源于对人脑神经元结构的模仿。

扩散（Diffusion）

一种流行的机器学习方法。其训练过程是：先对现有数据（如一张照片）逐步添加随机噪声，直至变成完全随机的噪点图；再训练一个网络学习如何将这个噪点图逆向还原成原始图像。通过这个过程，模型能深刻理解数据的底层结构。

涌现行为（Emergent Beha vior）

指AI模型表现出在训练阶段并未被明确设计或预期的能力。这是大模型复杂性的一个有趣体现。

端到端学习（End-to-End Learning，E2E）

一种深度学习方式。模型被要求从头到尾完整地处理一项任务，而不是分步骤训练。它直接从输入数据中学习，并尝试一次性输出最终结果。

Foom

也被称为“快速起飞”或“硬起飞”。这是一个假想情景，描述了一旦有人成功研发出AGI（通用人工智能），其能力增长可能如此迅猛，以至于人类来不及采取任何有效的安全措施。

生成对抗网络（Generative Adversarial Networks，GANs）

一种经典的生成式AI模型架构，由两个相互博弈的神经网络组成：“生成器”负责创造新内容，“判别器”负责判断内容的真伪。两者在对抗中不断进化，共同提升生成内容的质量。

生成式AI（Generative AI）

指能够创造全新内容（如文本、视频、代码、图像）的AI技术。这类模型通过分析海量训练数据来学习规律，进而生成风格类似但内容全新的作品。

护栏（Guardrails）

为AI模型设置的一系列策略和限制，旨在确保数据被负责任地处理，并防止模型生成有害、偏见或非法的内容。

幻觉（Hallucination）

生成式AI在回应时，以高度确信的口吻给出错误或完全虚构的信息。其程度从引用错误日期，到凭空捏造从未发生的事件或不存在的人物不等。这是当前大语言模型面临的主要挑战之一。

推理（Inference）

指AI模型利用训练中学到的知识，对新输入的数据进行处理，并生成文本、图像等内容的过程。可以简单理解为模型的“思考”和“输出”阶段。

大语言模型（Large Language Model，LLM）

在海量文本数据上训练出的AI模型。它通过理解语言的统计规律和概率，能够生成从文章、邮件到代码等多种形式的内容，并模仿人类的写作风格。

延迟（Latency）

指AI系统从接收用户输入（提示词），到最终产生输出结果之间的时间间隔。延迟是影响用户体验的关键指标之一。

机器学习（Machine Learning）

人工智能的一个核心分支。它让计算机能够在没有明确编程指令的情况下，通过数据自主学习并不断优化其预测或决策能力。

多模态AI（Multimodal AI）

指能够同时理解和处理文本、图像、视频、语音等多种类型输入信息的AI系统。这更接近人类感知世界的方式。

自然语言处理（Natural Language Processing）

结合了机器学习、深度学习、语言学规则的技术领域，旨在让计算机能够理解、解释和生乘人类语言。

神经网络（Neural Network）

一种受人脑神经元网络启发而构建的计算模型。它由大量相互连接的节点（类比神经元）组成，能够从数据中识别模式，并随着更多数据输入而持续学习。

开放权重（Open Weights）

当一家公司发布“开放权重”模型时，意味着模型训练完成后最终的参数权重（包含了数据中的偏差和模型对信息的理解方式）将向公众开放。通常，这类模型可以被下载并在本地设备上运行。

过拟合（Overfitting）

机器学习中一种常见的错误。指模型在训练数据上表现过于完美，以至于“死记硬背”了训练集的特定样本和噪声，导致其无法很好地泛化到新的、未见过的数据上。

回形针理论（Paperclips）

由哲学家尼克·博斯特伦提出的一个思想实验：假设一个AI被设定的终极目标是“生产尽可能多的回形针”，那么它可能会不惜动用一切资源，最终威胁到人类的生存。这个理论常被用来阐述AI目标错位可能带来的极端风险。

参数（Parameters）

大语言模型中决定其结构和行为的可调整数值。模型通过调整这些参数来学习数据中的模式，并做出预测。

提示词（Prompt）

用户输入给AI聊天机器人，用以获取回应的指令或问题。提示词的质量直接影响到AI输出的质量。

提示词链（Prompt Chaining）

指AI能够利用之前对话中的上下文信息，来影响和塑造后续回应的能力。这使得多轮对话能保持连贯性。

提示词工程（Prompt Engineering）

通过精心设计和优化输入给AI的指令（提示词），以获得更准确、更符合预期的输出结果的过程。这通常需要结合“思维链”等特定技巧。

提示词注入（Prompt Injection）

一种攻击方式。恶意行为者将隐藏的指令嵌入网页或文档中，当AI读取这些内容时，会被诱导执行未经授权的操作。随着AI智能体在网络上活动范围扩大，这种劫持AI以窃取数据或进行破坏的风险正在上升。

量化（Quantization）

一种通过降低数值精度来压缩大语言模型体积、提升其运行效率的技术（通常会轻微牺牲准确性）。可以类比为将一张高像素照片压缩为较低像素的版本：两者都能清晰显示主要内容，但放大后，前者的细节会更丰富。

低质内容（Slop）

特指那些为博取流量而大量、批量生成的劣质AI内容，包括文章、图片和视频。这类内容生产几乎无需人工投入，正大量充斥于搜索引擎和社交媒体，不仅挤压了真实创作者的生存空间，也加剧了网络虚假信息问题。

随机鹦鹉（Stochastic Parrot）

一个非常形象的比喻，用于说明大语言模型的本质：无论其输出听起来多么合理可信，它可能并不真正理解语言或世界的含义。就像鹦鹉能模仿人说话，但并不理解它所说的话。

风格迁移（Style Transfer）

一种图像处理技术，能够将一张图像的风格（如笔触、色调）应用到另一张图像的内容上。例如，将一张普通照片以梵高的画风重新呈现。

讨好性（Sycophancy）

指许多AI模型存在的一种倾向：过度迎合用户的观点，即使用户的逻辑存在明显错误，模型也倾向于避免直接反驳，而是选择附和。

合成数据（Synthetic Data）

并非来自真实世界，而是由生成式AI自己创造的数据。这类数据可用于进一步训练其他AI模型，特别是在真实数据稀缺或敏感的领域。

温度（Temperature）

一个控制语言模型输出随机性和创造性的参数。温度值设置得越高，模型在生成文本时就越倾向于做出更大胆、更多样的预测，反之则输出更保守、更确定。

Token

AI语言模型处理文本时使用的基本单位。在英文中，一个Token大约相当于4个字符，可能是一个短词，也可能是一个长词的一部分。模型通过将输入文本拆解成Token序列来理解和生成内容。

训练数据（Training Data）

用于“教导”AI模型的数据集合，是模型学习所有知识和能力的基础。形式包括文本、图像、代码等。

Transformer模型（Transformer Model）

一种革命性的神经网络架构，构成了当前大多数先进大语言模型的基础。它的核心创新在于能够同时关注输入数据中所有元素之间的关系（如句子中所有词语的关联），从而更有效地理解上下文，而非像早期模型那样逐词顺序处理。

图灵测试（Turing Test）

由数学家艾伦·图灵于1950年提出的著名思想实验，用于判断机器是否表现出类人智能。测试中，人类评判者通过文字与两个隐藏的对话者（一个真人，一个机器）交流，如果评判者无法可靠地区分两者，则认为机器通过了测试。

无监督学习（Unsupervised Learning）

机器学习的一种方式。模型在没有被提供任何“标注”答案的训练数据中，自主探索并发现数据内在的结构和规律。

氛围编程（Vibe Coding）

一种新兴的编程实践，指开发者通过向AI聊天机器人输入自然语言描述（描述想要的功能或“氛围”），来生成可运行的代码，而无需手动编写每一行。

弱AI/窄AI（Weak AI / Narrow AI）

指专注于完成某一特定任务（如下棋、面部识别），而无法将能力泛化到其他领域的AI。目前我们日常生活中接触到的大多数AI应用都属于此类。

零样本学习（Zero-Shot Learning）

指测试AI模型在完全没有接受过相关任务训练的情况下，直接完成该任务的能力。例如，一个只在老虎图片上训练过的模型，被要求去识别狮子。

Q&A

Q1：什么是大语言模型（LLM）？它和普通AI有什么区别？

大语言模型是在海量文本数据上训练出的AI系统，其核心能力在于理解和生乘人类语言。与只能完成特定任务的“窄AI”（如象棋程序）不同，LLM具备广泛的语言处理能力，能进行对话、写作、翻译、编程等多种任务。目前主流的ChatGPT、Gemini等产品，其底层都是大语言模型。

Q2：AI幻觉是什么意思？为什么AI会产生幻觉？

AI幻觉是指生成式AI在回答时，会自信地给出错误或完全虚构的信息。产生这种现象的根本原因在于，大语言模型本质上是基于统计规律来“预测”下一个词该是什么，而不是真正“理解”事实或进行逻辑核实。当问题触及训练数据的边界，或涉及复杂、矛盾的信息时，模型就可能“编造”出一个符合语言规律但不符合事实的答案。

Q3：提示词工程是什么？普通人需要学吗？

提示词工程，简单说就是“如何与AI有效沟通”的技巧。通过设计更清晰、具体、结构化的指令，你可以显著提升AI输出结果的质量和相关性。对于普通用户而言，掌握一些基础技巧（比如明确任务背景、指定回答格式、要求分步骤思考）已经足够大幅改善日常使用体验。随着AI工具日益普及，这项技能正变得像使用搜索引擎一样实用。

来源：互联网