AI 词汇表：写给文科生的 30 个核心术语

读到这里，你已经能用 AI 了，也开始能看懂别人在讨论什么了。但 AI 圈的黑话密度极高——这是一份”够用 90% 场景”的术语表，按主题分组。

每条一句话定义 + 一句话比喻。读完你应该能听懂任何一场 AI 圆桌讨论。

一、基础概念（5 个）

1. AI（人工智能） 让机器表现出某种”智能”行为的总称。 比喻：这是一个愿景词，不是具体技术。

2. ML（机器学习） 让机器从数据里”自己悟”规则，而不是人类手写规则。 比喻：你给狗看 100 张猫照片说”这是猫”，狗就慢慢学会了——这就是 ML。

3. DL（深度学习） ML 的一种，使用多层神经网络。 比喻：ML 是大类，DL 是其中”特别能打”的一支。

4. LLM（大语言模型） 专门处理语言的深度学习模型，参数极多（通常 10 亿+）。 比喻：ChatGPT、Claude 都是 LLM。

5. AGI（通用人工智能） 能在大多数任务上达到或超过人类水平的 AI。目前还没有。 比喻：当下的 AI 是”专才”，AGI 是”通才”。

二、模型相关（6 个）

6. 参数（Parameters） 模型内部的”可调节数字”。“7B 模型”指有 70 亿个参数。 比喻：每个参数是一个旋钮，训练就是调旋钮的过程。

7. Token 模型处理文本的最小单位，可能是一个字、一个词、或一个词的一部分。 比喻：你输入的”Hello”可能是 1 个 token；“你好”可能是 2-3 个 token；按 token 收费。

8. 上下文窗口（Context Window） 模型一次能”看”的最大 token 数。 比喻：模型的”短期记忆”，超过这个量它就开始遗忘前面的内容。

9. Embedding（嵌入向量） 把一个词/句子/文档转换成一个数字向量，意思相近的向量也相近。 比喻：把每个词放到一个高维空间里——“king”和”queen”在空间里很近，和”banana”很远。

10. Transformer 2017 年发明的神经网络架构，今天所有大模型的基础。 比喻：发动机。ChatGPT、Claude、Gemini 都是不同”车型”，但发动机都是 Transformer。

11. Attention（注意力机制） Transformer 的核心：每个 token 在生成时会”看”其他 token，决定哪个最相关。 比喻：你读”小猫追小球因为它好奇”时，“它”会回头看”小猫”——这就是 attention。

三、训练流程（5 个）

12. Pre-training（预训练） 用海量互联网文本（千亿 token 级）训练一个基础模型。 比喻：让一个孩子读完图书馆所有书。GPT-3 的预训练成本约 $460 万美元。

13. Fine-tuning（微调） 在预训练模型基础上，用特定领域数据再训练一下。 比喻：让读完所有书的孩子，再专门读一周医学教材，变成医学助手。

14. SFT（监督微调） 用”问题-答案”对训练模型遵循指令。 比喻：给孩子看 1000 个”问题怎么回答的好例子”，让他学会”对话该怎么答”。

15. RLHF（人类反馈强化学习） 让人类标注员给模型的多种回答打分，模型学会”什么样的回答更受欢迎”。 比喻：ChatGPT 之所以听起来”懂礼貌、有温度”，就是 RLHF 训练出来的。

16. LoRA（低秩适应） 一种轻量级微调方法，只调一小部分参数，省 90% 的算力和显存。 比喻：不全身换骨架，只给关节加几个补丁。

四、推理与使用（6 个）

17. Inference（推理） 模型生成回答的过程，对应训练。 比喻：训练是”学习”，推理是”考试”。

18. Prompt（提示词） 你输入给 AI 的指令。 比喻：跟新员工交代任务时怎么交代——交代得清楚，工作就做得好。

19. Prompt Engineering（提示词工程） 精心设计 prompt 让 AI 干活更准的技巧。 比喻：高效”指挥”AI 的艺术，详见 L0-05。

20. CoT（思维链） 让 AI 一步步思考再答，而不是直接出结论。 比喻：跟它说”请一步步推理”，它的准确率会立刻提升。

21. Few-shot 在 prompt 里给几个例子，让 AI 模仿。 比喻：“按这 3 个例子的风格写”——比说 100 句”要活泼一点”管用。

22. Hallucination（幻觉） AI 自信地说错话、编内容。 比喻：会编故事的失忆症患者——它觉得自己记得，其实是它在猜。

五、增强与扩展（5 个）

23. RAG（检索增强生成） 先从知识库里检索相关文档，再让 AI 基于文档回答。 比喻：考试时不让 AI 凭记忆作答，给它带本资料让它翻书答——准确率大幅上升。

24. Agent（智能体） 一个 AI 系统能自己规划、调用工具、连续行动完成多步任务。 比喻：从”问一句答一句的助理”变成”能自己安排日程、订票、写邮件的实习生”。

25. Tool Use（工具使用） AI 在对话中调用外部工具，比如计算器、网页搜索、API。 比喻：AI 算不准乘法？让它打开”计算器 App”算一下。

26. MCP（Model Context Protocol） Anthropic 提出的标准协议，让 AI 安全地接入各种外部工具和数据源。 比喻：相当于”AI 世界的 USB 接口”。

27. Multimodal（多模态） AI 能同时处理文本、图、声、视频等多种输入。 比喻：能”看”也能”听”也能”读”的 AI，不再只会读字。

六、性能与系统（4 个）

28. Quantization（量化） 把模型的参数从高精度（如 32 位浮点）压到低精度（如 4 位整数），让模型体积变小、速度变快。 比喻：把高清图压成 JPEG——质量略降，但占空间小、传输快。

29. KV Cache 模型生成时缓存中间结果，避免重复计算。长对话越后面越慢就是因为它越来越大。 比喻：演讲时把已经讲过的笔记摊在桌上，省得重复想。

30. Open-source（开源） vs Closed（闭源）

• 开源：模型权重公开，谁都能下载、修改、本地部署。代表：Llama、Mistral、DeepSeek、Qwen
• 闭源：只能通过 API 用，代表：GPT-4、Claude、Gemini 比喻：开源像 Linux（自由，但要自己装），闭源像 Windows（贴心，但封闭）。

一份”看到就懂”的快查表

下次你看到这些组合，能秒翻译：

黑话	翻译
「这个模型有 70B 参数」	“它的’脑容量’是 70 亿个旋钮”
「上下文 200k」	“它一次能读 15 万字左右”
「我们用了 RAG」	“我们给 AI 配了一个知识库”
「它会幻觉」	“它会一本正经地胡说”
「LoRA 微调」	“用一小部分数据轻量训练”
「Tool use 接进去了」	“AI 学会自己调用别的软件了”
「Token 单价 $0.003」	“每生成一句话付几分钱”
「MoE 架构」	“模型里有多个’专家’，每次只用一部分”
「Inference 加速」	“让 AI 答得更快”
「Embedding-based 检索」	“用语义相似度查文档”

这只是开始

L1-L7 路径里，每个层级都会用到很多这些词。建议收藏这一篇，遇到不懂的回来查。

下一篇：《L0 毕业 + 下一步学什么》——回顾你已经掌握的，给你下一步的分叉建议。