核心概念
- Artificial Intelligence (AI)人工智能
- 计算机科学的一个分支,让机器能够完成需要人类智能的任务——如理解语言、识别图像和做出决策。
完整解释 - Machine Learning (ML)机器学习
- 人工智能的一种方法:模型从数据中学习规律而非依赖显式编程,并随着样本增多而改进。
完整解释 - Deep Learning深度学习
- 机器学习的子领域,使用多层神经网络;它带来了图像、语音与语言质量的飞跃,是当今所有大模型的基础。
完整解释 - Large Language Model (LLM)大语言模型
- 在海量文本上训练的超大神经网络,能够理解并生成语言;ChatGPT、Claude 和 Gemini 都是例子。
完整解释 - Token词元(Token)
- 模型读取和生成的最小文本单位——约等于 ¾ 个英文单词或 1–2 个中文词。上下文长度与 API 定价都按词元计算。
完整解释 - Context Window上下文窗口
- 模型在一次对话中能同时「看到」的最大文本量(以词元计)——包括你的提示、文件和整个对话历史。窗口越大,模型在单次会话中记得越多。
完整解释 - Parameter参数
- 模型内部可学习的权重,其知识和能力就存储其中;参数量(如 7000 亿)代表模型规模。
完整解释
架构与模型
- TransformerTransformer(变换器)
- 通过注意力机制并行处理整个文本的神经网络架构——自 2017 年以来所有大语言模型的基础。
完整解释 - Mixture of Experts (MoE)专家混合(MoE)
- 将模型划分为多个「专家」并只激活与输入相关的少数专家的架构——以更低的推理成本获得大得多的模型。
完整解释 - Multimodal多模态
- 除文本外还能理解或生成图像、音频和视频的模型——例如 Gemini 能查看图表并加以解释。
完整解释 - Embedding嵌入(Embedding)
- 文本或图像的数值(向量)表示,将语义保留在向量空间中;语义相近的内容向量也相近——这是语义搜索和 RAG 的基础。
完整解释 - Vector Database向量数据库
- 为快速相似度搜索嵌入而构建的数据库,可找出「最相似」的内容——通常是 RAG 系统的外部记忆。
完整解释 - Small Language Model (SLM)小语言模型
- 轻量级语言模型(数十亿参数),可在笔记本和手机上运行;对于限定任务比大模型更便宜更快。
完整解释 - Diffusion Model扩散模型
- 从噪声开始、逐步去噪生成最终图像的图像生成架构——是 Midjourney 等工具的基础。
完整解释
训练与调优
- Pre-training预训练
- 成本高昂的初始阶段:模型在海量公共文本上训练,习得通用语言与知识——此后模型仍只是「通才」。
完整解释 - Fine-tuning微调
- 在预训练模型上用专门数据继续训练,使其在特定领域或风格上表现更好——例如某品牌的客服。
完整解释 - RLHF人类反馈强化学习(RLHF)
- 由人类对模型输出进行排序,模型从而学会给出更有用、更准确、更安全的回答——这是 ChatGPT 与 Claude 行为方式的技术核心。
完整解释 - LoRALoRA(低秩适配)
- 廉价的微调方法:不训练全部参数,只添加少量小矩阵——以极低成本实现模型定制。
完整解释 - Distillation蒸馏
- 将大模型的知识迁移到小模型:小模型从大模型的输出中学习,以低得多的成本实现相近表现。
完整解释 - Quantization量化
- 降低模型内部数值的精度(如从 16 位到 4 位),使体积和内存需求大幅缩小,可在普通硬件上运行——质量略有损失。
完整解释
智能体与应用
- AI AgentAI 智能体
- 接收目标后自主规划并执行步骤的系统——调用工具、编写代码、读取结果并纠正方向。
完整解释 - Agentic AI智能体 AI(Agentic AI)
- 2025–2026 年的趋势:模型不只是回答,而是「干活」——在数分钟或数小时内串联多个工具和步骤;Devin 与 Claude Code 是典型。
完整解释 - MCP (Model Context Protocol)模型上下文协议(MCP)
- 连接智能体与工具和数据的开放标准——「AI 界的 USB-C」。只需编写一次 MCP 服务器,任何兼容的智能体都能使用。
完整解释 - RAG检索增强生成(RAG)
- 在回答前先从知识源检索相关文档并提供给模型——使回答基于真实、最新的数据而非静态训练记忆。
完整解释 - Prompt Engineering提示工程
- 为模型编写高效指令的技艺:提供恰当的上下文、示例和输出格式,以获得更准确可靠的结果。
完整解释 - Inference推理(Inference)
- 运行已训练的模型——即你发送提示、生成词元的时刻;ChatGPT 每条消息的成本就是推理成本。
完整解释 - Vibe Coding氛围编程(Vibe Coding)
- 用自然语言编程的新方式:你只需描述想要什么,智能体来构建、测试并修复——这是 2025–2026 编程智能体浪潮的产物。
完整解释
推理、安全与质量
- Reasoning Model推理模型
- 在回答前先「思考」的模型——生成内部推理链,在复杂数学、代码和逻辑问题上准确率显著更高;代价是更慢更贵。
完整解释 - Test-time Compute测试时计算
- 在回答时给模型更多算力(更长的思考)以换取更好的结果——这一现象推动了 2026 年推理模型的质量前沿。
完整解释 - Hallucination幻觉
- 模型自信地生成错误信息——错误的来源、不存在的引用或编造的数字。缓解方法:RAG、推理模型以及要求引用可核验的来源。
完整解释 - Guardrails护栏(Guardrails)
- 围绕模型的控制层,阻止有害、不当或违反政策的输出——独立于模型本身,通常作为输入/输出过滤器。
完整解释 - Alignment对齐(Alignment)
- 训练模型与人类价值观和意图保持一致——乐于助人且诚实,而非欺骗或有害;这是前沿实验室的核心关切。
完整解释 - AGI通用人工智能(AGI)
- 假想中的 AI:在所有认知任务上达到或超越人类水平——而非仅限特定领域。尚未实现,其确切定义在各大实验室间仍有争议。
完整解释