AI入门必备术语解析

随着AI技术的普及，为了提升业务全流程的效能，我决定系统梳理一下这些常见的AI术语，打好基础。

1、大模型：指参数量巨大、在海量数据集上训练的深度学习模型。它通过自监督学习掌握了大量知识与规律，能够处理文本、图像等多种任务，是当前AI能力的基石。大模型就像一个刚入职、知识渊博的新人，读过无数书籍和案例。但他缺乏对公司业务的理解和判断力。指令越精准，表现越出色。

2、Token：大模型处理文本的基本语义单位。一个Token可以是单词、单词的一部分（如“ing”）或标点符号。模型通过切分Token来理解和生成内容。API计费通常基于Token数量，消耗越多，费用越高。

3、上下文窗口大小：模型在单次推理过程中能“记住”并处理的输入Token的最大数量。窗口越大，能一次性处理的文本（如长文档、多轮对话）就越长，但计算成本和内存消耗也更高。

4、参数规模：参数规模好比脑容量，存储了模型从训练数据中学到的知识。规模越大，通常代表模型的容量和表达能力越强，但所需的训练数据和算力也更多。

5、开源模型/闭源模型：

开源模型：公开权重、架构甚至训练代码，允许免费下载、研究和商业使用（需遵循对应许可证）。

闭源模型：仅通过API或界面提供服务，不公开内部权重和细节，由开发公司全权控制与运营，如GPT-4、Claude。闭源模型通常能力更强，但数据会经过别人的服务器；开源模型可部署在自己服务器上，数据不出门，但需要技术团队来搞。

6、模型训练：让模型阅读海量数据，学习语言规律、知识和推理方式。训练数据的质量决定了模型的上限。

7、模型微调：在预训练好的大模型基础上，使用特定领域或任务的数据集进行进一步训练。目的是在保留通用能力的同时，让模型更适应具体场景（如医疗问答、客服风格）。

8、提示词：用户输入给大模型的指令或问题，引导模型生成期望的输出。精心设计的提示词能显著提升模型的回答质量、格式和逻辑性，是高效使用大模型的关键技术。

9、AI幻觉：大模型生成看似合理但实际错误、无依据或与事实矛盾的内容的现象。这是因为模型只学习统计规律和模式，并不具备真正的“理解”或“事实核查”能力。大模型的本质是“预测下一个最可能的词”，它不是在数据库里查证据再回答你。它只是根据语言规律，生成一段读起来最通顺的文字。

10、多模态：指模型能同时处理和理解多种类型的数据（模态），如文本、图像、音频、视频。例如，能根据图片描述内容，或根据语音生成文字回复。

11、Agent：以大模型为核心控制器的智能体程序。它能自主理解复杂目标、拆解任务、调用外部工具（如搜索、计算器、API）、记忆历史并采取行动，直至达成目标。Agent 像一个能独立执行任务的助理，你说「帮我调研一下竞品最近三个月的功能更新」，它自己去搜信息、整理对比表、生成报告，中间不需要你一步步盯着。

12、Skill：在Agent或特定AI平台中，指可被模型调用的、封装好的专用功能模块或插件。比如Agent 是一个人，Skill 是他掌握的技能，Agent可以有多个技能组合。就像你招了一个助理，然后根据你的工作内容给他做了定向培训。

13、MCP：模型上下文协议的缩写。一种旨在标准化AI应用与外部数据源、工具之间交互的开放协议，可类比为“AI领域的USB接口”，让模型更方便安全地连接各种服务。

14、模型API：由大模型服务商提供的应用程序编程接口。开发者通过发送HTTP请求调用API，即可在自有应用中集成模型能力（如对话、生成图片），无需本地部署和管理模型。

人工智能正在重塑企业管理，唯有主动拥抱并善加利用，才是明智之举！