术语表与学习资源
本页汇总 AI 领域最常见的中英术语与缩写，按主题分类，便于查阅。 后半部分提供延伸学习资源与追踪前沿动态的方法，以及本站的说明。
章 01常见缩写速查
| 缩写 | 全称 | 中文与含义 |
|---|---|---|
| AI | Artificial Intelligence | 人工智能 |
| AGI | Artificial General Intelligence | 通用人工智能 |
| ASI | Artificial Superintelligence | 超级人工智能 |
| ML / DL | Machine Learning / Deep Learning | 机器学习 / 深度学习 |
| LLM | Large Language Model | 大语言模型 |
| NLP | Natural Language Processing | 自然语言处理 |
| CV | Computer Vision | 计算机视觉 |
| ANN / NN | Artificial Neural Network | （人工）神经网络 |
| CNN | Convolutional Neural Network | 卷积神经网络 |
| RNN | Recurrent Neural Network | 循环神经网络 |
| LSTM / GRU | Long Short-Term Memory / Gated Recurrent Unit | 长短期记忆网络 / 门控循环单元 |
| GAN | Generative Adversarial Network | 生成对抗网络 |
| VAE | Variational Autoencoder | 变分自编码器 |
| MoE | Mixture of Experts | 混合专家模型 |
| RL | Reinforcement Learning | 强化学习 |
| RLHF | Reinforcement Learning from Human Feedback | 人类反馈强化学习 |
| DPO | Direct Preference Optimization | 直接偏好优化 |
| SFT | Supervised Fine-Tuning | 监督微调 / 指令微调 |
| LoRA | Low-Rank Adaptation | 低秩适配（高效微调方法） |
| RAG | Retrieval-Augmented Generation | 检索增强生成 |
| CoT | Chain-of-Thought | 思维链 |
| ToT | Tree-of-Thought | 思维树 |
| ReAct | Reasoning and Acting | 推理与行动交替的智能体范式 |
| MCP | Model Context Protocol | 模型上下文协议（工具接入标准） |
| API | Application Programming Interface | 应用程序接口 |
| ASR / TTS | Automatic Speech Recognition / Text To Speech | 语音识别 / 语音合成 |
| OCR | Optical Character Recognition | 光学字符识别 |
| ANN 检索 | Approximate Nearest Neighbor | 近似最近邻搜索（向量检索） |
| GPU / TPU | Graphics / Tensor Processing Unit | 图形 / 张量处理器 |
章 02核心概念术语
人工智能 Artificial Intelligence
让机器表现出感知、推理、学习、决策等智能行为的技术领域。
机器学习 Machine Learning
不通过显式编程，而让系统从数据中自动改进性能的方法。
深度学习 Deep Learning
使用多层神经网络自动学习数据表示的机器学习子集。
基础模型 Foundation Model
在海量数据上预训练、可被适配到广泛下游任务的大模型。
Token 词元
模型处理文本的基本单位，不等于字或词，由分词算法决定。
Embedding 嵌入向量
把对象映射为高维向量，使语义相近者在空间中距离更近。
上下文窗口 Context Window
模型单次能处理的 token 总上限。
提示 Prompt
输入给模型的指令与材料，包含系统提示与用户提示。
幻觉 Hallucination
模型生成看似合理但事实上错误的内容。
涌现能力 Emergent Abilities
模型规模超过阈值后突然出现或显著提升的能力。
规模定律 Scaling Law
模型性能随参数、数据与算力增加而平滑提升的经验规律。
多模态 Multimodal
能同时处理文本、图像、音频、视频等多种输入输出形式。
章 03模型与架构术语
注意力机制 Attention
让模型在处理某位置时动态关注输入中相关部分的机制，核心为 Q/K/V 计算。
自注意力 Self-Attention
序列内部各位置相互计算注意力，捕捉长程依赖。
Transformer
完全基于注意力机制的网络架构，是现代大模型的共同基础。
编码器 / 解码器 Encoder / Decoder
编码器压缩输入为表示；解码器基于表示生成输出。BERT 只用前者，GPT 只用后者。
扩散模型 Diffusion Model
通过逐步去噪从随机噪声生成样本的 generative 模型，广泛用于图像与视频生成。
混合专家 MoE
每层多个专家子网络，路由机制每次只激活少数，兼顾容量与成本。
参数量 Parameters
模型可学习权重的总数。需区分总参数量与单次激活参数量。
分词器 Tokenizer
把文本切分为 token 的组件，常用 BPE 算法。中文分词效率影响成本。
章 04训练与工程术语
训练相关
- 预训练：在海量数据上学习通用能力
- 微调 Fine-tuning：在特定数据上继续训练
- 指令微调 SFT：学习遵循指令
- 对齐 Alignment：使行为符合人类意图与价值观
- 蒸馏 Distillation：大模型教小模型
- 量化 Quantization：降低数值精度以压缩
- 剪枝 Pruning：移除冗余参数
- 灾难性遗忘：学新知识时遗忘旧知识
推理与服务相关
- 推理 Inference：用训练好的模型处理新输入
- 温度 Temperature：控制生成随机性，越高越发散
- Top-p / Top-k：限制采样候选范围的策略
- KV Cache：缓存注意力键值以加速生成
- 批处理 Batching：合并请求提升吞吐
- 延迟 / 吞吐：单请求耗时与单位时间处理量
- 蒸馏部署 / 端侧推理：在设备本地运行模型
超参数与优化术语
| 术语 | 含义 | 备注 |
|---|---|---|
| 学习率 Learning Rate | 每步参数更新的幅度 | 最重要的超参数之一 |
| 批大小 Batch Size | 每次更新所用样本数 | 影响稳定性与显存 |
| 轮次 Epoch | 完整遍历数据集的次数 | 过多易过拟合 |
| 梯度下降 Gradient Descent | 沿损失下降方向更新参数 | 变体：SGD、Adam、AdamW |
| 反向传播 Backpropagation | 用链式法则计算梯度 | 神经网络训练的核心算法 |
| 过拟合 / 欠拟合 | 记住噪声 / 学不会规律 | 用正则化调节 |
| 正则化 Regularization | 抑制过拟合的手段总称 | Dropout、权重衰减等 |
| 早停 Early Stopping | 验证集不再改善即停止 | 简单有效的防过拟合方法 |
章 05智能体与应用术语
AI Agent 智能体 / 代理
以大模型为核心，具备规划、记忆与工具使用能力，可自主完成多步任务的系统。
工具调用 Tool Use / Function Calling
模型输出结构化的调用请求，由系统执行外部工具并回填结果。
MCP Model Context Protocol
标准化模型与外部工具、数据源连接的开放协议。
多智能体系统 Multi-Agent System
多个专职智能体分工协作完成复杂任务的架构。
人在环内 Human-in-the-loop
关键决策点由人类确认的机制，用于控制高风险操作。
提示注入 Prompt Injection
通过精心构造的输入诱导模型忽略原指令、执行攻击者意图的攻击方式。
向量数据库 Vector Database
存储与检索高维向量的数据库，RAG 的核心基础设施。
护栏 Guardrails
限制模型输入输出的规则与检查机制，用于安全与合规。
章 06评测与安全术语
评测指标
- 准确率 / 精确率 / 召回率 / F1：分类任务基础指标
- 困惑度 Perplexity：语言模型对文本的「惊讶程度」，越低越好
- BLEU / ROUGE：机器翻译与摘要的自动评价指标
- Benchmark 基准：标准化的能力测试集（MMLU、GSM8K、HumanEval 等）
- 数据污染：测试题出现在训练数据中导致分数虚高
安全与对齐
- 对齐 Alignment：让模型行为符合人类意图与价值观
- 红队测试 Red Teaming：模拟攻击以发现系统弱点
- 越狱 Jailbreak：绕过模型安全限制的手法
- 可解释性 Explainability：理解决策依据的能力
- 差分隐私 Differential Privacy：可证明的隐私保护技术
- 水印 / 内容标识：标记 AI 生成内容的技术手段
章 07学习资源推荐
入门课程（按推荐顺序）
机器学习基础
- 吴恩达《Machine Learning》/《Machine Learning Specialization》——经典入门
- 李宏毅《机器学习》（中文）——讲解生动，适合中文学习者
- 《CS229》（斯坦福）——偏理论与数学
深度学习进阶
- 《CS231n 计算机视觉》——CNN 与视觉方向必修
- 《CS224n 自然语言处理》——NLP 与 Transformer 深入讲解
- 《Deep Learning Specialization》——系统化的深度学习课程
- 《动手学深度学习》（D2L，中文，含代码）——理论与实战兼备
经典论文（建议精读）
| 年份 | 论文 | 为什么重要 |
|---|---|---|
| 1950 | Turing, Computing Machinery and Intelligence | 提出图灵测试，AI 的思想起点 |
| 1986 | Rumelhart et al., 反向传播 | 让多层神经网络可训练 |
| 1989 / 1998 | LeCun, 卷积神经网络 LeNet | 奠定 CNN 基本结构 |
| 1997 | Hochreiter & Schmidhuber, LSTM | 解决长程依赖问题 |
| 2012 | Krizhevsky et al., AlexNet | 引爆深度学习革命 |
| 2014 | Goodfellow et al., GAN | 生成模型的新范式 |
| 2017 | Vaswani et al., Attention Is All You Need | Transformer，必读 |
| 2018 | Devlin et al., BERT | 预训练—微调范式确立 |
| 2020 | Radford et al., GPT-3（语言模型是小样本学习者） | 规模定律与少样本能力 |
| 2022 | Ouyang et al., InstructGPT | RLHF 对齐方法 |
工具与实践平台
框架
- PyTorch（研究首选）
- TensorFlow / JAX
- Hugging Face Transformers
应用开发
- LangChain / LangGraph
- LlamaIndex（RAG）
- 向量数据库：Faiss、Milvus、Chroma 等
实验与模型
- Hugging Face Hub（模型与数据集）
- Weights & Biases（实验跟踪）
- 各类开源模型社区
学习建议 ·
① 边学边做，每个概念配一个可运行的小实验；
② 精读经典论文时先读摘要与图示，再看方法细节；
③ 复现一篇简单论文，比读完十篇收获更大。
章 08如何追踪前沿
信息渠道
- 论文预印本：arXiv（cs.AI / cs.CL / cs.LG）——第一手来源，更新最快
- 学术会议：NeurIPS、ICML、ICLR、ACL、CVPR——领域风向标
- 技术博客：主要研究机构与公司的官方博客——解读更通俗
- 开源社区：GitHub 趋势榜、模型发布页——看真实落地
- 独立评测：第三方榜单与实测报告——避免只听厂商说法
筛选方法
- 先看二手解读，再决定是否读原文——节省时间
- 关注可复现的结果，对无法验证的宣称保持审慎
- 区分研究突破与产品发布：前者影响长期，后者影响当下
- 建立自己的「慢速阅读清单」，不被每日热点牵着走
- 定期回顾：三个月前的重要消息，现在还重要吗？
信息 hygiene ·
AI 领域的信息噪音极大：标题党、夸大宣传、概念包装屡见不鲜。
建议养成三个习惯：看原始来源、看是否有可复现证据、看利益相关方是谁。
章 09关于本站
站点定位
SI 人工智能知识站是一个面向中文读者的公益性知识整理项目， 目标是提供一份系统、准确、易懂的人工智能入门与进阶读物。
内容组织
共 11 个页面，按「起源 → 发展 → 原理 → 技术 → 智能体 → 概念 → 应用 → 治理 → 未来 → 术语」编排， 各页独立成篇、互相链接。
编写原则
- 优先采纳学界与业界较有共识的表述
- 对存在争议的问题明确标注分歧而非给出唯一答案
- 避免夸大与恐慌，强调条件、边界与不确定性
访问方式
纯静态页面，兼容桌面、平板与手机浏览器； 支持打印与离线阅读，无追踪、无依赖外部服务。
使用须知
免责说明 ·
本站内容基于公开学术资料与行业共识整理，仅供学习参考，
不构成医疗、法律、金融或投资建议。AI 领域发展迅速，
具体数据、能力与法规要求可能已发生变化，关键决策请以最新官方信息与专业意见为准。
页面一览
| 页面 | 内容概要 |
|---|---|
| 首页 | 什么是 AI、知识地图、概念层级、三大流派、能力图谱 |
| 思想起源 | 自动机传说、图灵机与图灵测试、控制论、达特茅斯会议、奠基者 |
| 发展简史 | 七十年分期、两次寒冬、深度学习与大模型革命、周期规律 |
| 基础原理 | 三大学习范式、机器学习流程、神经网络原理、训练与评测 |
| 核心技术 | CNN / RNN / Transformer / 扩散模型、预训练与对齐、效率技术 |
| AI Agents | 定义与架构、规划、记忆、工具调用、多智能体、框架与风险 |
| 关键概念 | Token、Embedding、RAG、微调、幻觉、思维链、MoE 等 |
| 应用领域 | 医疗、教育、金融、工业、科研、编程、创作等十一个方向 |
| 伦理与治理 | 偏见、隐私、可解释性、安全对齐、就业、监管框架 |
| 未来展望 | 规模定律、数据瓶颈、推理扩展、具身智能、应用形态演进 |
| 术语与资源 | 中英术语表、缩写速查、学习资源与站点说明 |