人工智能正在重塑世界，同时创造出一套全新的语言来描述其运作方式。无论是在产品会议、项目推介还是专家讨论中，你都会听到诸如LLM、RAG、RLHF等术语，这些词汇甚至会让技术领域的资深人士感到困惑。本文旨在用通俗易懂的语言解释你最可能遇到的AI术语，无论你是开发者、投资者，还是通过阅读科技新闻或收听相关播客来了解AI。我们会随着领域的发展不断更新这份术语表，使其成为一个动态的参考文档，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“你可以雇佣为同事的中等水平人类”。OpenAI的章程定义AGI为“在大多数经济价值工作中超越人类的高度自主系统”。Google 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”。如果你感到困惑，不用担心，领先的AI专家们也同样如此。

AI代理

AI代理指的是利用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能力，比如报销、订票、订餐，甚至编写和维护代码。由于这一领域仍在快速发展，“AI代理”的定义可能因人而异，相关基础设施也在逐步完善。基本上，它是一个自主系统，可能结合多个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，例如让一个应用从另一个应用获取数据，或让AI代理直接控制第三方服务而无需人工操作。大多数智能家居设备和联网平台都具备这些隐藏的接口。随着AI代理能力提升，它们能自主发现并使用这些端点，带来强大且有时出乎意料的自动化可能。

思维链

人类面对简单问题时往往不假思索就能回答，比如“长颈鹿和猫哪个更高？”但有些问题需要中间步骤才能得出正确答案，比如农场里鸡和牛的头数和腿数问题。在AI中，思维链推理指的是将问题拆解成更小的步骤，以提升最终答案的准确性。虽然过程更长，但尤其在逻辑推理或编程场景中，结果更可靠。此类推理模型基于传统大型语言模型，并通过强化学习优化思维链能力。

编码代理

编码代理是AI代理的一个专门应用，指能够自主逐步完成软件开发任务的程序。它不仅能建议代码，还能自动编写、测试和调试代码，处理开发者日常的反复试验工作。这些代理可以跨整个代码库工作，发现错误、运行测试并推送修复，几乎无需人工干预。可以把它看作一个永不疲倦、专注的实习生，但仍需人类审核其工作。

计算能力

计算能力通常指支持AI模型运行的计算资源，包括GPU、CPU、TPU等硬件基础设施。它是AI行业的核心动力，赋予模型训练和部署的能力。

深度学习

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，使AI能够识别复杂的关联。它模仿人脑神经元的连接方式，能自动发现数据中的重要特征，并通过反复学习不断改进输出。深度学习通常需要大量数据和较长训练时间，开发成本较高。

扩散模型

扩散技术是许多生成艺术、音乐和文本AI模型的核心。它借鉴物理学中扩散的概念，通过向数据中逐步添加噪声“破坏”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

蒸馏是一种通过“师生模型”提取大型AI模型知识的技术。开发者向教师模型发送请求并记录输出，再用这些输出来训练学生模型，使其模仿教师行为。蒸馏可用于生成更小、更高效的模型，例如OpenAI的GPT-4 Turbo。虽然各大AI公司内部普遍使用蒸馏，但未经授权的蒸馏可能违反服务条款。

微调

微调指对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，通常通过输入新的专业数据实现。许多AI初创企业以大型语言模型为基础，通过微调提升针对特定行业或任务的实用性。

生成对抗网络（GAN）

GAN是一种机器学习框架，包含两个神经网络：生成器和判别器。生成器尝试生成逼真数据以欺骗判别器，判别器则努力识别真假数据。两者相互竞争，推动生成结果更真实。GAN适合生成照片、视频等狭义应用，而非通用AI。

幻觉

幻觉是指AI模型生成错误或虚假的信息，是AI质量面临的重大挑战。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。幻觉问题源于训练数据的缺失，推动了专门领域AI模型的发展，以减少知识盲点和错误信息。

推理

推理是运行AI模型以进行预测或得出结论的过程。模型必须先经过训练，学习数据模式，才能有效推理。推理可在多种硬件上执行，但大型模型在普通设备上运行速度较慢。

大型语言模型（LLM）

大型语言模型是驱动ChatGPT、Claude、Google Gemini、Meta Llama、微软Copilot等AI助手的核心。它们由数十亿参数组成，学习词语和短语之间的关系，构建语言的多维表示。模型通过分析海量文本数据，生成最符合提示的语言模式。

内存缓存

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，特别适用于基于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，如文件、数据库或应用，无需为每种组合开发专门接口。Anthropic于2024年推出该协议，后交由Linux基金会管理，已被OpenAI、谷歌和微软采纳，成为AI领域快速传播的标准之一。

专家混合模型（MoE）

MoE是一种模型架构，将神经网络拆分为多个专门子网络（专家），每次只激活部分专家处理任务。通过内置路由器选择合适专家，MoE模型能构建庞大且高效的系统。Mistral AI的Mixtral和OpenAI的新型GPT模型据传采用此技术。

神经网络

神经网络是深度学习的基础结构，灵感来源于人脑神经元的连接方式。随着GPU的发展，神经网络得以训练更深层次的模型，推动语音识别、自动驾驶、药物研发等领域的突破。

开源

开源指软件或AI模型的代码公开，任何人都可使用、检查或修改。Meta的Llama系列是开源AI模型的代表。开源促进全球研究者和开发者协作，加速进步并支持独立安全审计。闭源则指代码私有，如OpenAI的GPT模型，是AI行业的重要争议点。

并行化

并行化指同时执行多项任务，而非顺序完成。现代GPU设计用于并行处理数千计算，是AI训练和推理的硬件基础。随着模型规模扩大，跨多芯片和多机器的并行化能力成为提升效率和降低成本的关键。

内存危机（RAMageddon）

内存危机描述了RAM芯片供应紧张的现象。随着AI行业对内存需求激增，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。短缺预计短期内难以缓解，影响广泛。

递归自我改进

递归自我改进指AI模型自主改进自身的能力，可能带来能力和自主性的快速提升。部分观点将其视为奇点时刻，但更多研究者将其看作下一阶段的技术挑战。

强化学习

强化学习是一种训练方法，AI通过尝试和获得奖励信号学习行为。与监督学习不同，强化学习允许模型探索环境并根据反馈调整策略。该方法在游戏、机器人控制和提升大型语言模型推理能力方面表现突出，RLHF是其中的关键技术。

令牌

令牌是人机交流的基本单位，代表经过处理的文本片段。通过分词过程，语言模型将文本拆解为令牌进行理解和生成。令牌数量也是AI服务计费的依据。

令牌吞吐量

令牌吞吐量衡量系统在单位时间内处理的令牌数量，反映AI模型的并发处理能力和响应速度。提升吞吐量是AI基础设施团队的重要目标。

训练

训练是AI模型学习数据模式的过程，使其能够生成有用输出。训练通常需要大量数据，成本较高。混合方法如微调可降低成本。

迁移学习

迁移学习利用已有模型作为新任务的起点，重用之前学到的知识，提高开发效率。适用于数据有限的场景，但仍需针对新领域进行额外训练。

验证损失

验证损失是衡量模型训练效果的指标，数值越低表示模型学习越好。它帮助研究者判断训练是否过拟合，即模型是否只是记忆训练数据而非泛化能力。

权重

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分配，随着训练逐步调整以优化结果。举例来说，预测房价的模型会根据卧室数量、车库等特征赋予不同权重。