人工智能术语

1. 基础大类

• AI（人工智能）：让机器模拟人类智能（感知、推理、学习、决策）
• ML（机器学习）：AI 的核心分支，让机器从数据中学习规律，而非硬编码规则
• DL（深度学习）：机器学习的子集，用多层神经网络模拟人脑结构
• AGI（通用人工智能）：具备人类水平通用智能（目前未实现）
• ANI（窄人工智能）：只能做特定任务（现在所有 AI 都是这个）

2. 机器学习

• 模型（Model）：学习后得到的 “函数 / 规则系统”
• 训练（Training）：用数据让模型学习
• 推理（Inference）：训练完后用模型做预测 / 回答
• 数据集（Dataset）：训练用的数据集合
• 特征（Feature）：输入给模型的信息（如图片像素、文本词）
• 标签（Label）：监督学习里的 “标准答案”
• 过拟合（Overfitting）：模型只记住训练数据，泛化差
• 欠拟合（Underfitting）：模型太简单，学不到规律
• 泛化（Generalization）：模型对新数据的表现能力
• 准确率（Accuracy）：预测正确的比例
• 损失函数（Loss Function）：衡量预测误差
• 优化器（Optimizer）：调整模型参数减少误差

3. 深度学习/神经网络

• 神经网络（Neural Network）：多层节点组成的学习结构
• 神经元 / 节点（Neuron/Unit）：网络最小单元
• 层（Layer）：输入层、隐藏层、输出层
• 权重（Weight）：模型学到的参数
• 偏置（Bias）：调整激活阈值
• 激活函数（Activation）：ReLU、Sigmoid、Tanh 等，引入非线性
• CNN（卷积神经网络）：主要用于图像（CV）
• RNN（循环神经网络）：处理序列数据（文本、语音）
• Transformer：当前大模型基础架构（Attention 机制）
• 注意力机制（Attention）：重点关注输入中重要部分

4. 大模型/LLM 专用

• LLM（大语言模型）：GPT、Llama、文心一言、通义千问等
• 预训练（Pre-training）：在海量文本上先学通用语言能力
• 微调（Fine-tuning）：在特定任务数据上再训练
• SFT（监督微调）：用标注数据微调
• RLHF（基于人类反馈的强化学习）：让模型更符合人类偏好
• 上下文窗口（Context Window）：模型能记住的输入长度
• Token：文本切分后的最小单位（词 / 子词）
• hallucination（幻觉）：模型编造事实
• Prompt（提示词）：给模型的指令 / 问题
• Few-shot/Zero-shot：少量示例 / 无示例直接做任务

5. NLP（自然语言处理）

• NLP：让机器理解 / 生成人类语言
• NLG（自然语言生成）：写文案、对话、摘要
• NLU（自然语言理解）：意图识别、情感分析
• Embedding（词向量 / 嵌入）：把词变成数字向量
• 向量数据库（Vector DB）：存储 Embedding 做检索
• RAG（检索增强生成）：先检索资料再生成答案（防幻觉）

6. CV（计算机视觉）

• CV：让机器看懂图像 / 视频
• 目标检测（Object Detection）：框出物体 + 分类
• 图像分类（Classification）：判断图片类别
• 分割（Segmentation）：像素级区分区域
• OCR（光学字符识别）：图片转文字
• AIGC（AI 生成内容）：文生图、文生视频（Stable Diffusion、Sora 等）

7. 工程/部署

• 推理引擎：ONNX Runtime、TensorRT、Triton
• 量化（Quantization）：降低模型精度（FP16/INT8）提速省显存
• 蒸馏（Distillation）：大模型教小模型
• 端侧 AI：手机 / 设备本地运行 AI
• 云 AI：云端 API 调用（如 GPT API）

8. 伦理/安全

• 对齐（Alignment）：让 AI 行为符合人类意图
• 偏见（Bias）：模型学到数据中的不公平倾向