AI 术语速查指南：搞懂这些名词不再被割韭菜
人工智能正在改变世界，同时也创造了一套全新的语言来描述它是如何运作的。只要花五分钟读一篇 AI 文章，就会遇到 LLM、RAG、RLHF 等十几个术语——哪怕是科技圈的聪明人，也难免心生焦虑。这份术语表正是为了解决这个问题而整理的，我们会随领域演进定期更新，算是对标 AI 系统本身的"活文档"。
AGI（通用人工智能）
AGI 是 Artificial General Intelligence 的缩写，中文通常译为"通用人工智能"。这是一个相当模糊的概念，但大致指：在大多数任务上比普通人类更能干的 AI。
具体定义，各家说法不一：
- OpenAI CEO 山姆·奥特曼 曾将 AGI 形容为"可以雇来当同事的、相当于普通人水平的 AI"
- OpenAI 宪章 中的表述则是："高度自主的系统，在大多数具有经济价值的工作上超越人类"
- Google DeepMind 的理解稍有出入："在大多数认知任务上至少与人类能力相当的 AI"
有没有感到困惑？别担心，AI 研究前沿的专家们自己也说不清楚。
AI 智能体（AI Agent）
AI 智能体是指利用 AI 技术代替你完成一系列任务的工具，远超基础 AI 聊天机器人的能力范围——比如填报销单、预订机票餐厅，甚至编写和维护代码。
不过，这个领域尚在快速演进中，"AI 智能体"对不同人可能意味着不同东西，底层基础设施也仍在搭建中。其核心概念是：一个自主系统，可以调用多个 AI 子系统来执行多步骤任务。
API 端点（API Endpoints）
可以把 API 端点想象成软件产品背后的"按钮"——其他程序可以按下这些按钮，让软件执行操作。
开发者通过这些接口来构建集成能力，例如让一个应用从另一个应用拉取数据，或者让 AI 智能体直接控制第三方服务，而无需人工逐个操作界面。大多数智能家居设备和互联平台都隐藏着这些接口，只是普通用户从未察觉。随着 AI 智能体能力提升，它们越来越能够自主发现并调用这些端点，由此带来强大的自动化可能——当然，有时也会产生意想不到的结果。
思维链（Chain of Thought）
面对简单问题，人类大脑可以不动脑筋就回答，比如"长颈鹿和猫哪个更高？"但在很多场景下，你可能需要纸笔才能算出正确答案，因为中间有推理步骤。
举例来说：如果一个农民有鸡和牛，共 40 个头、120 条腿，你可能需要列个方程才能算出有 20 只鸡和 20 头牛。
在 AI 领域，思维链推理指的是将大问题拆解为若干中间步骤，以提升最终答案的质量。这种方式需要更长时间，但答案更可能正确——尤其在逻辑推理或编程任务中。推理模型（Reasoning Models） 就是从传统大语言模型进化而来，通过强化学习针对思维链思维做了优化。
编程智能体（Coding Agents）
这是"AI 智能体"的一个更具体的子概念，指的是一个能够自主逐步执行动作以完成目标的程序。编程智能体是专门应用于软件开发领域的版本。
与简单的代码补全不同，编程智能体可以自主编写、测试和调试代码，处理那些通常占据开发者一天时间的重复试错工作。这类智能体能在整个代码库中行动，发现 bug、运行测试、推动修复，极少需要人工干预。可以把它想象成雇了一个永不疲倦、永不分心的超级实习生——当然，和任何实习生一样，最终还是需要人来审阅工作成果。
算力（Compute）
虽然是个多义词，算力通常指支撑 AI 模型运行的关键计算能力。这种处理能力是 AI 行业的基础，使其得以训练和部署强大的模型。
在实际语境中，"算力"通常是硬件的简称——GPU、CPU、TPU 等各类基础设施，构成了现代 AI 行业的底层支柱。
深度学习（Deep Learning）
深度学习是自我改进型机器学习的一个子集，其 AI 算法采用多层人工神经网络（ANN）结构。这使其能够建立比线性模型或决策树等简单机器学习系统更复杂的关联。
深度学习的关键特征在于：AI 模型能够自主识别数据中的重要特征，无需人工工程师预先定义。此外，其结构支持"从错误中学习"的能力——通过重复和调整，持续改善输出结果。
但深度学习系统也有代价：
- 需要大量数据点（百万级甚至更多）才能获得良好效果
- 训练时间比简单机器学习算法更长
- 开发成本相对更高
扩散模型（Diffusion）
扩散模型是当下图像、音乐、文本生成 AI 的核心技术。其灵感来自物理学：扩散系统通过逐步添加噪声来"破坏"数据结构——比如照片、歌曲等——直到什么都不剩。
在物理学中，扩散是自发且不可逆的过程——糖溶入咖啡后无法恢复成立方体。但 AI 中的扩散系统旨在学习一种"反向扩散"过程，恢复被破坏的数据，从而获得从噪声中重建数据的能力。
知识蒸馏（Distillation）
知识蒸馏是一种从大型 AI 模型中提取知识的技术，采用"师徒"架构：开发者向"教师模型"发起请求并记录输出，有时还会与参考数据集对比以评估准确率。这些输出随后用于训练"学生模型"，使其行为逼近教师模型。
通过蒸馏，团队可以在最小化知识损耗的前提下，基于大模型创建更小、更高效的版本。OpenAI 据信正是借此推出了 GPT-4 Turbo——在保持核心能力的同时，响应速度更快、消耗更低。
微调（Fine-tuning）
微调指的是对已有 AI 模型进行额外训练，将其能力聚焦到比原始训练更具体的任务或领域——通常通过喂入新的、面向任务的专精数据来实现。
当下，许多 AI 创业公司以大语言模型为起点构建商业产品，同时通过微调引入自有领域知识与专业积累，来强化特定行业或任务的实用性。这种"通用基座 + 垂直微调"的路径，已成为差异化竞争的主流打法。
GAN：对抗中逼近真实的生成框架
GAN（Generative Adversarial Network，生成对抗网络）是一种机器学习框架，在生成逼真数据方面——包括深度伪造（deepfake）工具——发挥了关键作用。
其核心由两个神经网络组成：一个充当"生成器"，基于训练数据生成输出；另一个充当"判别器"，负责评估这些输出是否来自真实数据。两者被设定为相互对抗：生成器试图骗过判别器，判别器则努力识别人工生成的内容。这场结构化的"竞争"使 AI 输出得以持续优化，无需额外人工干预。GAN 在窄场景（如生成逼真图片或视频）表现优异，而非通用 AI 场景。
幻觉：大模型的"一本正经胡说八道"
"幻觉"（Hallucination）是 AI 行业对模型杜撰信息的惯用说法——即生成不正确的内容。这对 AI 质量而言无疑是一个巨大的隐患。
幻觉会导致生成式 AI 输出误导性答案，甚至可能带来现实危害——比如用户询问健康问题，系统却返回危险的医疗建议。
业界普遍认为，幻觉源于训练数据中的知识盲区。这也推动了 AI 行业向专精化、垂直化方向演进——通过打造领域专属 AI 来缩小知识缺口、降低虚假信息风险。
推理（Inference）
推理指的是运行 AI 模型的过程——让模型基于已有数据做出预测或得出结论。需要明确的是，没有训练就谈不上推理：模型必须先在数据中发现规律，才能有效泛化。
多种硬件都能执行推理任务，从手机处理器到高性能 GPU，再到定制 AI 加速芯片。但不同硬件的运行效率差异显著——大模型在笔记本电脑上跑可能耗时漫长，在配备高端 AI 芯片的云服务器上则飞快。
大语言模型（Large Language Model，LLM）
大语言模型是 ChatGPT、Claude、Google Gemini、Meta Llama、Microsoft Copilot、Mistral Le Chat 等主流 AI 助手背后运行的模型。你与 AI 助手对话时，实际上是在与大语言模型交互，模型直接处理你的请求，或调用网页浏览、代码解释器等工具来完成响应。
LLM 是由数十亿参数（权重）构成的深度神经网络，通过学习词汇与短语之间的关系，构建起一种多维语言表征——可以理解为一张词汇的"关系地图"。模型从数十亿书籍、文章和文本记录中编码规律，当你向 LLM 发出提示时，模型会生成最匹配该提示的输出模式。
内存缓存（Memory Cache）
内存缓存是一种提升推理效率的优化技术。本质上，缓存通过保存特定计算结果，供后续用户查询复用，从而减少模型需要重复执行的运算次数——每次数学计算都意味着更高的功耗消耗，缓存正是为了降低这部分开销。
其中一种较为人熟知的方案是 KV（键值）缓存。KV 缓存在 Transformer 架构模型中运作，通过减少生成答案所需的算力和时间，提升响应速度。
神经网络（Neural Network）
神经网络是支撑深度学习的多层算法结构，也是大语言模型引发生成式 AI 爆发后，整个领域蓬勃发展的底层基础。
虽然"模拟人脑密集互联通路来设计数据处理算法"的想法可以追溯到 1940 年代，但真正释放其潜力的，是近年来图形处理硬件（GPU）的崛起——最初由电子游戏行业推动。这些芯片非常适合训练比早期更多层数的算法，使基于神经网络的 AI 系统在语音识别、自动驾驶、药物研发等多个领域实现了显著的性能飞跃。
并行化（Parallelization）
并行化指同时处理多项任务，而非逐一顺序执行——类似于 10 名员工同时负责项目不同环节，比单人逐一完成更高效。在 AI 领域，并行化是训练和推理的基础：现代 GPU 专为并行计算而设计，能够同时完成数千次运算，这正是 GPU 成为行业硬件支柱的核心原因。
随着 AI 系统复杂度提升、模型规模扩大，在多芯片、多机器间实现任务并行已成为决定模型构建和部署速度与成本的关键因素。更优的并行化策略研究本身已演变为一门独立学科。
RAMageddon
RAMageddon 是业内对"内存持续短缺"这一不妙趋势的戏称。RAM 芯片支撑着几乎所有日常科技产品，而随着 AI 产业蓬勃发展，头部科技公司与 AI 实验室争相采购大量内存来驱动数据中心，导致消费市场可用内存锐减、价格上涨。
这一供给瓶颈已波及多个行业：
- 游戏设备：主要厂商因内存芯片采购困难，相继上调游戏主机售价
- 消费电子：内存短缺预计将引发十年来最大幅度的智能手机出货量下滑
- 企业计算：企业自身数据中心也面临内存采购不足的困境
价格上涨何时见顶？目前来看信号并不乐观。
递归自我改进（Recursive Self-Improving，RSI）
递归自我改进与通用人工智能（AGI）类似，代表着 AI 智能程度与人类依赖度的一道门槛。在 RSI 场景下，AI 模型无需人类干预即可自主优化自身，带来能力与自主性的急剧加速。
RSI 有两种叙事版本：一种将其描述为类似技术奇点的灾难性时刻——AI 模型将变得不受外部干预；另一种则将其还原为一种基础能力问题——AI 模型能否自主设计下一代 successor？这使得工程师更容易以此为目标开展构建。
不少 AI 初创公司已公开表示致力于构建递归自我改进模型，但多数对末日论调持否定态度，将 RSI 定位为研究的新前沿方向。
强化学习（Reinforcement Learning，RL）
强化学习是一种 AI 训练范式：系统通过试错获得奖励反馈来学习——类似于用零食训练宠物，区别在于"宠物"是神经网络，"零食"是代表成功的数学信号。
与监督学习依赖固定标注数据集不同，强化学习让模型探索环境、执行动作，并根据反馈持续更新行为。这一方法在以下领域成效显著：
- 游戏 AI 训练
- 机器人控制
- 提升大语言模型的推理能力
基于人类反馈的强化学习（RLHF）等技术，现已成为头部 AI 实验室微调模型的关键手段。
Token
人类用自然语言沟通，AI 程序则通过复杂算法处理数据执行任务。Token 便是弥合这一鸿沟的基础单元——代表经过 LLM 处理或生成的离散文本片段。
Token 通过"分词"（Tokenization）过程生成：将原始文本切分为语言模型可消化的小块，类似于编译器将人类语言翻译为计算机可理解的二进制代码。在企业场景下，Token 还直接决定成本——多数 AI 公司按 Token 量收费，用量越多，费用越高。
Token 吞吐量
AI 语言模型将语言切分为 Token——通常并非完整单词，而是单词的片段。吞吐量（Throughput）衡量单位时间内的处理量，因此 Token 吞吐量本质上反映系统并行处理 AI 任务的能力。
高 Token 吞吐量是 AI 基础设施团队的核心目标：它决定了模型能同时服务多少用户，以及每位用户的响应速度。AI 研究员 Andrej Karpathy 曾描述，看着自己的 AI 订阅闲置时会有一种焦虑感——就像研究生时期看着昂贵硬件未被充分利用一样。这一感受准确捕捉了为何最大化和优化 Token 吞吐量已成为行业执念。
训练
机器学习模型的训练，本质上是让 AI 从数据中识别规律、生成有用输出。训练过程通过不断响应数据特征，使模型逐步逼近既定目标——无论是识别猫的图片，还是按需创作一首俳句。
训练成本高昂，因为它需要大量输入数据，而数据规模仍在持续增长。正因如此，混合方法应运而生：例如在已有规则型 AI 基础上，用针对性数据进行微调，可在不必从零开始的前提下有效控制成本。
迁移学习
将预先训练好的 AI 模型作为起点，用于开发另一项通常相关的新任务——从而复用先前训练周期中积累的知识。
迁移学习能显著缩短模型开发周期、节省成本。当目标任务的数据有限时，这一方法尤为实用。但需注意其局限性：依赖迁移学习获得泛化能力的模型，通常还需要在目标领域的数据上进一步训练，才能达到理想表现。
验证损失（Validation Loss）
验证损失是一个数值，用于衡量 AI 模型在训练过程中的学习效果——数值越低越好。研究人员将其视为实时"成绩单"，据此判断何时停止训练、是否需要调整超参数，或是否需要排查潜在问题。其核心作用之一是帮助识别过拟合：当模型死记硬背训练数据、而非真正学习可泛化至新情境的规律时，验证损失会显著升高。类比而言，这就像区分真正理解教材的学生和仅靠背住去年试卷得分的学生——验证损失能揭示你的模型正在变成哪一种。
权重（Weights）
权重是 AI 训练的核心要素，决定了训练数据中不同特征（即输入变量）的重要程度，从而塑造模型的输出形态。
权重，本质上是定义数据集在特定训练任务中最显著特征的数值参数。它们通过乘法运算作用于输入数据来实现这一功能。模型训练初期，权重通常随机初始化；随着训练推进，权重不断调整，使模型输出逐步逼近目标。
以房价预测模型为例，训练数据中可能包含卧室数量、浴室数量、房屋类型（独立式或半独立式）、是否有车位、车库等特征。模型最终为各输入分配的权重，反映了这些因素在给定数据集中对房价的影响程度。
评论