AI术语全解：告别对专业词汇的迷茫
你是否听过这些AI术语却只是勉强附和？是时候改变这种状况了。人工智能正在重塑世界，同时也创造了一套全新的语言体系来描述这一变革。只需花五分钟浏览相关资料，你就会遭遇LLM、RAG、RLHF等十多个术语，这些词汇甚至会让科技圈最聪明的人也感到棘手。本文旨在解决这一困惑。我们将随着行业演进持续更新，因此它是一份动态文档——正如它所描述的AI系统一般。
通用人工智能（AGI）是一个定义模糊的概念。它通常指在绝大多数任务上超越普通人的AI能力。OpenAI CEO萨姆·奥特曼曾将其比喻为“一个可以雇佣来工作的普通人”。同时，OpenAI宪章将其定义为“在大多数经济价值活动中超越人类的高度自主系统”。Google DeepMind的定义略有差异，他们认为AGI是“在大多数认知任务上至少具备人类同等能力的AI”。感到困惑很正常——前沿AI领域的专家们对此也有分歧。
AI智能体是指利用AI技术代表用户执行一系列任务的工具，超越了基础聊天机器人的功能，例如处理报销、预订行程、订座或维护代码。正如前文所述，这一新兴领域较为复杂，“AI智能体”对不同的人可能指代不同。基础设施仍在完善中。但其核心概念是指能够从多个AI系统获取信息并执行多步骤任务的自主系统。
将API端点想象成软件背后的“按钮”，其他程序可以通过点击这些按钮来执行操作。开发者利用这些接口构建集成——例如让应用间共享数据，或使AI智能体能直接操控第三方服务，无需人工干预。大多数智能家居和连接平台都隐藏着这些接口，普通用户往往看不见。随着AI智能体能力的增强，它们越来越善于发现并利用这些端点，为自动化开启了强大甚至意想不到的可能性。
对于简单问题，人脑无需深思即可回答，如“长颈鹿和猫谁更高？”。但在复杂情况下，如计算鸡和牛的数量（40头、120腿），通常需要纸笔和中间步骤来求解。在AI领域，大语言模型的思维链推理是指将问题拆解为更小的中间步骤，以提升结果质量。虽然耗时较长，但准确性更高，尤其在逻辑或编码任务中。这类推理模型基于传统大语言模型开发，通过强化学习优化了思维链能力。
这是一个比“AI智能体”更具体的概念，后者指代能自主行动、逐步达成目标的程序。编码智能体则是其应用于软件开发的专业版本。与仅提供建议不同，编码智能体能自主编写、测试和调试代码，处理繁琐的迭代工作。它们能遍历代码库、发现漏洞、运行测试并推送修复，几乎无需人工监督。这就像雇佣了一位从不睡觉、不出错的极速实习生，但最终仍需人工审核。
算力是一个多义词，通常指代驱动AI模型运行的关键计算能力。这是AI行业的动力源泉，支持强大模型的训练与部署。该术语常作为硬件类型的简称，如GPU、CPU、TPU等基础设施，它们构成了现代AI产业的基石。
深度学习是自改进型机器学习的一个子集，其算法设计为具有多层人工神经网络（ANN）结构。这使得它们能做出比简单机器学习系统（如线性模型或决策树）更复杂的关联。该结构灵感源自人脑神经元连接。深度学习模型能自动识别数据特征，无需人工定义。此外，它支持通过反复调整从错误中学习。然而，深度学习需要海量数据（数百万级）才能表现良好，训练时间长，导致开发成本较高。
扩散模型是许多艺术、音乐及文本生成AI的核心技术。受物理学启发，扩散系统通过逐渐“破坏”数据结构（如照片、音频）来达到无信息状态。物理学中扩散是不可逆的（如糖无法变回立方体），但AI扩散模型旨在学习“反向扩散”过程，以从噪声中恢复数据。
蒸馏是一种利用“教师-学生”模型从大型AI中提取知识的技术。开发者向教师模型提问并记录输出，随后用这些输出训练学生模型以模仿教师行为。这有助于创建更小、更高效的模型。OpenAI开发GPT-4 Turbo可能就采用了此法。虽然内部使用普遍，但用于追赶对手可能违反服务条款。
这是指对AI模型进行二次训练，以优化其在特定任务或领域的表现，通常通过输入新的专业数据进行。许多AI初创公司以大语言模型为基础，通过补充领域特定知识来提升产品在特定任务上的效用。
生成对抗网络（GAN）是一种支持生成式AI发展的机器学习框架，常用于深度伪造等产生真实数据的场景。它包含一对神经网络：一个生成器从训练数据中创建输出，另一个判别器负责评估。两者互相博弈，生成器试图欺骗判别器，判别器则努力识别假货。这种竞赛能优化输出真实性。GAN虽在特定领域（如生成真实图像）效果显著，但并不适合通用AI。
幻觉是指AI模型胡编乱造（生成错误信息）的现象，是AI质量的一大痛点。这可能导致误导性的输出，如医疗建议错误，带来现实风险。AI产生幻觉通常源于训练数据空白。为减少此类风险，行业正推动垂直AI或领域特定AI的发展，以填补知识空白。
推理是运行AI模型的过程，即从已知数据中进行预测或结论。必须先经过训练，模型才能从数据中学习模式。智能手机处理器、GPU或定制AI加速器均可执行推理。但硬件性能差异巨大，超大模型在笔记本上推理缓慢，而云端高端AI芯片则快得多。
大语言模型（LLM）是ChatGPT、Claude、Gemini等流行助手的核心。与AI助手交互时，你直接面对的就是LLM。它由数十亿个参数（权重）组成，通过学习词组关系构建多维“单词地图”。这些模型通过对海量文本模式编码而成，当你提示时，它会生成最匹配的回应。
记忆缓存是一种提升推理效率的优化技术。由于AI计算消耗大量电力，缓存旨在通过保存特定计算结果，减少模型重复运算。其中KV（键值）缓存较为知名，它能基于Transformer模型减少生成答案的时间和算法负担，从而提升响应速度。
神经网络是支撑深度学习和生成式AI的基础多层算法结构。尽管其设计灵感可追溯至1940年代，但近年来游戏行业的图形处理硬件（GPU）崛起，才真正释放了其潜力。GPU非常适合训练深层算法，使基于神经网络的AI在语音识别、导航和药物发现等领域表现更佳。
开源指代码公开的软件或AI模型，任何人可使用或修改。Meta的Llama系列是典型代表，Linux则是操作系统的历史类比。开源促进了全球协作，加速进步，并支持独立安全审计。与之相对，闭源代码私密（如OpenAI的GPT），用户可用但无法查看原理，这是AI行业的主要争议点。
并行化指同时处理多项任务而非顺序进行。在AI中，这对训练和推理至关重要。现代GPU专为并行计算设计，是行业硬件主流。随着模型增大，多芯片并行能力成为决定部署速度和成本的关键因素，相关策略研究已成为独立领域。
“RAMageddon”形容科技行业面临的严峻趋势：随机存取存储器（RAM）持续短缺。随着AI发展，巨头争相囤积RAM用于数据中心，导致民用市场供不应求。供应瓶颈推高价格，波及游戏、消费电子和企业计算。涨价预计将持续至短缺结束，短期内无缓解迹象。
强化学习通过尝试和奖励来训练AI，类似于用零食训练宠物（“零食”是数学信号）。与监督学习不同，它让模型在环境中探索并基于反馈调整行为。这种方法在游戏、机器人控制和提升大模型推理方面效果显著。人类反馈强化学习（RLHF）已成为主流实验室优化模型安全性、准确性和帮助度的关键技术。
人机通信面临挑战：人类用自然语言交流，AI通过算法处理。Token弥合了这一鸿沟，是LLM处理的基本单位。通过分词，原始文本被拆解为模型可消化的片段。在企业中，Token数量决定成本，AI公司通常按Token计费，使用越多费用越高。
Token是AI模型处理前将语言拆解的小块（非完整单词）。吞吐量衡量单位时间内的处理量，Token吞吐量即系统处理AI工作的能力。高吞吐量是基础设施团队的关键目标，它决定并发用户数和响应速度。AI研究者Karpathy曾因闲置订阅感到焦虑，这反映了行业对最大化利用率的痴迷。
开发机器学习AI涉及“训练”过程，即输入数据让模型从模式中学习并输出结果。系统通过响应数据特征来调整输出，以接近目标（如识别图像或创作文本）。训练成本高昂，因为需要海量数据，这也是混合方法（如微调）能节省成本的原因。
迁移学习利用先前训练的模型作为起点，用于开发相关任务的新模型，实现了知识的复用。这能提高效率，尤其在数据有限时有效。但需注意其局限性：依赖迁移学习的模型可能需要额外数据训练，才能在特定领域表现良好。
权重是AI训练的核心，决定了输入特征在数据集中的重要性，从而塑造模型输出。它们是定义任务中关键因素的数值参数，通过乘法运算影响结果。训练初期权重随机，随后模型调整权重以逼近目标。例如，房价预测模型会根据卧室数量、车库等特征分配权重，反映其对房价的影响程度。
验证损失是评估AI模型训练效果的指标，数值越低越好。研究人员通过它监控训练进度，决定是否停止或调整参数。它有助于识别过拟合——即模型死记硬背而非泛化学习。这就像区分理解材料的学生和死记硬背的学生，验证损失能揭示模型的真实学习状态。