个人与企业AI应用的四大核心差异
个人使用的AI工具与企业级AI系统存在本质区别。个人可能熟练使用Python、调用大模型、编写小脚本，但这只是AI个人化使用的常态；个人脚本与企业生产系统遵循完全不同的逻辑，根源在于四大底层差异：
1. 运行目标不同
个人脚本：服务于单一用户、单次执行，出错可重启，数据丢失无大碍；核心是‘快速实现功能’。
企业应用：面向多部门、多账号、7×24小时持续运行，停机即意味着停产或资金损失；核心是高可靠、可追溯、权限隔离、故障自愈。
2. 数据责任不同
个人代码：数据存储于本地文件，可随意删改，无合规要求。
企业系统：订单、工单、质检、设备数据属于核心生产资产，需持久化存储、事务一致、完整备份、操作日志、符合等保标准，严禁脏数据与数据丢失。
3. 交互链路复杂度不同
个人工具：输入→计算→输出，单一流程，无外部依赖。
企业AI工单链路：人（前端/车间终端）↔ AI推理服务 ↔ 集成中间件 ↔ ERP/MES/WMS ↔ 数据库 ↔ 设备PLC；涉及多系统、跨进程、跨服务器通信，依赖网络与接口协议。
4. 变更与运维约束不同
个人代码：随时修改，本地直接运行。
企业系统：上线需测试、灰度发布、支持回滚；修改不得中断正在执行的工单；多人协作需遵循代码规范与版本管理。
一、人工智能全域基础术语
AI: Artificial Intelligence（人工智能）
AGI: Artificial General Intelligence（通用人工智能）
ANI: Artificial Narrow Intelligence（弱人工智能/专用人工智能）
ML: Machine Learning（机器学习）
DL: Deep Learning（深度学习）
RL: Reinforcement Learning(强化学习)
SL: Supervised Learning(监督学习)
UL: Unsupervised Learning（无监督学习）
XAI: Explainable Artificial Intelligence（可解释人工智能）
MAI: Multimodal Artificial Intelligence（多模态人工智能）
二、大模型与生成式AI核心术语
LLM: Large Language Model（大语言模型）;SLM（小语言模型）
Transformer:（Transformer架构）
FG: Fine-Generation（微调生成）
MoE: Mixture of Experts（混合专家模型）
Embedding:（向量嵌入/词嵌入）
Attention:（注意力机制）
RAG: Retrieval-Augmented Generation（检索增强生成）
SFT: Supervised Fine-Tuning（有监督微调）
RLHF: Reinforcement Learning from Human Feedback（人类反馈强化学习）
RLAIF: Reinforcement Learning from AI Feedback（AI反馈强化学习）
LoRA: Low-Rank Adaptation（低秩适配）
CoT: Chain of Thought（思维链）
PoT: Plan of Thought（规划链）
三、AI计算机视觉与语音NLP应用术语
NLP: Natural Language Processing（自然语言处理）
NLG: Natural Language Generation（自然语言生成）
NLU: Natural Language Understanding（自然语言理解）
NER: Named Entity Recognition（命名实体识别）
NMT: Neural Machine Translation（神经机器翻译）
ASR: Automatic Speech Recognition（自动语音识别）
TTS: Text-to-Speech（文本转语音）
CV: Computer Vision（计算机视觉）
OCR: Optical Character Recognition（光学字符识别）
SR: Super Resolution（超分辨率图像重建）;Object Detection（目标检测）
四、神经网络与经典AI算法术语
ANN: Artificial Neural Network（人工神经网络）
CNN: Convolutional Neural Network（卷积神经网络）
RNN: Recurrent Neural Network（循环神经网络）
LSTM: Long Short-Term Memory（长短期记忆网络）
GRU: Gated Recurrent Unit（门控循环单元）
GAN: Generative Adversarial Network（生成对抗网络）
VAE: Variational Autoencoder（变分自编码器）
SVM: Support Vector Machine（支持向量机）
PCA: Principal Component Analysis（主成分分析）
KNN: K-Nearest Neighbors（K近邻算法）
DT: Decision Tree（决策树）