你听过这些AI术语并点头附和？让我们纠正这个问题

# 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