文章 标签 分类 关于我

目录

AI专业名词解释表：270+术语完全指南与AI技术体系词典

Finn avatarFinn  收录于  类别 学习笔记 和 系列
     约 6756 字   预计阅读 30 分钟 

AI专业名词解释表

本文档整理了AI大模型领域的核心专业术语，从基础概念到高级技术架构，帮助您系统性地理解人工智能技术体系。

📚 基础概念篇

名词 专业解释 通俗解释 举例说明
AGI（通用人工智能） Artificial General Intelligence，具备人类水平智能的AI系统 能像人一样思考、学习、创造的全能AI 一个能同时写诗、编程、做饭、聊天的机器人
LLM（大语言模型） Large Language Model，基于海量数据训练的大型神经网络模型 能理解和生成人类语言的"超级大脑" GPT-4、Claude、文心一言等都是LLM
训练 通过大量数据训练神经网络参数的过程 AI的"学习阶段"，像人读书积累知识 用互联网所有文本训练一个模型学会语言
推理 训练完成的模型根据输入生成输出的过程 AI的"应用阶段"，像人运用所学知识回答问题 输入问题后模型生成回答的过程
Token（词元） 模型处理文本的最小单元，通过分词算法切分的文本片段 AI语言的"字粒子"，模型一个一个处理 “我喜欢苹果” → [“我”, “喜欢”, “苹果”]

🏗️ 架构技术篇

名词 专业解释 通俗解释 举例说明
Transformer 基于自注意力机制的深度学习架构，2017年Google提出 现代AI的"神经骨架"，让模型高效理解语言 GPT、BERT等所有大模型都基于Transformer
Encoder（编码器） 将输入序列编码为语义表示的神经网络组件 AI的"理解器"，把文字变成机器懂的向量 BERT使用Encoder做文本理解任务
Decoder（解码器） 根据上下文逐token生成输出的神经网络组件 AI的"写作器"，根据理解生成回答 GPT系列都是Decoder-only模型
Self-Attention（自注意力） 计算序列中每个元素与其他元素相关性的机制 AI自动"关注重点"，像人阅读时抓重点 “银行"在"存钱"中关注"钱”，在"钓鱼"中关注"河"
Multi-Head Attention（多头注意力） 并行多个自注意力机制，捕获不同类型的依赖关系 AI从多个角度同时理解文本 一个头关注语法，另一个头关注语义
Positional Encoding（位置编码） 为每个token添加位置信息的向量表示 让模型知道"谁在前谁在后" “我爱你"与"你爱我"意义不同
Query（查询向量） 主动查询相关信息的向量，表示当前词需要什么信息 “我要找什么"的数字表达 “苹果"查询相关的味道、颜色等属性
Key（键向量） 被查询信息的标识向量，表示每个词能提供什么信息 “我能提供什么"的标签 “甜"作为味道特征的Key，等待被查询
Value（值向量） 实际内容的表示向量，包含词的真实语义信息 “我的具体内容"的数值化 “甜"的实际语义表示[0.8, 0.2, -0.1]
Attention Weight（注意力权重） 表示关注程度的重要性分数，通常通过softmax归一化 “关注程度"的数值化 0.8表示强烈关注，0.1表示弱关注，所有权重和为1
Cross-Attention（交叉注意力） 不同序列间的注意力机制，Query来自一个序列，Key/Value来自另一个序列 跨模态信息交互 图文匹配中文字Query关注图像Key/Value
Causal Attention（因果注意力） 只能关注当前位置及之前内容的注意力机制，防止未来信息泄露 “只能向前看"的注意力 GPT生成时第5个词只能看前4个词
Softmax Function 将任意实数向量转换为概率分布的激活函数 转换为"重要性百分比” [2,1,0] → [0.67,0.24,0.09]，保持相对大小关系

🔢 数学表示篇

名词 专业解释 通俗解释 举例说明
Vector（向量） 具有大小和方向的数学对象，一组有序数字 事物的"数字身份证”，用数字描述特征 [25, 180, 70]可表示一个人的年龄、身高、体重
Embedding（嵌入） 将离散符号映射到连续向量空间的技术 把文字变成"数字坐标” "国王"→[0.25, -0.12, 0.78, ...]
Query / Key / Value 自注意力机制中的三个核心向量矩阵，分别代表查询需求、标识信息、实际内容 Query=我要什么，Key=我能提供什么，Value=我的具体内容 Query=[0.1,0.2]查询味道，Key=[0.8,0.1]标识甜味，Value=[0.9,0.05]甜味的实际表示
Feed-Forward Network（前馈网络） 对每个位置独立进行非线性变换 深化每个词的理解 “春天"进一步联想到"温暖、生长”
Layer Normalization（层归一化） 标准化层输入 训练"稳定器” 防止梯度爆炸或发散
Residual Connection（残差连接） 跨层连接，保留原始信息 信息"直通车”，防止丢失 类似捷径路径避免深层网络退化

🔄 处理流程篇

名词 专业解释 通俗解释 举例说明
Tokenizer（分词器） 将文本转换为token序列 “文字切菜刀” "Hello world" → ["Hello", " world"]
Context Window（上下文窗口） 模型能处理的最大token数量限制 AI的"记忆力上限” GPT-4有128K上下文
Decoding（解码） 根据概率分布逐token生成文本 AI"写字过程” 从最可能的词开始生成
Temperature（温度参数） 控制生成随机性的参数 “创意调节器” 高温更有创意，低温更稳健
Top-p采样 基于累积概率的采样策略 “精华筛选器” 只考虑累计概率达到90%的候选词
Max Tokens（最大令牌数） 限制生成输出长度 “字数限制器” 防止AI回答过长

🛠️ 工程实践篇

名词 专业解释 通俗解释 举例说明
RAG（检索增强生成） 结合检索和生成的AI方法 “开卷考试"式AI 先查资料再回答问题
Prompt Engineering（提示工程） 设计优化提示词的技术 “说话艺术” 让AI更好理解需求
Fine-tuning（微调） 在预训练模型上进行特定任务训练 “定向培训” 让通用模型变成医疗助手
BPE（字节对编码） 一种常见分词算法 “文字压缩术” "unhappiness" → ["un","happi","ness"]
Detokenization（反分词） 将token序列还原为可读文本 “拼字还原” ["我","喜欢","苹果"]→"我喜欢苹果"
Streaming（流式输出） 逐token实时生成输出 “打字机效果” 聊天机器人边输出边思考

🧠 传统模型对比篇

名词 专业解释 通俗解释 举例说明
RNN（循环神经网络） 逐步处理序列数据的神经网络 “逐字阅读AI” 翻译"我爱你"逐词处理
LSTM（长短期记忆网络） 改进型RNN，解决长期依赖问题 “记忆力更强” 能记住开头内容
CNN（卷积神经网络） 擅长处理图像模式的神经网络 “图像专家” 识别猫狗人脸
Encoder-Decoder架构 同时包含理解与生成模块的模型 “全能型AI” 机器翻译模型

📊 应用场景篇

名词 专业解释 通俗解释 举例说明
对话产品 面向用户的AI应用接口 “AI聊天壳” ChatGPT、Claude
API调用 程序间通信接口 “AI电话线” 程序调用OpenAI API
上下文管理 维护对话历史的技术 “AI记忆力” 聊天机器人记住你说过的话
多轮对话 连续人机交互模式 “连续聊天” 先问天气，再问穿衣
工具调用（Function Calling） 模型可调用外部API执行任务 “AI动手能力” AI自动查天气或搜索资料

🧩 模型优化与训练技巧篇

名词 专业解释 通俗解释 举例说明
LoRA（低秩适配） 通过低秩矩阵微调模型参数 “轻量级微调” 让LLM快速适应新领域
Quantization（量化） 用低精度表示模型参数 “模型瘦身” FP32→INT8加速推理
Pruning（剪枝） 删除冗余神经元或连接 “修枝整形” 去除无效参数
Distillation（知识蒸馏） 用大模型指导小模型学习 “老师带学生” GPT-4教小模型
Checkpoint（检查点） 模型训练中保存的中间状态 “训练存档点” 防止断电丢失进度

🔍 向量检索与知识集成篇

名词 专业解释 通俗解释 举例说明
Embedding Model（向量模型） 将文本转为语义向量的模型 “语义坐标机” text-embedding-3-large
Vector Database（向量数据库） 支持向量检索的数据库 “语义仓库” Milvus、Pinecone、FAISS
Cosine Similarity（余弦相似度） 衡量两个向量方向相似度 “语义相似度计” "猫在睡觉"≈"猫咪休息中"
Knowledge Graph（知识图谱） 用节点和关系存储知识结构 “知识地图” "苹果→是→水果"
Hybrid Search（混合检索） 结合语义检索与关键词匹配 “双保险搜索” 同时检索"猫"和"宠物动物"

🧩 多模态与智能体篇

名词 专业解释 通俗解释 举例说明
Multimodal Model（多模态模型） 同时处理文本、图像、音频等模态 “全感官AI” GPT-4V、Gemini
VLM（视觉语言模型） Vision-Language Model “会看图的AI” 看图问答AI
Speech Recognition（语音识别） 将语音转文字 “听写AI” 语音输入法
TTS（文本转语音） 将文字转语音 “AI播音员” AI读出回答
AI Agent（智能体） 具备自主行动与决策能力的AI “能动的AI助手” Devin、AutoGPT

⚙️ 模型评估与安全篇

名词 专业解释 通俗解释 举例说明
Hallucination（幻觉） 模型生成虚假信息 “一本正经胡说八道” 编造论文或事实
Alignment（对齐） 模型与人类价值观对齐 “价值观调教” RLHF调教模型
RLHF（人类反馈强化学习） 用人类偏好优化模型 “人教AI说话” ChatGPT的训练方式
Red Teaming（红队测试） 对抗性测试模型安全 “安全渗透测试” 测试模型是否泄密
Bias（偏差） 模型输出的系统性偏见 “AI偏心” 对性别或语言偏好

🧰 新兴趋势与未来方向篇

名词 专业解释 通俗解释 举例说明
Mixture of Experts（专家混合） 包含多个子模型动态激活结构 “专家组AI” Gemini 1.5 Pro架构
Context Compression（上下文压缩） 压缩历史对话节省token “记忆压缩” 长对话摘要
Memory-Augmented Model（记忆增强模型） 结合长期记忆机制的AI “有记忆的AI” ChatGPT长期记忆功能
Autonomous Agent（自主智能体） 能自我规划执行任务的AI “自理AI” AutoGPT、Devin
Synthetic Data（合成数据） 由AI生成的虚拟训练数据 “AI自制教材” 用AI扩充训练集

💡 学习建议

🎯 核心概念掌握优先级

  1. 入门级（必掌握）：Token、Embedding、Transformer、LLM
  2. 进阶级（重要）：Self-Attention、RAG、Context Window
  3. 高级（可选）：LoRA、Mixture of Experts、Red Teaming

📖 学习路径建议

  1. 理解基本原理：Token是什么，为什么需要向量表示
  2. 掌握核心架构：Transformer的Encoder-Decoder结构
  3. 实践应用技巧：Prompt工程与RAG结合
  4. 深入技术细节：注意力机制与对齐训练

🔗 概念关联图

基础概念 → 数学表示 → 架构技术 → 处理流程 → 工程实践 → 优化 → 检索 → 智能体
↓         ↓         ↓         ↓         ↓         ↓       ↓         ↓
Token   → Vector   → Transformer → Decoding → RAG → LoRA → Embedding → Agent
LLM     → Q/K/V    → Attention  → Context → Prompt → Quant → Knowledge → Memory

🚀 提示：AI技术体系庞大但高度关联。建议从"理解→实现→优化→安全"四个维度系统学习。

📚 延伸阅读

🔗 AI大模型系统教程系列

  1. AI大模型完全指南 - 从零基础到Token与向量的深度解析
  2. Transformer架构深度解析 - 注意力机制与AI大模型的核心技术
  3. Prompt Engineering完全指南 - 从提示工程到上下文工程的实战教程
  4. [本文] AI专业名词解释表 - 270+术语完全指南与AI技术体系词典

🎯 使用建议

  • 学习顺序：建议按照教程1→教程2→教程3的顺序系统学习，本文作为参考词典随时查阅
  • 术语查找：阅读其他教程时遇到不熟悉的术语，可直接在本文中搜索
  • 知识体系：结合教程的理论学习和本文的术语解释，建立完整的AI知识体系

📘 附录：AI专业术语中英对照速查表（A–Z Glossary）

英文缩写 / 术语 中文名称 简要说明
AGI (Artificial General Intelligence) 通用人工智能 具备人类水平通用智能的AI
Alignment 对齐 让AI行为符合人类价值观的过程
API (Application Programming Interface) 应用程序接口 程序间通信调用的标准方式
AutoGPT / Autonomous Agent 自主智能体 能自主规划和执行任务的AI系统
BERT (Bidirectional Encoder Representations from Transformers) 双向Transformer编码模型 代表性的NLP预训练模型
Bias 偏差 模型输出中的系统性不公平
BPE (Byte Pair Encoding) 字节对编码 常用的文本分词算法
Checkpoint 检查点 模型训练过程中保存的中间状态
CNN (Convolutional Neural Network) 卷积神经网络 擅长图像识别的网络结构
Context Window 上下文窗口 模型可处理的最大token数量
Context Compression 上下文压缩 对历史内容进行摘要以节省上下文
Cosine Similarity 余弦相似度 衡量向量间语义相似度的指标
Decoder 解码器 将语义向量生成文本的网络模块
Decoding 解码过程 模型生成文本的过程
Detokenization 反分词 将token序列还原为文字
Distillation (Knowledge Distillation) 知识蒸馏 大模型指导小模型学习的技术
Embedding 嵌入 将离散词语映射到连续向量空间
Embedding Model 向量模型 生成文本语义向量的模型
Encoder 编码器 将文本转换为语义表示的网络组件
Encoder–Decoder 编码–解码结构 同时具备理解与生成能力的模型架构
Feed Forward Network (FFN) 前馈网络 Transformer层内的非线性变换模块
Fine-tuning 微调 基于预训练模型进行特定任务再训练
Function Calling 工具调用 模型调用外部API执行操作的能力
Hallucination 幻觉 模型生成虚假或编造信息的现象
Hybrid Search 混合检索 结合语义检索与关键词搜索的技术
Knowledge Graph 知识图谱 用节点和关系结构化存储知识的网络
Layer Normalization 层归一化 网络层输入的标准化过程
Latency 延迟 模型从输入到输出的响应时间
LLM (Large Language Model) 大语言模型 基于大规模语料训练的语言模型
LoRA (Low-Rank Adaptation) 低秩适配 轻量级模型微调方法
LSTM (Long Short-Term Memory) 长短期记忆网络 能捕获长距离依赖的RNN变体
Memory-Augmented Model 记忆增强模型 具备长期记忆能力的AI
Mixture of Experts (MoE) 专家混合模型 动态选择多个子模型协作的架构
Multi-Head Attention 多头注意力 并行计算多种注意力的机制
Positional Encoding 位置编码 为token添加位置信息的方式
Pruning 剪枝 删除冗余参数减小模型规模
Prompt Engineering 提示工程 优化提示词以提升模型输出质量
Quantization 量化 用低精度表示模型参数以提升性能
Query / Key / Value (QKV) 查询 / 键 / 值 自注意力机制的三要素
RAG (Retrieval-Augmented Generation) 检索增强生成 将外部知识检索与生成结合的技术
Red Teaming 红队测试 通过对抗输入评估模型安全性
Residual Connection 残差连接 跨层信息直通结构，防止梯度退化
RLHF (Reinforcement Learning from Human Feedback) 人类反馈强化学习 通过人类偏好优化模型输出
RNN (Recurrent Neural Network) 循环神经网络 逐步处理序列数据的网络结构
Self-Attention 自注意力 计算序列中元素相关性的机制
Streaming 流式输出 模型边生成边输出的方式
Synthetic Data 合成数据 AI生成的虚拟训练数据
Temperature 温度参数 控制生成随机性的参数
Throughput 吞吐量 每秒处理的请求数量
Token 词元 模型处理文本的最小单位
Tokenizer 分词器 将文本拆分为token的工具
Top-p Sampling 累积概率采样 过滤低概率词汇的生成策略
Transformer Transformer架构 基于注意力机制的核心神经网络
TTS (Text-to-Speech) 文本转语音 将文字转为自然语音
Vector 向量 数字化表示实体特征的数学结构
Vector Database 向量数据库 存储并按语义检索向量数据的系统
VLM (Vision-Language Model) 视觉语言模型 同时理解图像与语言的模型
Weight 权重参数 模型中可学习的核心数值参数

相关内容

利用 MCP 实现 Claude Skills 的渐进式披露机制: 复用Claude Code Skill in Anywhere

AI 不确定性与及时行乐：一个普通人的思考

CPU/GPU 与大模型训练

Prompt Engineering完全指南：从提示工程到上下文工程的实战教程

Transformer架构深度解析：注意力机制与AI大模型的核心技术

更新于 2025-11-05
 AI, 大模型, 机器学习, 深度学习, 笔记, 术语, 词典, 学习资料
 | 主页