1.人工智能 

(AI-Artificial Intelligence)

定義：通過計算機系統模擬人類智能行為的技術，涵蓋學習、推理、感知、決策等能力。目標是讓機器能完成需要人類智慧的任務。

例如：智能音箱能夠理解“播放周杰倫的歌曲”的指令并執行，這背后結合了語音識別（感知）和意圖理解（推理）這兩種人工智能技術。

2.機器學習

(ML-Machine Learning)

定義：通過算法讓計算機從數據中自動學習規律，并用于預測或決策的技術。核心是讓機器具備“從經驗中改進”的能力，而非依賴固定編程規則。

舉例：在線購物平臺利用機器學習算法根據瀏覽歷史推薦商品，調整推薦以符合用戶偏好。

3.深度學習

(DL-Deep Learning)

定義：基于多層神經網絡的機器學習方法，能自動提取數據的多層次特征。擅長處理圖像、語音等復雜非結構化數據。

舉例：手機相冊自動識別人臉并分類：通過多層神經網絡先識別邊緣→五官→整體面部特征，最終確定人物身份。

4.神經網絡

(Neural Network)

定義：模仿生物神經網絡結構的計算模型，由大量互連的“神經元”分層組成，通過調整連接權重實現信息處理。

示例：在手寫數字識別任務中，輸入層負責接收像素數據，隱藏層進行筆畫特征的提取，而輸出層則確定數字屬于0到9中的哪一個。

5.自然語言處理

(NLP-Natural Language Processing)

定義：讓計算機理解、生成人類語言的技術，涵蓋語義分析、機器翻譯等領域。

舉例：在智能客服解答“如何重置密碼”的問題時，首先需要將語音轉換為文字，然后理解詢問的含義，最終形成回答的文本。

6.計算機視覺

(CV-Computer Vision)

定義：使計算機能夠“看懂”圖像和視頻的技術，包括物體檢測、圖像分類、人臉識別等應用。

舉例：在超市自助結賬機中，攝像頭通過識別商品條碼，匹配數據庫中的信息，顯示價格；汽車零部件廠商的CV系統檢測產品缺陷。

7.大語言模型

(LLM-Large Language Model)

定義：基于海量文本數據訓練的深度學習模型，能理解、生成人類語言，完成問答、寫作等任務。

舉例：在回答問題的過程中，DeepSeek會深入解析文本的含義，并利用其在訓練過程中習得的語言規則，來構建一個邏輯連貫的答復。

8.Transformer架構

(Transformer Architecture)

定義：基于注意力機制構建的深度學習模型架構，擅長處理序列數據（如文本），通過并行計算大幅提升訓練效率。

舉例：在將英文句子翻譯成中文時，谷歌翻譯模型會同時考慮“bank”在不同語境下的意義（如銀行/河岸），從而挑選出恰當的翻譯。

9.生成式AI

(GenAI-Generative AI)

定義：能夠創造新內容（文本、圖像、視頻等）的人工智能系統，通過理解數據模式生成符合人類需求的原創性輸出。

舉例：用AI生成營銷文案時，輸入產品關鍵詞即可生成廣告語、社交媒體推文。

10.多模態

(Multimodal)

定義：同時處理和理解多種類型數據（文本、圖像、語音等）的技術，實現跨媒介的信息融合與推理。

舉例：智能客服在分析了用戶所發文字“這件衣服質量如何”以及產品圖片后，綜合提供了材質說明和洗滌建議。

11.知識圖譜

(KG-Knowledge Graph)

定義：以圖結構組織知識的數據庫，用節點表示實體，邊表示關系，支持語義搜索和智能推理。

示例：在電子商務平臺上，用戶在購買手機時常常也會看到推薦耳機，這是因為知識圖譜中存在“手機-配件-耳機”的連接關系。

12.向量化/嵌入技術

(Embedding)

定義：將文字、圖像等數據轉換為數值向量的技術，使計算機能夠通過數學運算處理語義信息。

舉例：“國王”-“男性”+“女性”=“女王”的向量運算，反映詞語間的語義關系。

13.智能體

(Agent)

定義：能感知環境、自主決策并執行動作的AI程序，常應用于機器人、游戲AI等場景。

舉例：自動駕駛汽車：通過攝像頭（感知）識別行人→計算路徑（決策）→控制方向盤（執行）完成避讓。

14.通用人工智能

(AGI-Artificial General Intelligence)

定義：具備與人類相當的全領域認知能力的人工智能，能靈活應對各種未知任務，目前尚未實現。

舉例：在科幻影片里的機器人，不僅能夠識別病癥，還能編寫詩歌，具備多種才能。

訓練技術

15.監督學習

(SL-Supervised Learning)

定義：使用帶標簽數據訓練的機器學習方法,模型通過對比預測結果與標準答案調整參數。

舉例：在訓練模型識別垃圾郵件時，提供大量已標記的“正常郵件”與“垃圾郵件”樣本，以便模型學習區分它們的特征。

類比：就像學生使用帶有答案的習題集，每解答一題后便與正確答案(標簽)進行對照，通過分析錯誤(損失計算)來防止重復犯錯。

16.預訓練

(Pre-Training)

定義：在大規模通用數據集上進行的初步訓練，使模型獲得基礎特征提取能力，為后續任務提供初始參數。

舉例：BERT模型通過完形填空任務預訓練，學習詞語上下文關系，之后可用于問答、分類等下游任務。

類比：如同學生廣泛閱讀百科全書（進行預訓練），構建起知識體系，隨后專注于特定領域（進行微調）。

17.微調

(FT-Fine-Tuning)

定義：在預訓練模型基礎上，用特定領域數據繼續訓練以適配新任務的過程，通常只調整部分網絡層參數。

舉例：法律文本分類：在通用語言模型基礎上，用法律文書數據集微調預訓練模型，提升專業術語理解能力。

類比：像定制西裝時基于標準版型（預訓練模型），根據個人身材數據（領域數據）調整袖長、腰圍等細節（參數微調）。

18.數據增強

(DA-Data Augmentation)

定義：通過變換原始數據生成新樣本的技術，增加數據多樣性，提升模型泛化能力。

舉例：圖像分類任務中，對貓的圖片進行旋轉、裁剪、調整亮度等操作，生成更多訓練樣本。

類比：像用濾鏡編輯照片，同一張風景照通過不同濾鏡（增強手段）生成晨霧、晚霞、陰天等版本。

19.知識蒸餾

(KD-Knowledge Distillation)

定義：將大型模型（教師模型）的知識遷移到小型模型（學生模型）的技術，通過軟化輸出概率傳遞暗知識。

舉例：將BERT的知識蒸餾到TinyBERT，教師模型不僅傳遞預測結果（蘋果是水果），還傳遞“蘋果與梨相似度70%”的軟標簽。

類比：像導師帶學生，教授（大模型）不僅傳授標準答案（硬標簽），還講解解題思路（類間關系），幫助學生（小模型）舉一反三。

20.模型壓縮

(MC-Model Compression)

定義：通過剪枝（移除冗余參數）、量化（降低數值精度）、知識蒸餾（小模型模仿大模型）等技術，減小模型體積和計算量，使其更適合在移動端或邊緣設備部署。

舉例：將手機語音助手模型從500MB壓縮到50MB，在保持90%準確率的同時，耗電量降低60%。

類比：像整理行李，通過丟棄不必要的服飾（剪枝）、利用壓縮袋縮小體積（量化）、挑選必需品（蒸餾），使行李（模型）輕巧又實用。

21.檢索增強生成

(RAG-Retrieval-Augmented Generation)

定義：結合實時檢索外部知識庫與生成模型的技術，解決大模型事實性錯誤與信息滯后問題，提升生成內容的準確性。

舉例：智能客服回答“最新退換貨政策”時，先檢索公司知識庫獲取最新條款，再生成回答文本。

類比：律師辦案時，先查閱最新法典（知識檢索），再結合案情（用戶問題）撰寫法律文書（生成回答）。

22.多輪對話

(MTD-Multi-Turn Dialogue)

定義：通過對話狀態追蹤（DST）技術維護上下文，支持超過3輪以上的連貫交互，實現類人對話體驗。

示例：用戶：杭州有哪些好玩的地方？ →系統：可以去西湖、靈隱寺看看。 → 用戶再問：哪個地方更適合帶小孩去呢？ → 系統：西湖有游船和博物館，非常適合親子游。

比較：就像和老朋友聊天，每次對話都流暢地延續上一次的話題，就像“你之前提到的那家餐廳”→“沒錯，就是那家美味的本幫小館”的順暢對話。

23.意圖識別

(IR-Intent Recognition)

定義：將自然語言轉化為預定義意圖標簽（如“查詢天氣”“訂餐”）的技術，是對話系統的核心模塊。

舉例：用戶說“太熱了”，系統識別為“調節溫度”意圖，觸發空調降溫指令。

類比：像餐廳服務員，聽到“來點解渴的”立刻理解需要推薦飲品（意圖），而非字面要求“找水解渴”。

24.語義理解

(SU-Semantic Understanding)

定義：通過分析用戶輸入（如文字或語音）判斷其真實需求的技術，是對話系統的核心能力。

舉例：對智能音箱說“明天會下雨嗎”系統識別出“查詢天氣”意圖并調用天氣API。

類比：像餐廳服務員通過顧客的“來份牛排”快速理解對方需要點餐。

25.提示詞工程

(PE-Prompt Engineering)

定義：通過結構化指令設計、上下文示例、角色模擬等方法，精確引導 大模型輸出的系統性技術，類似“與機器溝通的語言藝術”。

舉例：想讓AI寫招聘啟事，用“用互聯網行業術語撰寫Java工程師招聘，要求3年經驗，薪資面議”比“寫個招聘”更有效。

類比：像使用智能咖啡機時，選擇“中杯/熱/雙份濃縮”比只說“來杯咖啡”更能得到想要的口味。

26.多模態交互

(MMI-Multimodal Interaction)

定義：支持同時使用語音、手勢、圖像等多種方式進行人機交互的技術，提升交互自然度。

舉例：智能廚房中，用戶說“調大火力”同時用手指順時針劃圈，系統綜合理解后調整灶臺火焰。

類比：像與朋友對話,邊說“這本書很有趣”邊用手指書中插圖（多模態），比單純語言描述更易理解。

27.模型參數量

(MP-Model Parameters)

定義：模型中可調整的權重總數，通常與模型復雜度正相關。

舉例：GPT-4有1.76萬億參數，手機端小模型可能只有1億參數。

類比：圖書館藏書量，書籍越多（參數多）能解答的問題越廣泛，但查找信息也更耗時耗能。

28.準確率/召回率/F1分數

(Accuracy/Recall/F1 - Score)

定義：準確率指的是正確預測占全部預測的比例（查得準）；召回率指的是正確識別出的正例占全部正例的比例（查得全）；F1分數指兩者平衡的綜合指標。

舉例：癌癥篩查系統：準確率98%：100次診斷98次正確；召回率95%：20名患者中檢出19人；F1=96.4%：綜合評估指標。

類比：漁夫捕魚，準確率=撈到的魚中目標魚種占比；召回率=所有目標魚種被捕獲的比例；F1=評價綜合捕撈效率。

29.工具調用

(TC-Tool Calling)

定義：AI系統通過API接口調用外部工具或服務的能力,擴展模型功能邊界,實現復雜任務處理。

舉例：智能助手收到“訂明早8點鬧鐘”指令后,調用手機系統API設置鬧鐘,而非僅生成文本回復。

類比：像全能秘書，接到“安排會議”要求后,實際操作日歷軟件(工具調用),而非只是口頭應答“好的”。

30.思維鏈

(CoT-Chain of Thought)

定義：要求人工智能在解決復雜問題時，顯式展示推理過程中的每個邏輯步驟，如同人類逐步演算草稿，以提升可驗證性與可解釋性。

舉例：面對問題“商品原價580元，打8折后滿400減50，最終多少錢?”

分步輸出：“首先計算打折后的價格：580乘以0.8等于464元；其次，確認是否滿足滿減條件：464大于400，因此可以減免50元。最終答案：464元減去50元等于414元。”

類比：像按照指南一步步組裝家具——“拆開包裝-安裝桌腿-固定面板-旋緊螺絲”(分步推理)，相較于直接查看成品圖(直接出結果)，更為穩妥可靠。