人工智能术语解释

网络安全术语大全
https://wiki.bafangwy.com/doc/671

| 名词 | 英文 | 解释 |
| --- | --- | --- |
| AI | Artificial Intelligence | 人工智能。就像机器人的大脑，能让电脑或设备像人一样思考、学习和做事情，比如语音助手帮你查天气、自动驾驶汽车自己开车，都是AI在发挥作用。 |
| GPT | Generative Pre-trained Transformer | GPT是一种基于深度学习的自然语言处理模型，通过大规模文本数据的预训练，能够生成连贯、相关的文本内容，广泛应用于语言生成、翻译、问答等多种场景。由OpenAI公司开发，2025年2月27日最新发布版本是GPT-4.5。 |
| ChatGPT | Chat Generative Pre-trained Transformer | ChatGPT 是一个基于GPT技术的人工智能聊天机器人，能够通过对话理解用户的问题，并用自然语言生成回答，帮助用户完成各种语言相关的需求。由OpenAI公司在2022年11月30日推出，基于GPT-3.5架构。 |
| 生成式AI | Generative AI | 生成式AI。一种能够根据输入的提示或指令生成新内容的人工智能技术。它可以创作文本、图像、音频、视频等内容，就像一个“创作机器”，通过学习海量数据来模仿人类的创作方式 |
| AIGC | Artificial Intelligence Generated Content | 人工智能生成内容。让AI像人类一样创作出各种内容，比如写文章、画画、编曲、制作视频等 |
| 提示词 | Prompt | 用户提供给人工智能系统并期望某些结果的输入，比如输入给ChatGPT或者Midjourney 的内容。 |
| AGI | Artificial General Intelligence | 通用人工智能。是一种能够像人类一样处理各种复杂任务的智能系统。弱人工智能通常只能在特定领域（如图像识别、语言翻译或棋类游戏）表现出智能，而 AGI 的目标是具备跨领域的通用智能，能够像人类一样自主学习、推理和适应各种复杂任务，无需针对每个任务进行专门设计或训练。 |
| 智能体 | Agent | Agent就像是一个“智能助手”，它能够感知环境、做出决策并采取行动。Agent可以是简单的（比如聊天机器人），也可以是复杂的（比如自动驾驶汽车）。它们广泛应用于我们的生活和工作中，帮助我们完成各种任务。 |
|多智能体 | Multi Agent |  指由多个独立 AI 智能体相互协作、分工配合、沟通联动，共同完成单一智能体难以处理的复杂综合性任务，例如 OpenAI Five 的 5 个智能体协作击败 Dota 2 人类战队、京东金融“京小贝” 多智能体协同完成基金持仓诊断。|
|Manus|| Avatar Manus 是一款由中国团队 Monica.im 研发的通用型 AI Agent（人工智能代理），于2025年3月6日正式发布。Manus能够独立思考、规划并执行复杂任务，直接交付完整成果。Manus可以在云端自动调用浏览器、虚拟机、Python完成任务。|
| NLP | Natural Language Processing | 自然语言处理。让电脑学会理解人类的语言。比如，你和语音助手聊天，它能听懂你说的话，还能用文字或语音回答你，这就是NLP的功劳 |
| 机器学习 | Machine Learning | 机器学习就是让电脑通过数据自己“学习”规律的技术。比如，给电脑看很多猫和狗的图片，它会自动找出猫和狗的区别，以后就能自己判断新图片是猫还是狗。 |
| 深度学习 | Deep Learning | 深度学习是机器学习的一种高级方法，它通过模仿人脑的神经网络结构，让电脑能够自动学习更复杂的模式和规律。比如，它可以用来识别语音、图像，甚至预测天气，就像电脑有了更聪明的“大脑”。 |
| 神经网络 | Neural Network | 神经网络是一种模仿人脑神经细胞工作方式的计算模型。它由很多节点（像神经元）组成，这些节点相互连接，通过不断调整连接的强度来学习数据中的规律，从而完成任务 |
| Transformer架构 | | Transformer架构是一种基于编码器-解码器（Encoder-Decoder）的深度学习模型，主要用于处理序列数据，如自然语言处理中的翻译、生成等任务 |
| 数据集 | Dataset | 数据集就是一堆用来训练AI模型的数据，就像是一堆学习材料。比如一堆图片、文字或者语音记录。|
| 大数据 | Big Data | 大数据就是海量的数据集合，数据量大到普通电脑和软件很难处理。这些数据来自各种地方，比如互联网、传感器、社交媒体等。通过分析大数据，可以发现规律、趋势，帮助做决策，比如预测天气、推荐商品等。|
| 大模型 | Large Model | 大模型是指参数规模庞大（通常达到数亿甚至数千亿）的深度学习模型 |
| 参数 | Parameters | 举个简单的例子，假如有一个模型，它的任务是根据房子的面积来预测房价。模型可能会有一个规则，比如“房价 = 面积 × 某个数值 + 另一个数值”。这里的“某个数值”和“另一个数值”就是参数。模型通过学习数据（比如很多房子的面积和对应的价格），调整这些参数，让预测的结果更接近真实情况。大模型需要大量参数，这样它才能做出更准确的预测。 |
| LLM  | Large Language Model | 大型语言模型。大型语言模型（LLM，Large Language Model）是一种基于深度学习技术构建的人工智能模型，旨在理解和生成人类语言。|
| VLM | Vision Language Model | 视觉语言模型。视觉语言模型是一种多模态模型，结合了视觉（图像或视频）和语言（文本）的处理能力。它可以同时处理图像和文本输入，执行视觉问答、图像字幕生成等任务 |
| LLaMA | Large Language Model Meta AI | 大语言模型元AI。由 Meta 发布的开源大语言模型。一个有着上百亿数量级参数的大语言模型，用于大规模部署和管理机器学习H元模型|
| 推理大模型 |  | 推理大模型是指能够在传统的大语言模型基础上，强化推理、逻辑分析和决策能力的模型。它们通常具备额外的技术，比如强化学习、神经符号推理、元学习等，来增强其推理和问题解决能力。例如：DeepSeek-R1，GPT-o3在逻辑推理、数学推理和实时问题解决方面表现突出 |
| 非推理大模型 |  |  适用于大多数任务，非推理大模型一般侧重于语言生成、上下文理解和自然语言处理，而不强调深度推理能力。此类模型通常通过对大量文本数据的训练，掌握语言规律并能够生成合适的内容，但缺乏像推理模型那样复杂的推理和决策能力。例如：GPT-3、GPT-4（OpenAI），BERT（Google），主要用于语言生成、语言理解、文本分类、翻译等任务。 |
| AI幻觉 | AI hallucination | AI幻觉是指生成式人工智能在输出内容时，生成了与输入文本或真实世界知识相矛盾的事实错误或逻辑错误 |
| 多模态AI | Multimodal Al | 多模态 Al 系统能够以多种媒介处理输入并产生输出。多模态系统可以处理图像、视频、文本或声音的任何组合，而不仅仅是文本。|
| MOE | Mixture of Experts | 混合专家模型。它就像一个团队合作的系统，里面有多个“专家”，每个专家擅长处理不同类型的任务或数据。当遇到一个问题时，系统会根据问题的特点，让不同的专家来处理，或者综合多个专家的意见，最终给出一个更准确的结果。就好像一个公司里有不同部门的专家，大家一起合作解决问题一样。 |
| 数据集 | Dataset | 数据集就是给AI用来学习的“教材”，就像学生上课用的课本。AI通过这些数据学习规律，变得聪明。 |
| 词元 | Token | Token就像是语言里的“小零件”，把句子拆成一个个小块。比如，“我爱吃苹果”可以拆成“我”“爱”“吃”“苹果”四个Token。AI处理语言时，会先把它拆成这样的小块，方便理解和生成。【[Token离线计算](https://api-docs.deepseek.com/zh-cn/quick_start/token_usage "Token离线计算")】 |
| GPU | Graphics Processing Unit | GPU是图形处理器，就像电脑里的“超级助手”，专门用来处理复杂的图像和计算任务。它有很多小核心，能同时做很多事，比如玩游戏时渲染画面，或者训练AI模型时快速计算，让电脑运行得更快。它比普通的CPU更适合做复杂的数学计算，尤其是并行计算。 |
| 训练 | Training | 训练就是让AI学习的过程。就像教小孩认字，给AI很多数据，让它从中找规律、学知识，慢慢变得聪明，能完成任务 |
| 预训练模型 | Pre-trained Model | 预训练模型就是在超大的数据集上先训练好的模型，它学会了通用的知识和规律，比如语言的语法、词汇等。然后，我们可以在小数据集上对它进行微调，让它适应具体任务，比如翻译、问答等。如果AI模型从零开始学习，就像一个人从头开始学知识，那会花很多时间。预训练模型已经学了很多通用的知识，所以它可以直接拿来用，或者稍微调整一下就能完成任务。 |
| 模型基座 | Base Model | 预训练得到的结果。想象一下，你要做一个智能语音助手，比如像Siri或者小爱同学这样的产品。如果你从零开始，需要收集海量的语音数据，然后一点点地训练模型，让它能够理解语言、回答问题。这个过程非常复杂，而且需要大量的时间和资源。但有了“模型基座”之后，就好比你已经有了一个已经打好基础的房子框架。这个框架已经具备了一些基本能力，比如能听懂一些简单的话、能做基本的对话。然后你只需要在这个基础上，根据自己的需求，比如让它更懂方言、或者让它能回答一些特定领域的问题，做一些“装修”和“调整”就可以了。 |
| 微调  | Fine-tuning | 微调就是对预训练好的模型进行“再教育”，让它适应特定的任务。比如，预训练模型学会了通用语言知识，微调就是让它专门学习写新闻或者做翻译，让它更擅长这个任务。 |
| 模型蒸馏 | Model Distillation | 大模型的文件太大了，对计算机的算力要求很高。[模型蒸馏](https://news.qq.com/rain/a/20250213A06T0N00?suid=&media_id= "模型蒸馏")是一种将大模型的知识“浓缩”后传递给小模型的技术。简单来说，就像让一个“学霸老师”教出一个“学神学生”，学生模型通过模仿教师模型的输出结果，学习到类似的知识和能力。 |
| 推理 | Inference | 推理就是AI模型在训练好之后，用学到的知识去解决实际问题的过程。比如，AI学会了识别图片里的猫和狗，推理就是它看到一张新图片后，判断这是猫还是狗 |
| 超参数 | Hyperparameters | 在AI模型中，超参数就像是“控制旋钮”，用来调整模型的行为和输出。不同的超参数设置会影响模型的表现，比如生成的内容风格、准确性和多样性等。 |
| RAG | Retrieval-Augmented Generation | 检索增强生成。AI训练的数据会停留在一个时间节点，因此会出现某些信息过时的情况。RAG是一种结合检索技术和生成模型的人工智能方法。它通过从外部知识库中检索相关信息（包括搜索引擎、链接、文件），并将其作为上下文输入给大语言模型（LLM），从而增强模型在知识密集型任务中的表现 |
| MCP  | Model Context Protocol | 模型上下文协议。是由 Anthropic 公司（Claude母公司）推出的一种开放标准协议。简单来说，它就像是 AI 的“万能连接器”，可以让 AI 大模型（比如 Claude 或其他语言模型）轻松地和外部世界“握手”，连接各种数据源和工具。举个例子，假设你有一个超级聪明的机器人助手，但它只能回答问题，却没办法自己去查资料或者操作其他设备。MCP 就像是给这个机器人装了一个“万能插头”，让它可以连接到冰箱查看库存、连接到手机查看日程，或者上网查天气。 |
|GEO |Generative Engine Optimization |生成式引擎优化。针对 AI 搜索、内容生成类引擎的优化方式，通过调整内容结构、关键词与信息呈现方式，让 AI 模型能更准确地检索、理解并生成高质量内容，类似于 AI 时代的 “搜索引擎优化”。|
|OpenClaw	| 小龙虾 |开源 AI 操作框架，是 2026 年主流的智能体底层工具之一，能够让 AI 智能体直接操控电脑桌面、浏览器、应用软件与系统接口，自主完成打开软件、操作页面、处理文件等完整自动化任务。|
| Hermes Agent  | 开源自进化 AI 智能体 | 由 Nous Research 于 2026 年 2 月发布，内置学习闭环，可自主沉淀技能、跨会话持久记忆、自我优化，支持本地 / 云端部署与多平台交互，越用越懂你。 |
|Harness Engineering | 驾驭工程 |一种 AI 工程开发范式，核心是为 AI 智能体搭建权限边界、能力调度与安全运行框架，让人类从编写代码转为设计 AI 的运行规则与约束体系，保障智能体安全可靠地执行复杂任务。|
|Vibe coding | 氛围编程 |2026 年流行的 AI 辅助编程方式，开发者只需用自然语言描述大致需求与开发思路，无需详细编写代码规范，由 AI 自动生成代码并完成调试，人类仅负责方向把控与结果验收，适合快速开发原型与小工具。|
|一人公司 OPC | One Person Company	|一人公司，指由单一自然人或法人独立出资设立、独自承担经营责任的公司形式。在 AI 时代常被用来指代依靠 AI 工具、智能体高效完成原本需要团队协作的工作，一个人就能运营起一家具备完整业务能力的微型企业或工作室。|
| FDE（前沿部署工程师） | Forward Deployed Engineer	 | 前沿部署工程师（FDE）起源于 Palantir，名称源自军事前线部署概念，是融合软件开发、业务咨询、落地实施的复合型 AI 落地岗位。工程师常驻客户业务一线，打通大模型 / AI 产品从实验室 Demo 到企业生产落地的最后一环：实地梳理客户业务流程、数据规范，现场完成模型微调、RAG 知识库搭建、接口对接与落地调试，同时将一线真实痛点反向反馈给产品研发团队，沉淀为产品通用优化能力，OpenAI、Anthropic 等头部 AI 企业均已规模化设立该岗位。 |