人工智能正在重塑世界，同时也创造了一套全新的语言来描述其运作方式。无论是参加产品会议、推介会还是讨论小组，你都会听到人们频繁提及LLM（大型语言模型）、RAG（检索增强生成）、RLHF（基于人类反馈的强化学习）等术语。最近，OpenAI新发布的Astra模型中采用的“不透明递归”推理技术引发了AI安全研究人员的关注和担忧。AI领域的术语更新速度极快，甚至让技术圈内的专家也感到些许不安。

本文旨在为你提供一份简明易懂的AI术语词汇表，无论你是从事AI开发、投资，还是通过阅读科技新闻或收听相关播客来了解AI，都能从中获益。我们会随着领域的发展不断更新这份词汇表，使其成为一份“活文档”，就像它所描述的AI系统一样。

AGI（人工通用智能）

AGI是一个模糊的概念，通常指的是在多数任务上能力超过普通人的AI。OpenAI CEO Sam Altman曾将AGI形容为“你可以雇佣作为同事的普通人类”。OpenAI的章程中定义AGI为“在大多数经济价值工作上超越人类的高度自主系统”。谷歌DeepMind则认为AGI是“在大多数认知任务上至少与人类同等能力的AI”。即使是AI领域的顶尖专家，对AGI的定义也存在分歧。

AI代理（AI Agent）

AI代理是指能够代表用户执行一系列任务的AI工具，超越了简单聊天机器人的功能，比如报销、订票、预订餐厅，甚至编写和维护代码。这个领域仍在快速发展，基础设施尚未完全完善。基本上，AI代理是一个自主系统，可能会调用多个AI系统来完成多步骤任务。

API端点

API端点可以理解为软件背后的“按钮”，其他程序可以通过调用这些接口让软件执行特定操作。开发者利用API构建集成，例如让一个应用获取另一个应用的数据，或让AI代理直接控制第三方服务。随着AI代理能力提升，它们能自主发现并使用这些端点，带来强大且有时意想不到的自动化可能。

思维链（Chain of Thought）

人类在回答简单问题时往往不需要过多思考，但复杂问题通常需要分步骤推理。AI中的思维链推理指将问题拆解为多个中间步骤，以提升最终答案的准确性，尤其在逻辑推理或编程场景中效果显著。此类模型基于传统大型语言模型，通过强化学习优化思维链能力。

编码代理（Coding Agents）

编码代理是AI代理的一个专门应用，能够自主编写、测试和调试代码，完成开发中的反复试验工作。它们可以跨整个代码库工作，发现漏洞、运行测试并推送修复，极大提升开发效率，但仍需人工审核。

计算能力（Compute）

计算能力通常指支持AI模型运行的计算资源，包括GPU、CPU、TPU等硬件。这些硬件为AI训练和部署提供动力，是现代AI产业的基础。

深度学习（Deep Learning）

深度学习是机器学习的一个子领域，采用多层人工神经网络结构，能够自动识别数据中的重要特征，并通过反复学习不断优化输出。相比传统机器学习，深度学习需要大量数据和更长训练时间，成本较高。

扩散模型（Diffusion）

扩散技术是许多生成艺术、音乐和文本的AI模型核心。它模仿物理学中的扩散过程，通过逐步加入噪声“破坏”数据结构，再学习逆向过程从噪声中恢复数据，实现生成任务。

蒸馏（Distillation）

蒸馏是一种通过“师生模型”提取大型AI模型知识的技术。通过让学生模型模仿教师模型的输出，训练出更小、更高效的模型。OpenAI的GPT-4 Turbo即采用了此技术。

微调（Fine-tuning）

微调是对已有AI模型进行进一步训练，以优化其在特定任务或领域的表现，通常通过引入专门的数据完成。许多AI初创企业以大型语言模型为基础，通过微调提升产品针对性和实用性。

生成对抗网络（GAN）

GAN由两个神经网络组成，一个生成数据，另一个判别真假，二者相互竞争，提升生成数据的真实性。GAN适合生成逼真的图像或视频，但不适用于通用AI。

幻觉（Hallucination）

幻觉指AI模型生成错误或虚假的信息，是AI质量的重大挑战。幻觉可能导致误导性输出，甚至带来现实风险，如错误的医疗建议。为减少幻觉，业界倾向开发更专业化的垂直领域AI模型。

推理（Inference）

推理是运行AI模型以做出预测或结论的过程，必须基于训练完成的模型。推理可在多种硬件上执行，但大型模型通常需要高性能服务器支持。

大型语言模型（LLM）

大型语言模型是驱动ChatGPT、Claude、谷歌Gemini、Meta Llama、微软Copilot等AI助手的核心。它们由数十亿参数组成，学习词语间关系，基于海量文本数据生成语言输出。

内存缓存（Memory Cache）

内存缓存是一种优化推理效率的技术，通过保存部分计算结果减少重复计算，提升响应速度。KV缓存是常见的缓存类型，广泛应用于基于Transformer的模型。

模型上下文协议（MCP）

MCP是一个开放标准，允许AI模型连接外部工具和数据，无需为每种组合开发专门接口。由Anthropic提出并交由Linux基金会管理，已被OpenAI、谷歌和微软采纳。

专家混合模型（MoE）

专家混合模型将神经网络拆分为多个专门子网络，仅激活部分专家处理任务，提升模型效率和速度。Mistral AI的Mixtral和OpenAI的新型GPT模型据称采用了此架构。

神经网络（Neural Network）

神经网络是深度学习的基础，灵感来源于人脑神经元连接结构。GPU的兴起推动了多层神经网络的发展，使AI在语音识别、自动导航、药物研发等领域表现卓越。

神经语（Neuralese）

神经语是假设的极端情况，模型完全用内部数字表示推理，无法用人类语言解释，导致思维过程成为黑箱。目前无已发布模型采用此方式，OpenAI的Astra模型虽使用不透明递归，但仍保持思维链可读。

不透明递归（Opaque Recurrence）

不透明递归指模型反复将同一查询在内部层循环处理，而非逐步用自然语言推理。这种方法计算效率高，但减少了可读的推理轨迹，增加了安全监管难度。

开源（Open Source）

开源指软件或AI模型的代码公开，任何人都可使用、检查和修改。Meta的Llama是开源AI模型的代表。开源促进了全球合作和安全审计，是AI行业的重要议题。

并行化（Parallelization）

并行化指同时执行多项任务，是现代GPU设计的核心，使训练和推理更快更高效。随着模型规模扩大，优化并行策略成为关键研究方向。

内存危机（RAMageddon）

内存危机描述了RAM芯片供应紧张的现象，因AI行业大量采购导致游戏、消费电子和企业计算等领域面临内存短缺和价格上涨问题，短期内难以缓解。

递归深度（Recurrent Depth）

递归深度是“不透明递归”的工程术语，指模型多次循环处理同一输入。媒体报道中两者常被交替使用。

递归自我改进（Recursive Self-Improvement）

递归自我改进指AI模型自主提升自身能力的过程，可能带来能力爆发和高度自治。尽管部分初创企业致力于此，普遍将其视为研究前沿而非灾难性事件。

强化学习（Reinforcement Learning）

强化学习通过奖励机制训练AI，模型通过试错不断优化行为。RLHF（基于人类反馈的强化学习）是提升大型语言模型推理能力的关键技术。

令牌（Token）

令牌是人机交流的基本单位，将文本拆分成可处理的小片段。AI公司通常按令牌数量计费，令牌数量越多，成本越高。

令牌吞吐量（Token Throughput）

令牌吞吐量衡量系统单位时间内处理令牌的能力，决定了模型能同时服务多少用户及响应速度，是AI基础设施优化的重要指标。

训练（Training）

训练是让AI模型学习数据模式的过程，需大量数据和计算资源。训练成本高昂，微调等混合方法可降低成本。

迁移学习（Transfer Learning）

迁移学习利用已有模型作为新任务的起点，节省开发时间和数据需求，但仍需针对目标领域进行额外训练。

验证损失（Validation Loss）

验证损失衡量模型训练效果，数值越低表示学习越好。它帮助识别过拟合，指导训练调整。

权重（Weights）

权重是训练中调整的数值参数，决定输入特征的重要性，影响模型输出。训练开始时权重随机，逐步调整以优化结果。

*本文将持续更新，补充最新信息。