一、基础概念
- AI（Artificial Intelligence）：人工智能，让机器模拟人类智能行为。
- AGI（Artificial General Intelligence）：通用人工智能，具备人类级别的通用智能。
- ML（Machine Learning）：机器学习，让机器从数据中学习规律。
- DL（Deep Learning）：深度学习，基于深度神经网络的机器学习。
- Data Mining：数据挖掘，从大量数据中发现模式、规律。
- Algorithm：算法，解决问题的计算步骤与逻辑。
- Model：模型，学习数据后得到的可预测 / 生成函数。
二、机器学习基础
- Dataset：数据集，训练 / 测试用的数据集合。
- Training：训练，用数据更新模型参数。
- Inference：推理，模型训练完后做预测 / 生成。
- Feature：特征，输入给模型的有效信息。
- Label：标签，监督学习中的目标输出。
- Supervised Learning：监督学习，有标签数据训练。
- Unsupervised Learning：无监督学习，无标签，自动找结构。
- Semi-supervised Learning：半监督学习。
- Reinforcement Learning（RL）：强化学习，通过奖励 / 惩罚学习策略。
- Overfitting：过拟合，在训练集表现好，泛化差。
- Underfitting：欠拟合，模型太简单，没学到规律。
- Generalization：泛化能力，模型处理新数据的能力。
- Classification：分类，预测类别。
- Regression：回归，预测连续数值。
- Clustering：聚类，无监督分组。
三、深度学习 & 神经网络
- Neural Network：神经网络，模拟人脑结构的计算模型。
- Neuron/Unit：神经元，网络基本单元。
- Layer：层，输入层、隐藏层、输出层。
- Weight：权重，模型学习的参数。
- Bias：偏置，调整输出的偏移量。
- Activation Function：激活函数（ReLU、Sigmoid、Tanh）。
- Loss Function：损失函数，衡量预测误差。
- Optimizer：优化器，更新参数（SGD、Adam）。
- Backpropagation：反向传播，计算梯度更新权重。
- CNN（Convolutional Neural Network）：卷积神经网络，用于图像。
- RNN（Recurrent Neural Network）：循环神经网络，处理序列。
- LSTM/GRU：改进型 RNN，解决长序列遗忘问题。
- Transformer：当前大模型主流架构，基于自注意力。
- Attention：注意力机制，聚焦重要信息。
- Self-Attention：自注意力，Transformer 核心。
- Encoder-Decoder：编码 – 解码结构，常用于翻译、生成。
四、大模型 & LLM 术语
- LLM（Large Language Model）：大语言模型。
- Foundation Model：基础模型，预训练后可适配多任务。
- Pre-training：预训练，在海量数据上初步训练。
- Fine-tuning：微调，在特定数据上继续训练。
- Parameter：参数，模型规模单位（B = 十亿）。
- Context Window：上下文窗口，能处理的文本长度。
- Prompt：提示词，给模型的输入指令。
- Prompt Engineering：提示词工程。
- Few-shot / One-shot / Zero-shot：小样本 / 单样本 / 零样本学习。
- Hallucination：幻觉，模型编造不存在事实。
- Temperature：温度系数，控制生成随机性。
- Token：词元，模型处理文字的最小单位。
- Embedding：向量 / 嵌入，把内容转为数值向量。
- RAG（Retrieval-Augmented Generation）：检索增强生成。
五、AI Agent 智能体系
- AI Agent：智能体，能自主感知、规划、执行、反思的 AI。
- Skill：技能，Agent 可调用的功能模块（总结、翻译、生成等）。
- Tool：工具，外部能力（搜索、API、数据库、计算器）。
- Function Calling：函数调用，LLM 自主调用工具 / 技能的机制。
- Task Decomposition：任务拆解，把复杂任务拆成步骤。
- Planning：规划，Agent 制定执行步骤。
- Memory：记忆（短期 / 长期 / 上下文记忆）。
- Reflection：反思，自我检查、纠错、迭代。
- Action：动作，Agent 对外执行的操作。
- Observation：观测，获取环境 / 工具返回结果。
- Goal-oriented：目标驱动，以完成目标为导向。
- Multi-Agent：多智能体，多个 Agent 协作。
- Autonomous Agent：自主智能体，可无人干预运行。
六、MCP 模型控制平面
- MCP（Model Control Plane）：模型控制平面，AI 系统调度中心。
- Model Routing：模型路由，自动选择最优模型。
- Orchestration：编排，调度 Agent、工具、流程。
- Gateway：网关，统一入口、鉴权、限流。
- Load Balance：负载均衡。
- Monitoring：监控，耗时、调用量、异常。
- Audit Log：审计日志。
- Policy Control：策略控制，权限、安全、合规。
- Quota Management：配额 / 成本管理。
七、自然语言处理 NLP
- NLP（Natural Language Processing）：自然语言处理。
- NLU（Natural Language Understanding）：自然语言理解。
- NLG（Natural Language Generation）：自然语言生成。
- ASR（Automatic Speech Recognition）：语音转文字。
- TTS（Text To Speech）：文字转语音。
- OCR：光学字符识别，图片转文字。
- NER（Named Entity Recognition）：命名实体识别。
- Sentiment Analysis：情感分析。
- Machine Translation：机器翻译。
- Summarization：摘要生成。
八、计算机视觉 & 多模态
- CV（Computer Vision）：计算机视觉。
- Image Generation：图像生成。
- Diffusion Model：扩散模型，画图主流技术。
- Object Detection：目标检测。
- Segmentation：图像分割。
- Facial Recognition：人脸识别。
- Multi-Modal：多模态，同时处理文本、图像、音频、视频。
- AIGC（AI Generated Content）：AI 生成内容。
九、AI 工程与部署
- Model Quantization：模型量化，变小、变快。
- Model Distillation：模型蒸馏，大模型教小模型。
- Pruning：模型剪枝，去掉冗余参数。
- Inference Engine：推理引擎。
- GPU/TPU：加速 AI 计算的芯片。
- Tensor：张量，深度学习基础数据结构。
- Pipeline：流水线，多步骤串联执行。
- Low Latency：低延迟。
- High Throughput：高吞吐。
十、安全 & 伦理
- Alignment：对齐，让 AI 符合人类意图。
- Bias：偏见，模型学到歧视性内容。
- Privacy：隐私，数据脱敏、联邦学习。
- Federated Learning：联邦学习，数据不出本地。
- Jailbreak：越狱，诱导 AI 违规输出。
- Safety Guardrail：安全护栏。
- Explainable AI（XAI）：可解释 AI。
