你听过这些AI术语并点头附和？让我们纠正这个问题

TechCrunch AI 新闻
ai-glossary ai-terms educational techcrunch explainer

摘要

一份来自TechCrunch的术语表，定义了AGI、AI智能体、API端点和思维链等常见AI术语，并随着领域发展定期更新。

人工智能的兴起带来了大量新术语和俚语。以下是您可能遇到的一些最重要词语和短语的定义词汇表。
查看原文
查看缓存全文

缓存时间: 2026/05/29 21:42

# 你听过这些AI术语却只能点头附和？我们来帮你弄明白 | TechCrunch 来源：https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/ 人工智能正在改变世界，同时也在发明一套全新的语言来描述它是如何做到的。花五分钟阅读AI相关内容，你就会碰到LLM、RAG、RLHF，以及其他十几个术语，即便在科技行业非常聪明的人也会感到不自在。这份词汇表正是我们试图解决这个问题的尝试。随着该领域的发展，我们会定期更新，因此请将其视为一份活的文档，就像它所描述的AI系统本身一样。 --- ## AGI (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#agi) 人工通用智能（AGI）是一个模糊的术语，但通常指的是在众多（如果不是大多数）任务上能力超过普通人类的AI。OpenAI CEO Sam Altman 曾将AGI描述为“相当于一个你可以雇佣为同事的中等水平人类 (https://nymag.com/intelligencer/article/sam-altman-artificial-intelligence-openai-profile.html)”。与此同时，OpenAI的章程 (https://openai.com/charter/) 将AGI定义为“在大多数具有经济价值的工作上超越人类的高度自主系统”。Google DeepMind 的理解与前两者略有不同；该实验室将AGI视为“在大多数认知任务上至少与人类能力相当的AI”。感到困惑吗？别担心——即使是AI研究前沿的专家们也 (https://techcrunch.com/2024/10/03/even-the-godmother-of-ai-has-no-idea-what-agi-is/) 一样困惑。 ## AI 智能体 (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#ai-agent) AI智能体是指一种利用AI技术代表你执行一系列任务的工具——远超基础AI聊天机器人的能力——例如报销费用、预订机票或餐厅座位，甚至编写和维护代码。然而，正如我们之前所解释的 (https://techcrunch.com/2024/12/15/what-exactly-is-an-ai-agent/)，这个新兴领域中有很多变动因素，因此“AI智能体”对不同的人可能意味着不同的事情。此外，实现其设想能力所需的基础设施仍在建设中。但基本概念暗示了一个自主系统，它可能利用多种AI系统来执行多步骤任务。 ## API 端点 (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#api-endpoints) 可以将API端点想象成软件背面的“按钮”，其他程序可以按下这些按钮来使其执行操作。开发者使用这些接口来构建集成——例如，允许一个应用程序从另一个程序拉取数据，或者使AI智能体无需人工手动操作每个界面即可直接控制第三方服务。大多数智能家居设备和连接平台都有这些隐藏按钮可用，即使普通用户从未看到或与之交互。随着AI智能体能力的增强，它们越来越能够自主发现并使用这些端点，为自动化开辟了强大——有时甚至意想不到——的可能性。 ## 思维链 (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#chain-of-thought) 面对一个简单问题，人类大脑甚至无需过多思考就能回答——比如“哪种动物更高，长颈鹿还是猫？”但在很多情况下，你常常需要纸笔才能得出正确答案，因为存在中间步骤。例如，如果一个农夫有鸡和牛，它们总共有40个头和120条腿，你可能需要写下简单的方程才能得出答案（20只鸡和20头牛）。 在AI语境中，针对大型语言模型的思维链推理意味着将问题分解成更小的中间步骤，以提高最终结果的质量。虽然得到答案通常需要更长时间，但答案的正确性更高，尤其是在逻辑或编码任务中。推理模型是从传统大型语言模型发展而来，并通过强化学习针对思维链思维进行了优化。 （参见：[大型语言模型](https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#large-language-model)） ## 编码智能体 (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#coding-agents) 这是比“AI智能体”更具体的概念，意指能够自主逐步采取行动以完成目标的程序。编码智能体是其应用于软件开发的专门版本。它不仅仅是提供代码供人类审查和粘贴，而是能够自主地编写、测试和调试代码，处理那些通常占用开发者一整天的迭代、试错工作。这些智能体可以跨整个代码库操作，发现错误、运行测试并推送修复，而几乎无需人工监督。可以将其想象成雇佣一个从不睡觉、从不走神的极快实习生——不过，像任何实习生一样，人类仍需审查其工作。 ## 计算能力 (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#compute) 虽然这是一个多义术语，但计算能力通常指的是使AI模型能够运行的关键计算能力 (https://carnegieendowment.org/posts/2024/04/a-primer-on-compute)。这种处理过程为AI行业提供动力，使其能够训练和部署强大的模型。该术语常常是提供计算能力的各种硬件的简称——比如GPU、CPU、TPU以及其他构成现代AI行业基石的基础设施形式。 ## 深度学习 (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#deep-learning) 这是自我改进机器学习的一个子集，其中AI算法采用多层人工神经网络（ANN）结构设计。与更简单的基于机器学习的系统（如线性模型或决策树）相比，这使得它们能够进行更复杂的关联。深度学习算法的结构借鉴了人脑中神经元相互连接的通路。 深度学习AI模型能够自行识别数据中的重要特征，而不需要人类工程师来定义这些特征。该结构还支持能够从错误中学习，并通过重复和调整的过程改进自身输出的算法。然而，深度学习系统需要大量数据点（数百万或更多）才能产生良好结果。与更简单的机器学习算法相比，它们通常需要更长的训练时间——因此开发成本往往更高。 （参见：[神经网络](https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#neural-network)） ## 扩散 (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#diffusion) 扩散技术是许多生成艺术、音乐和文本的AI模型的核心。受物理学启发，扩散系统通过添加噪声“破坏”数据的结构 (https://techcrunch.com/2022/12/22/a-brief-history-of-diffusion-the-tech-at-the-heart-of-modern-image-generating-ai/)——例如照片、歌曲等——直到无剩余信息。在物理学中，扩散是自发且不可逆的——扩散到咖啡中的糖无法恢复成立方体形态。但AI中的扩散系统旨在学习一种“反向扩散”过程来恢复被破坏的数据，从而获得从噪声中恢复数据的能力。 ## 蒸馏 (http://distillation/) 蒸馏是一种使用“教师-学生”模型从大型AI模型中提取知识的技术。开发者向教师模型发送请求并记录输出。有时会将答案与数据集进行比较以检查准确性。这些输出随后用于训练学生模型，该模型被训练成近似教师的行为。 蒸馏可用于基于大型模型创建更小、更高效的模型，且蒸馏损失最小。OpenAI 很可能就是通过这种方式开发出 GPT-4 Turbo（GPT-4 的更快版本）的。 虽然所有AI公司都在内部使用蒸馏，但一些AI公司也可能使用它来追赶前沿模型。来自竞争对手的蒸馏通常违反 (https://techcrunch.com/2025/01/29/microsoft-probing-whether-deepseek-improperly-used-openais-api/) AI API 和聊天助手的使用条款。 ## 微调 (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#fine-tuning) 这指的是对AI模型进行进一步训练，以优化其在更具体任务或领域（相对于先前训练的重点）上的性能——通常通过输入新的、专门化的（即任务导向的）数据。 许多AI初创公司以大型语言模型为起点构建商业产品，但正试图通过基于自身领域知识和专业技能的微调来补充早期训练周期，从而提升目标领域或任务的实用性。 （参见：[大型语言模型 [LLM]](https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#large-language-model)） ## GAN (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#gan) GAN，即生成对抗网络，是一种机器学习框架，支撑了生成式AI在生成逼真数据（包括但不限于深度伪造工具）方面的一些重要进展。GANs使用一对神经网络，其中一个根据其训练数据生成输出，传递给另一个模型进行评估。 这两个模型在编程上本质上是试图胜过对方。生成器试图让其输出通过鉴别器，而鉴别器则致力于识别人工生成的数据。这种结构化竞争可以在无需额外人工干预的情况下优化AI输出，使其更加逼真。不过，GANs最适合较窄的应用（例如生成逼真的照片或视频），而非通用型AI。 ## 幻觉 (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#hallucination) “幻觉”是AI行业用来描述AI模型胡编乱造的术语——即生成不正确的信息。显然，这对AI质量来说是一个巨大的问题。 幻觉产生的GenAI输出可能具有误导性，甚至可能带来现实生活中的风险——并可能产生危险的后果（想象一下健康查询返回有害的医疗建议）。 AI模型捏造信息的问题被认为是由训练数据中的空白造成的。幻觉正推动着AI模型日益专业化和/或垂直化（即需要更窄专业知识的领域特定AI）的趋势，以此作为减少知识空白可能性并降低虚假信息风险的一种方式。 ## 推理 (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#inference) 推理是运行AI模型的过程。它将模型释放出来，使其能够根据先前看到的数据进行预测或得出结论。需要明确的是，没有训练就无法进行推理；模型必须先学习数据集中的模式，才能有效地从训练数据中进行推断。 许多类型的硬件都可以执行推理，从智能手机处理器到强大的GPU，再到专门设计的AI加速器。但并非所有硬件都能同样好地运行模型。非常大的模型在笔记本电脑上可能需要很长时间才能做出预测，而在配备高端AI芯片的云服务器上则快得多。 （参见：[训练](https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#training)） ## 大型语言模型 (LLM) (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#large-language-model) 大型语言模型（LLM）是流行AI助手所使用的模型，例如ChatGPT (https://techcrunch.com/2025/02/12/chatgpt-everything-to-know-about-the-ai-chatbot/)、Claude (https://techcrunch.com/2025/02/25/claude-everything-you-need-to-know-about-anthropics-ai/)、Google的Gemini (https://techcrunch.com/2025/02/26/what-is-google-gemini-ai/)、Meta的AI Llama (https://techcrunch.com/2024/09/08/meta-llama-everything-you-need-to-know-about-the-open-generative-ai-model/)、Microsoft Copilot (https://techcrunch.com/2024/08/17/microsoft-copilot-everything-you-need-to-know-about-microsofts-ai/) 或Mistral的Le Chat (https://techcrunch.com/2025/02/28/what-is-mistral-ai-everything-to-know-about-the-openai-competitor/)。当你与AI助手聊天时，你是在与一个大型语言模型互动，该模型会直接处理你的请求，或者借助各种可用工具（如网页浏览或代码解释器）进行处理。 LLM是由数十亿个数值参数（或权重，见下文 (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#weights)）组成的深度神经网络，它们学习单词和短语之间的关系，并创建语言的表示——一种多维的单词地图。 这些模型是通过编码它们在数十亿本书籍、文章和转录文本中发现的模式而创建的。当你向LLM提供提示时，该模型会生成最适合该提示的模式。 （参见：[神经网络](https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#neural-network)） ## 内存缓存 (https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#memory-cache) 内存缓存是指提升推理（即AI生成用户查询响应的过程）效率的重要过程。本质上，缓存是一种优化技术，旨在提高推理效率。AI显然由高强度的数学计算驱动，每次进行这些计算都会消耗更多电能。缓存旨在通过为未来的用户查询和操作保存特定的计算结果，来减少模型可能需要运行的计算次数。存在不同种类的内存缓存，但其中较为著名的一种是KV（键值）缓存 (https://huggingface.co/blog/not-lain/kv-caching#:~:text=References%20&%20Further%20Reading-,Introduction,much%20faster%20and%20more%20efficient.)。KV缓存基于transformer模型工作，通过减少生成用户问题答案所需的时间（和算法工作量）来提高效率，从而获得更快的结果。 （参见：[推理](https://techcrunch.com/2026/05/29/artificial-intelligence-definition-glossary-hallucinations-guide-to-common-ai-terms/#inference)） ## 神经网络 (https://techcr

相似文章

Harness、Scaffold 以及值得厘清的 AI Agent 术语

Hugging Face Blog

这是一篇 Hugging Face 博客文章，旨在定义并厘清 AI Agent 领域的关键术语，如 scaffolding、harness、context engineering 和 tool use，力求在快速演进中实现词汇标准化。

@ItsRoboki: https://x.com/ItsRoboki/status/2046220862546960563

X AI KOLs Timeline

# AI 智能体术语不过是新瓶装旧酒 如果你是一位经验丰富的软件工程师，却对 AI 智能体（AI Agent）的世界感到困惑，原因很可能不是技术太复杂——而是行话太多。 欢迎了解**"词汇税"**：这是一种因新造术语而产生的认知负担，让你误以为自己面对的是全新的概念，而实际上不过是你已经熟悉的老朋友换了身行头。 --- ## 什么是词汇税 每隔几年，技术圈都会经历一轮术语洗牌。某个领域起飞了，新词汇随之涌现，旧有的工程概念被重新包装，贴上新标签。 这并不总是有意为之的炒作。有时候，新词汇确实能承载细微的差别，或者为特定社区提供更精准的表达。但很多时候，它制造的困惑远比带来的清晰要多。 词汇税的本质就是：**你为了弄懂这些词在说什么，而不得不付出额外的认知成本**。 AI 智能体领域目前正在大量征收这笔税。 --- ## 逐一拆解那些花哨术语 ### "Orchestrator"（编排器） 这个词让人联想到某种神秘的 AI 大脑，在幕后统筹全局。 实际上？它就是一个**控制流管理器**。它决定先调用哪个函数，根据结果走哪条分支，什么时候结束循环。你在写业务逻辑的第一天就做过这件事。 换个说法：`main()` 函数加上一些条件判断。 --- ### "Harness"（执行框架） AI 圈子喜欢说某个模型被"装进了一个 harness"。 这翻译过来就是：**一个包装类或运行时环境**，负责管理模型调用的生命周期——处理输入输出、捕获错误、维护状态。 换个说法：适配器模式（Adapter Pattern）加上一个 try/catch 块。 --- ### "Memory Layer"（记忆层） 这个词听起来像是给 AI 装上了某种类人的记忆系统。 实际上它就是**存储和检索机制**。短期记忆是会话上下文（session context），长期记忆是数据库查询，语义记忆是向量搜索。 换个说法：缓存 + 数据库 + 搜索索引。 --- ### "Tool Use"（工具调用） 模型"学会了使用工具"，这句话读起来颇具魔幻色彩。 脱下这层外衣，它就是：**函数调用**。模型输出一个结构化的请求，系统解析它，执行对应的函数，把结果返回给模型。 换个说法：API 调用的调度与执行。 --- ### "Agentic Loop"（智能体循环） 这个术语让整个架构听起来像是某种自主意识的涌现。 它的本质是：**一个 while 循环**，每次迭代都会：获取当前状态 → 决定下一步行动 → 执行行动 → 更新状态 → 判断是否结束。 换个说法：事件循环（Event Loop），或者任何一个游戏引擎里的主循环。 --- ### "Grounding"（落地/锚定） "模型需要被 grounded"——这句话在 AI 文章里频繁出现。 它的意思是：**把模型的输出与可验证的外部数据绑定**，防止它胡说八道（即"幻觉"）。RAG（检索增强生成）是最常见的实现方式。 换个说法：数据验证 + 外部数据源注入。 --- ### "Reflection"（反思） 听起来像是 AI 在进行哲学沉思。 实际操作是：**让模型评估自己的上一个输出**，判断是否满足要求，如果不满足则重新生成。这是一个带有评判步骤的迭代优化循环。 换个说法：带校验逻辑的重试机制（retry with validation）。 --- ### "Chain"（链） LangChain 里的"链"，以及各种"prompt chain"。 这就是**函数组合（function composition）**，或者说是管道（pipeline）。输出 A 作为输入传给 B，B 的输出传给 C。 换个说法：Unix 管道。`cat file | grep keyword | sort | uniq` --- ## 那么，是不是什么都没变？ 当然不是。有几件事确实是新的，或者至少是在规模和能力上发生了质变： 1. **不确定性变成了一等公民**：传统函数给定相同输入，输出是确定的。LLM 不是。这要求你在架构层面认真对待概率性行为，而不只是在边界情况里处理它。 2. **自然语言成为了接口**：当接口是自然语言时，你没办法写一个传统意义上完整的类型规范。这对系统边界的设计提出了新要求。 3. **上下文窗口是有限资源**：你需要像管理内存一样精心管理上下文，这是一种在普通 Web 开发里不太常见的约束。 4. **涌现行为（Emergent Behavior）确实存在**：模型组合起来之后，有时会产生你没有显式编程的行为。这既是能力，也是风险。 --- ## 如何用已有知识来理解 AI 智能体 这里有一个简单的映射框架，供有经验的工程师参考： | AI 智能体术语 | 等价的工程概念 | |---|---| | Orchestrator | 控制流 / 状态机 | | Memory Layer | 缓存 + 数据库 | | Tool | 可调用函数 / API | | Agentic Loop | 事件循环 / 主循环 | | RAG | 查询 + 上下文注入 | | Reflection | 带校验的重试 | | Chain / Pipeline | 函数组合 / Unix 管道 | | Prompt Template | 带参数的字符串模板 | | Agent | 带状态的服务 + 决策逻辑 | --- ## 写在最后 词汇税不是阴谋，但它有真实的代价。它让有经验的工程师低估自己已有的能力，让新人觉得这个领域比实际上更难进入。 下次当你遇到一个陌生的 AI 术语，不妨先问自己：**"如果我是五年前，没有这个词，我会怎么描述这件事？"** 大多数时候，你会发现你早就认识它了。 AI 智能体领域确实有令人兴奋的新东西。但其中最难的部分，往往不是理解那些新概念——而是先剥掉裹在旧概念外面的那层新皮。