2025年AI核心术语完全指南

AI 正在重塑世界，与此同时也催生了一套全新的专业语言。无论是参加产品会议、路演还是行业论坛，你都会听到大语言模型、RAG、RLHF 等各种术语满天飞，即便是科技圈里的聪明人，有时也难免感到困惑。本文旨在解决这个问题：用通俗易懂的语言，解释你在日常工作中最可能遇到的 AI 术语，无论你是在用这些技术构建产品、投资相关赛道，还是只想通过阅读科技资讯跟上行业动态。随着这一领域持续演进，本文也会定期更新，是一份与它所描述的 AI 系统一样"活着"的文档。

通用人工智能（AGI）

通用人工智能，即 AGI，是一个含义颇为模糊的术语，但总体上指在大多数任务上能力超越普通人类的 AI。OpenAI CEO 萨姆·奥特曼曾将 AGI 描述为"相当于一个你可以雇用的普通人类同事"。OpenAI 的章程则将其定义为"在大多数具有经济价值的工作中超越人类表现的高度自主系统"。谷歌 DeepMind 的理解略有不同，将 AGI 视为"在大多数认知任务上至少与人类同等能力的 AI"。感到困惑？别担心——就连 AI 研究领域的顶尖专家也对此莫衷一是。

AI 智能体（AI Agent）

AI 智能体是指能够代替你执行一系列任务的工具，其能力远超普通 AI 聊天机器人，例如报销费用、预订机票或餐厅座位，甚至编写和维护代码。不过，这一新兴领域涉及诸多变量，"AI 智能体"的具体含义因人而异。相关基础设施也仍在建设中。但其核心概念指向一个自主系统，它可能调用多个 AI 系统来完成多步骤任务。

API 端点（API Endpoints）

可以把 API 端点理解为软件背后的"按钮"，其他程序可以通过按下这些按钮来触发相应操作。开发者通过这些接口构建集成功能，例如让一个应用从另一个应用中拉取数据，或让 AI 智能体直接控制第三方服务，无需人工逐一操作。大多数智能家居设备和互联平台都具备这些隐藏"按钮"，即便普通用户从未直接接触过它们。随着 AI 智能体能力的不断增强，它们越来越能够自主发现并调用这些端点，为自动化带来了强大甚至出乎意料的可能性。

思维链推理（Chain-of-Thought Reasoning）

面对简单问题，人脑几乎不假思索就能给出答案，比如"长颈鹿和猫哪个更高？"但很多时候，你需要借助纸笔才能得出正确结论，因为中间有若干推导步骤。例如，一个农场主养了鸡和牛，总共有 40 个头、120 条腿，你可能需要列方程才能算出答案（20 只鸡和 20 头牛）。

在 AI 语境中，大语言模型的思维链推理是指将问题拆解为更小的中间步骤，以提升最终结果的质量。这种方式通常需要更长的响应时间，但答案的正确率更高，尤其在逻辑推理和代码编写等场景中表现突出。推理模型正是在传统大语言模型的基础上，通过强化学习优化而成，专为思维链推理设计。

编程智能体（Coding Agent）

这是"AI 智能体"的一个更具体的概念，专指能够在软件开发领域自主完成任务的程序。与仅向人类提供代码建议不同，编程智能体可以自主编写、测试和调试代码，处理开发者日常工作中那些反复试错的迭代过程。这类智能体可以跨越整个代码库运行，自动发现漏洞、执行测试、提交修复，几乎无需人工介入。可以把它想象成一个反应极快、永不疲倦、永不分心的实习生——不过和真实的实习生一样，最终还是需要人工审核其工作成果。

算力（Compute）

算力是一个多义术语，通常指支撑 AI 模型运行所需的计算能力。这种处理能力是 AI 行业的核心驱动力，使其能够训练和部署强大的模型。该术语通常也用来指代提供算力的硬件类型，包括 GPU、CPU、TPU 以及构成现代 AI 行业基础的其他基础设施形式。

深度学习（Deep Learning）

深度学习是机器学习的一个子领域，其 AI 算法采用多层人工神经网络（ANN）结构，能够实现比线性模型或决策树等简单机器学习系统更复杂的关联推断。深度学习算法的结构灵感来源于人脑中神经元的互联路径。

深度学习 AI 模型能够自主识别数据中的重要特征，无需人工工程师手动定义这些特征。其结构还支持算法从错误中学习，通过反复迭代和调整不断优化自身输出。然而，深度学习系统需要大量数据（通常达到数百万个以上）才能取得良好效果，训练时间也通常比简单的机器学习算法更长，因此开发成本往往更高。

扩散模型（Diffusion）

扩散技术是许多图像、音乐和文本生成类 AI 模型的核心。受物理学启发，扩散系统通过持续添加噪声，逐步"破坏"数据的结构——例如照片或音乐——直至原始信息完全消失。在物理学中，扩散是自发且不可逆的，溶于咖啡中的糖无法还原成方糖。但 AI 中的扩散系统旨在学习一种"逆扩散"过程，从噪声中恢复被破坏的数据，从而获得生成内容的能力。

知识蒸馏（Distillation）

知识蒸馏是一种利用"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其输出，有时还会将答案与数据集对比以评估准确性，再将这些输出用于训练学生模型，使其学习逼近教师的行为。

知识蒸馏可以在尽量减少性能损失的前提下，基于大型模型创建更小、更高效的模型。OpenAI 的 GPT-4 Turbo（GPT-4 的加速版本）很可能就是通过这种方式开发的。

尽管所有 AI 公司都在内部使用知识蒸馏，但部分公司也可能将其用于追赶前沿模型。从竞争对手的模型进行蒸馏通常违反 AI API 及聊天助手的服务条款。

微调（Fine-Tuning）

微调是指对已有 AI 模型进行进一步训练，以优化其在特定任务或领域上的表现——通常是通过输入新的专项数据来实现。

许多 AI 初创公司以大语言模型为起点构建商业产品，并借助自身领域知识和专业积累对模型进行微调，以提升其在目标领域或任务上的实用价值。

生成对抗网络（GAN）

GAN，即生成对抗网络，是一种机器学习框架，是生成式 AI 在生成逼真数据方面的重要技术基础，包括（但不限于）深度伪造工具。GAN 由一对神经网络组成：生成器根据训练数据生成输出，并将其传递给判别器进行评估。

两个模型被设计为相互竞争：生成器试图让自己的输出通过判别器的检测，判别器则努力识别人工生成的数据。这种对抗机制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，GAN 更擅长处理较为专项的任务（如生成逼真的图像或视频），而非通用型 AI。

幻觉（Hallucination）

"幻觉"是 AI 行业对模型"胡编乱造"现象的惯用术语，即 AI 生成了错误信息。这显然是影响 AI 质量的一大问题。

幻觉会导致生成式 AI 输出误导性内容，甚至在现实中引发风险——后果可能相当危险（试想一个健康咨询返回了有害的医疗建议）。

AI 捏造信息的问题被认为源于训练数据的不足。幻觉问题正在推动行业向越来越专业化和垂直化的 AI 模型发展，即专注于特定领域的 AI，以降低知识缺口的概率，减少错误信息的风险。

推理（Inference）

推理是运行 AI 模型的过程，即让模型根据此前从数据中学到的模式进行预测或推断。需要明确的是，推理必须以训练为前提，模型必须先在数据集中学习规律，才能有效地从训练数据中进行外推。

多种硬件都可以执行推理，从智能手机处理器到高性能 GPU，再到定制 AI 加速芯片，不一而足。但并非所有硬件都能同等高效地运行模型。超大型模型在笔记本电脑上生成预测可能需要极长时间，而在配备高端 AI 芯片的云服务器上则会快得多。

大语言模型（LLM）

大语言模型是 ChatGPT、Claude、谷歌的 Gemini、Meta 的 Llama、微软 Copilot、Mistral 的 Le Chat 等主流 AI 助手所使用的底层模型。当你与 AI 助手对话时，你实际上是在与一个大语言模型交互，它直接处理你的请求，或借助网页浏览、代码解释器等工具来响应。

大语言模型是由数十亿个数值参数（即权重）构成的深度神经网络，能够学习词语和短语之间的关系，构建语言的多维度表征。这些模型通过对数十亿本书籍、文章和文字记录中规律的编码来训练生成。当你向大语言模型输入提示时，模型会生成与提示最为匹配的概率最高的文本序列。

内存缓存（Memory Cache）

内存缓存是一种重要机制，用于提升推理效率（即 AI 响应用户查询的过程）。本质上，缓存是一种优化技术，旨在让推理过程更加高效。AI 运算依赖大量数学计算，每次计算都会消耗额外的算力。缓存通过保存特定计算结果以供未来查询复用，减少模型需要重复执行的计算量。缓存有多种类型，其中较为知名的是 KV（键值）缓存。KV 缓存适用于基于 Transformer 的模型，通过减少生成答案所需的计算时间（和算法负担）来提升效率、加快响应速度。

模型上下文协议（MCP）

模型上下文协议，即 MCP，是一种开放标准，允许 AI 模型连接外部工具和数据——包括你的文件、数据库，或 Slack、谷歌云端硬盘等应用——而无需开发者为每对组合单独构建定制连接器。可以将其理解为 AI 的"USB-C 接口"。Anthropic 于 2024 年推出 MCP，随后将其移交给 Linux 基金会，此后 OpenAI、谷歌和微软相继采用，使其成为近期 AI 历史上传播最快的标准之一。

混合专家模型（MoE）

混合专家模型是一种模型架构，将神经网络拆分为多个较小的专用子网络（即"专家"），并在每次任务中仅激活其中一小部分。与每次请求都调用整个模型不同——就像每有一个问题都把全体员工召集起来开会——MoE 模型内置一个"路由器"，负责为每项任务挑选最合适的专家。这使得构建体量庞大却仍能保持较高运行速度和较低成本的模型成为可能，因为任何时刻只有一部分网络在实际工作。Mistral AI 的 Mixtral 模型是一个广为人知的例子；OpenAI 较新的 GPT 模型也被普遍认为采用了某种形式的 MoE 架构，但该公司从未官方确认。

神经网络（Neural Network）

神经网络是深度学习的底层算法结构，也是整个生成式 AI 热潮和大语言模型兴起的基础。

尽管将人脑密集互联的神经通路作为数据处理算法设计灵感的想法早在 20 世纪 40 年代就已出现，但真正释放这一理论潜力的，是近年来通过游戏产业发展起来的图形处理芯片（GPU）。这些芯片非常适合训练层数远超以往的算法，使基于神经网络的 AI 系统在语音识别、自动驾驶、药物研发等众多领域实现了大幅性能提升。

开源（Open Source）

开源是指软件——或者越来越多的 AI 模型——的底层代码对外公开，任何人都可以查看、使用或修改。在 AI 领域，Meta 的 Llama 系列模型是典型例子；在操作系统领域，Linux 是广为人知的历史先例。开源方式允许全球的研究者、开发者和企业在彼此的工作基础上继续推进，既能加速技术进步，又能进行独立的安全审计，而这是封闭系统难以做到的。封闭源代码则意味着代码不对外公开——你可以使用产品，但看不到其工作原理，OpenAI 的 GPT 模型就属于这种情况。这一差异已成为 AI 行业最核心的争议之一。

并行化（Parallelization）

并行化是指同时执行多项任务，而非逐一顺序完成——就像让 10 名员工同时处理项目的不同部分，而非由一人依次完成所有工作。在 AI 领域，并行化对于训练和推理都至关重要：现代 GPU 专为并行执行数千次计算而设计，这也是它们成为行业硬件支柱的重要原因。随着 AI 系统日趋复杂、模型规模持续扩大，跨多个芯片和机器并行处理的能力，已成为决定模型构建和部署速度及成本效益的关键因素之一。针对更优并行化策略的研究，如今已发展成为一个独立的研究方向。

内存荒（RAMageddon）

"RAMageddon"是业界对一种令人头疼趋势的戏称：随机存取存储器（RAM）芯片持续短缺，而这种芯片几乎是我们日常使用的所有科技产品的核心组件。随着 AI 行业的蓬勃发展，各大科技公司和 AI 实验室争相采购大量 RAM 来驱动数据中心，导致其他行业的供应所剩无几，供应瓶颈也使剩余产品的价格水涨船高。

受波及的行业涵盖游戏（大型厂商不得不提高主机售价，因为难以为设备找到足够的内存芯片）、消费电子（内存短缺可能导致智能手机出货量出现十余年来最大幅度的下滑），以及企业计算（企业同样无法为自身数据中心获取充足的 RAM）。价格的飙升预计只有在短缺结束后才会停止，但遗憾的是，目前这一局面并没有太多好转的迹象。

递归自我改进（RSI）

与 AGI 类似，递归自我改进（RSI）是衡量 AI 能达到多高智能水平、以及对人类依赖程度有多低的一个门槛概念。在 RSI 场景下，AI 模型无需人类干预便能自我改进，从而实现能力和自主性的大幅跃升。在某些描述中，这将是类似"奇点"的灾难性时刻，AI 模型将不再受外部干预的制约。但 RSI 也描述了一种基础能力——AI 模型能否设计出自己的下一代？——这使工程师更容易尝试构建它。近年来，多家 AI 初创公司致力于开发具备递归自我改进能力的模型，但大多数公司对末日论调不以为然，将 RSI 视为研究领域的下一个前沿。

强化学习（Reinforcement Learning）

强化学习是一种通过尝试与反馈来训练 AI 的方式——系统通过尝试不同操作、并在得到正确答案时获得奖励来学习，类似于用零食训练宠物，只不过这里的"宠物"是神经网络，"零食"是表示成功的数学信号。与监督学习（模型在固定的标注数据集上训练）不同，强化学习让模型自主探索环境、执行动作，并根据反馈持续调整行为。这种方式在训练 AI 玩游戏、控制机器人方面已被证明尤为有效，近年来也越来越多地用于提升大语言模型的推理能力。来自人类反馈的强化学习（RLHF）等技术，如今已成为领先 AI 实验室微调模型、使其更有帮助、更准确、更安全的核心手段。

Token

在人机通信中，人类使用自然语言，而 AI 程序通过由数据驱动的复杂算法流程执行任务，两者之间存在明显的鸿沟。Token 正是填补这一鸿沟的桥梁：它是人机通信的基本单元，代表大语言模型处理或生成的离散数据片段。Token 通过一种称为"分词"的过程生成，将原始文本拆解为语言模型可消化的小单元，类似于编译器将人类语言转换为计算机可理解的二进制代码。在企业应用场景中，Token 还决定了使用成本——大多数 AI 公司按 Token 数量对大语言模型的使用收费，使用越多，费用越高。

Token 吞吐量（Token Throughput）

Token 是 AI 语言模型在处理语言时将其拆解成的文本小块，通常是词语的一部分而非完整的词，在理解 AI 工作负载时大致相当于"单词"的概念。吞吐量是指在给定时间内能处理的数据量，因此 Token 吞吐量本质上是衡量一个系统在单位时间内能处理多少 AI 工作负载的指标。高 Token 吞吐量是 AI 基础设施团队的核心追求，因为它决定了一个模型能同时服务多少用户，以及每位用户获得响应的速度。AI 研究员安德烈·卡帕西曾表示，当他的 AI 订阅资源处于闲置状态时会感到焦虑，这与他读研究生时昂贵计算硬件未被充分利用时的感受如出一辙——这种心情恰好说明了为何最大化 Token 吞吐量在业界已近乎成为一种执念。

训练（Training）

训练是机器学习 AI 开发的核心过程，简单来说，是指向模型输入数据，使其从数据规律中学习并生成有用的输出。本质上，这是系统通过响应数据中的特征来调整输出，以趋向目标结果的过程——无论目标是识别猫的图片，还是按需生成一首俳句。

训练成本较高，因为它需要大量输入数据，且所需数据量呈上升趋势。因此，混合方法（例如用有针对性的数据对基于规则的 AI 进行微调）可以在无需从头开始的情况下有效控制成本。

迁移学习（Transfer Learning）

迁移学习是指将已经训练好的 AI 模型作为起点，用于开发针对不同但通常相关任务的新模型，从而将此前训练周期中积累的知识加以复用。

迁移学习可以通过缩短模型开发周期来提升效率，在目标任务的可用数据较为有限时也尤为有用。但需要注意的是，这种方法存在局限性：依赖迁移学习获得通用能力的模型，往往还需要在额外数据上进行训练，才能在其专注的领域中表现良好。

验证损失（Validation Loss）

验证损失是一个数值，用于衡量 AI 模型在训练过程中的学习效果——数值越低越好。研究人员将其作为实时"成绩单"密切追踪，并据此决定何时停止训练、何时调整超参数，或是否需要排查潜在问题。它所帮助发现的关键问题之一是过拟合，即模型死记训练数据，而非真正学习可推广到新情境中的规律。这就像区分一个真正理解知识的学生和一个只会死背去年考题的学生——验证损失有助于揭示你的模型正在成为哪种类型。

权重（Weights）

权重是 AI 训练的核心要素，决定了训练系统所用数据中不同特征（或输入变量）被赋予的重要程度，从而塑造 AI 模型的输出结果。

换言之，权重是数值参数，定义了数据集中哪些内容对特定训练任务最为关键。它们通过对输入值进行乘法运算来发挥作用。模型训练通常以随机分配的权重为起点，随着训练的推进，权重不断调整，直至模型输出越来越接近目标结果。

举例来说，一个用于预测房价的 AI 模型，以目标地点的历史房地产数据为训练集，其权重可能涵盖卧室和浴室数量、房屋是独栋还是半独栋、是否有停车位和车库等特征。最终，模型赋予每个输入的权重，反映了该数据集中各项因素对房产价值的影响程度。

本文将随领域发展持续更新。

Q&A

Q1：大语言模型和普通 AI 有什么区别？

A：大语言模型（LLM）是由数十亿个数值参数构成的深度神经网络，能够学习词语和短语之间的关系，并构建语言的多维度表征。它通过对数十亿本书籍、文章和文字记录中规律的编码来训练生成，是 ChatGPT、Claude、Gemini 等主流 AI 助手的底层模型。与简单的规则型 AI 相比，大语言模型能够理解上下文、生成自然语言，并借助工具（如网页浏览、代码解释器）完成更复杂的任务。

Q2：AI 幻觉是怎么产生的，有办法解决吗？

A：AI 幻觉是指模型生成错误或捏造信息的现象，被认为主要源于训练数据的不足或存在知识盲区。当模型在某一领域缺乏足够的训练数据时，就可能"编造"看似合理却实为错误的内容。目前，行业正通过开发更专业化、垂直化的 AI 模型来应对这一问题，即专注于特定领域的 AI，以缩小知识缺口、降低错误信息的风险。此外，结合实时数据检索（如 RAG 技术）也是常见的缓解手段。

Q3：开源 AI 模型和闭源 AI 模型有什么区别？

A：开源 AI 模型的底层代码对外公开，任何人都可以查看、使用或修改，Meta 的 Llama 系列是典型代表。这种方式有助于加速技术进步，也允许独立机构进行安全审计。闭源模型则不对外公开代码，用户只能使用产品而无法了解其工作原理，OpenAI 的 GPT 系列模型属于此类。两种路线的利弊之争，已成为当前 AI 行业最核心的议题之一。