人工智能是一个深奥且复杂的领域。该领域的科学家们常用专业术语来解释他们的研究内容，因此我们在报道人工智能行业时也不得不使用这些技术词汇。为此，我们整理了一份术语表，定义了文章中常用的一些重要词汇和短语。

我们将定期更新这份术语表，随着研究人员不断发现推动人工智能前沿的新方法，同时识别新兴的安全风险，我们会添加新的条目。

AGI

人工通用智能（AGI）是一个模糊的概念，通常指的是在许多甚至大多数任务上能力超过普通人的人工智能。OpenAI CEO Sam Altman 最近将AGI描述为“相当于你可以雇佣的中等水平人类同事”。OpenAI的章程定义AGI为“高度自主的系统，在大多数经济价值工作上超过人类”。Google DeepMind则稍有不同，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代理指的是使用人工智能技术代表你执行一系列任务的工具，超出普通聊天机器人的能力，比如报销、订票、订餐，甚至编写和维护代码。正如我们之前解释的，这一新兴领域中“AI代理”的定义因人而异，相关基础设施仍在建设中。基本概念是一个自主系统，可能调用多个AI系统来完成多步骤任务。

思维链

对于简单问题，人类大脑往往无需过多思考即可回答，比如“长颈鹿和猫哪个更高？”但有时需要借助笔和纸来解决中间步骤的问题。例如，一个农场有鸡和牛，共有40个头和120条腿，可能需要写出简单方程来计算（20只鸡和20头牛）。

在AI中，思维链推理指的是将问题分解为更小的中间步骤，以提高最终结果的质量。虽然回答时间更长，但答案更准确，尤其在逻辑或编程场景中。推理模型是在传统大型语言模型基础上，通过强化学习优化思维链能力而发展起来的。

计算能力

计算能力通常指支持AI模型运行的关键计算资源。这种处理能力推动了AI行业的发展，使其能够训练和部署强大的模型。该词通常是硬件的简称，如GPU、CPU、TPU等基础设施，是现代AI产业的基石。

深度学习

深度学习是机器学习的一个子集，AI算法采用多层人工神经网络结构，使其能比简单的线性模型或决策树建立更复杂的关联。其结构灵感来源于人脑神经元的互联路径。

深度学习模型能自动识别数据中的重要特征，无需人工定义。它们通过反复学习和调整，从错误中改进输出。但深度学习需要大量数据（数百万甚至更多），训练时间也较长，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。受物理学启发，扩散系统通过逐渐添加噪声“破坏”数据结构（如照片、音乐），直到完全消失。物理中的扩散是自发且不可逆的，但AI中的扩散系统学习“逆扩散”过程，从噪声中恢复数据。

蒸馏

蒸馏是一种从大型AI模型中提取知识的技术，采用“师生模型”方法。开发者向教师模型发送请求并记录输出，有时将答案与数据集比较准确性，再用这些输出来训练学生模型，使其模仿教师行为。

蒸馏可用于基于大型模型创建更小、更高效的模型，且损失最小。OpenAI的GPT-4 Turbo就是通过此法开发的更快版本。

虽然所有AI公司内部都使用蒸馏，但部分公司可能通过蒸馏竞争对手模型来追赶前沿技术，这通常违反AI API和聊天助手的服务条款。

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化数据实现。

许多AI初创企业以大型语言模型为基础，结合自身领域知识，通过微调提升模型在目标行业或任务中的实用性。

生成对抗网络（GAN）

GAN是一种机器学习框架，支撑生成式AI在生成逼真数据（如深度伪造工具）方面的重要进展。GAN由两个神经网络组成：生成器根据训练数据生成输出，判别器对生成结果进行评估。两者相互竞争，生成器试图骗过判别器，判别器努力识别假数据。

这种对抗结构无需额外人工干预即可优化生成结果，更适合生成逼真图片或视频等狭义应用，而非通用AI。

幻觉

幻觉是AI行业用来描述模型“编造”错误信息的术语。这是AI质量的重大问题。

幻觉导致生成式AI输出误导性内容，甚至带来现实风险（如错误医疗建议）。因此大多数生成式AI工具都提醒用户核实答案，尽管这些警告通常不如输出信息显眼。

幻觉产生的原因被认为是训练数据的缺失。对于通用生成式AI（基础模型）来说，解决这一问题困难重重，因为不存在足够全面的数据来涵盖所有可能的问题。简言之，我们还未发明“万能神”。

幻觉问题推动了向更专业化、垂直领域AI模型发展的趋势，以减少知识盲区和虚假信息风险。

推理

推理是运行AI模型的过程，即让模型基于已学数据进行预测或推断。推理必须建立在训练基础上，模型需先学习数据模式才能有效推断。

多种硬件可执行推理，从手机处理器到高端GPU和专用AI加速器，但性能差异显著。大型模型在普通笔记本上推理速度远慢于云端高性能服务器。

大型语言模型（LLM）

大型语言模型是许多流行AI助手（如ChatGPT、Claude、Google Gemini、Meta Llama、微软Copilot、Mistral Le Chat）背后的核心技术。与AI助手交互时，实际上是在与大型语言模型对话，模型可能直接处理请求或借助网页浏览、代码解释器等工具。

AI助手和LLM名称不同，例如GPT是OpenAI的大型语言模型，ChatGPT是其AI助手产品。

LLM是由数十亿参数组成的深度神经网络，学习词语和短语间的关系，构建语言的多维映射。

这些模型通过编码数十亿书籍、文章和对话中的模式生成回答。模型根据提示预测最可能的下一个词，反复进行，形成连贯输出。

内存缓存

内存缓存是提升推理效率的重要技术。AI推理涉及大量数学计算，缓存通过保存部分计算结果，减少重复计算，从而节省计算资源和时间。

常见的缓存技术包括KV（键值）缓存，适用于基于Transformer的模型，显著加快生成答案的速度。

神经网络

神经网络是深度学习的基础结构，也是大型语言模型和生成式AI工具兴起的核心。

虽然受人脑神经元互联结构启发的算法设计理念早在20世纪40年代就提出，但GPU的兴起真正释放了其潜力，使得多层神经网络训练成为可能，推动了语音识别、自动导航、药物发现等领域的突破。

RAMageddon

RAMageddon是形容当前技术行业面临的随机存取存储器（RAM）短缺问题。随着AI行业发展，科技巨头和AI实验室大量采购RAM以支持数据中心，导致市场供应紧张，价格飙升。

这影响了游戏行业（游戏机价格上涨）、消费电子（智能手机出货量可能十年来首次下降）和企业计算（数据中心难以获得足够RAM）等多个领域。预计价格上涨趋势将持续，短缺问题短期内难以缓解。

训练

训练是机器学习AI开发的过程，即向模型输入数据，使其学习模式并生成有用输出。

训练前，模型仅是随机参数和层的组合，训练过程使模型逐渐适应数据特征，实现目标任务，如识别图像或生成诗歌。

并非所有AI都需训练，基于规则的AI（如线性聊天机器人）无需训练，但功能较为有限。

训练成本高昂，因需大量数据和计算资源。混合方法（如对规则AI进行数据驱动的微调）可降低开发成本和复杂度。

令牌（Tokens）

令牌是人机交流的基本单位，是大型语言模型处理和生成的离散数据片段。

通过“分词”过程，将原始数据拆分成模型可理解的单元，类似编译器将人类语言转为计算机代码。

令牌包括输入令牌（用户查询）、输出令牌（模型回答）和推理令牌（处理复杂任务时使用）。

在企业AI中，令牌使用量决定成本，AI公司通常按令牌计费，使用越多费用越高。

迁移学习

迁移学习是利用已有训练模型作为新模型开发起点，针对相关但不同任务进行训练，复用先前学习的知识。

此方法可节省开发时间和资源，特别适合数据有限的任务。但依赖迁移学习的模型通常仍需额外训练以提升特定领域表现。

权重

权重是AI训练的核心参数，决定数据中不同特征的重要性，影响模型输出。

权重是数值参数，通过乘法作用于输入，训练开始时随机初始化，随着训练调整以更准确匹配目标。

例如，预测房价的模型会为卧室数量、是否独栋、是否有车库等特征分配权重，反映其对房价的影响程度。

本文将定期更新，补充最新信息。