一份术语表真正的价值不在于它收了多少个词而在于能不能让说不同语言、看不同文档的人在同一件事上不出岔子。我带过几个从其他行业转过来做算法的同学也帮人改过简历和论文最常见的卡点从来不是模型跑不起来而是术语对不上简历上写熟悉注意力机制面试官追问 self-attention 和 cross-attention 的区别答不上来论文前半段写注意力后半段写关注度审稿人直接在意见里问这是不是一个东西团队文档里 Agent 一会儿叫代理、一会儿叫智能体三个月后新同事翻文档完全接不上线。所以我整理这份人工智能专业术语表中英文对照时标准只有一个——能不能直接拿去用。它覆盖从机器学习基础概念到大模型、具身智能、边缘计算这些前沿方向的核心词汇每一条都给出中英对照、一句话解释以及我自己踩过或者见别人踩过的翻译坑。不管你是准备面试、写毕设、做课程作业、翻译文档还是刚接手一个别人写的项目要读代码都可以当成随手查的速查本基础一般的读者也能顺着主干线看下去把概念之间的关系理清楚。1. 术语对不上比不会调模型更耽误事1.1 我见过的三类术语事故第一类是检索失效。你想查自注意力的实现细节中文搜出来的文章大多是二手转述真正讲清楚的那几篇英文原文却因为你不知道它叫 self-attention压根搜不到。术语的英文写法本身就是一把钥匙中文译名只是标签英文原名才是通行证。第二类是沟通错位。Agent 这个词就非常典型有的团队译成代理有的译成智能体还有的干脆保留英文。开会时一个人在说我们的代理层另一个人在理解成网络代理讨论半小时才发现说的不是同一件事。类似的还有 Kernel核函数 / 卷积核 / 操作系统内核、Attention注意力 / 关注度、Bias偏见 / 偏置同一个英文词在不同上下文里对应完全不同的中文。第三类是简历与论文失真。把调参写成 parameter tuning面试官会默认你在调模型权重而你想表达的其实是 hyperparameter tuning超参数调优。这两个词在英文里分得很清楚写错了就是给自己挖坑。论文里把 fine-tuning 译成精调、微调、微调训练三种写法混用审稿人第一反应就是作者对概念本身没吃透。1.2 这份表的收录逻辑高频、易混、有稳定译法术语表最容易犯的错是贪多。我见过把维基百科上几百个词一股脑抄下来的表结果真正高频的那三十个词反而埋在里面找不到。我的收录标准是三条高频在论文、官方文档、面试、项目周报里反复出现的词优先。冷门词只在它容易和常见词混淆时才收。易混同一个中文对应多个英文或者同一个英文对应多个中文的必须单独标注上下文。这是术语表最该发力的地方。有稳定译法像 Grounding、Alignment 这类中文社区还没形成统一译法的词我给你的是当前最主流的说法 常见替代说法而不是硬造一个译名。提示查术语时不要只记中文一定要把英文原名一起记住。中文译名会随着社区习惯变化英文原名基本是稳定的。下面这张表是我从实际文档和面试里总结出来的错译代价你可以对照看看自己有没有中招。常见写法想表达的意思问题所在建议写法parameter tuning调超参数parameter 通常指模型权重不是超参数hyperparameter tuning关注度机制注意力机制非主流译法容易被当成另一个概念attention mechanism代理Agent与网络代理、代理模式冲突智能体 / Agent精调Fine-tuning与微调混用读者会困惑微调 / Fine-tuning深度学习网络神经网络混淆了领域名和结构名neural network2. 主干线从人工智能到深度学习的十二个基础锚点2.1 AI、ML、DL、LLM 不是并列关系这是最基础也最容易讲乱的一组。人工智能Artificial Intelligence, AI是最大的那个圈指让机器表现出类似智能行为的所有努力机器学习Machine Learning, ML是 AI 下面的一个分支核心思路是不靠人写死规则而是让模型从数据里学规律深度学习Deep Learning, DL又是机器学习下面的分支特点是用多层神经网络自动提取特征大语言模型Large Language Model, LLM则是深度学习在自然语言方向上的一个具体产物。中文英文一句话定义人工智能Artificial Intelligence, AI让机器完成需要智能的任务的统称机器学习Machine Learning, ML从数据中自动学习规律的方法体系深度学习Deep Learning, DL用多层神经网络做表征学习的机器学习分支神经网络Neural Network, NN由大量神经元节点分层连接构成的计算结构大语言模型Large Language Model, LLM在海量文本上预训练、参数量很大的语言模型生成式人工智能Generative AI, GenAI以生成新内容文本、图像、音频为目标的一类模型理解这层包含关系有什么用至少在写项目介绍时你不会说出我们用深度学习做人工智能又用机器学习做大模型这种层级混乱的话。很多同学的毕设开题报告就是在这里失分的。2.2 五种学习范式别只会说监督学习监督学习Supervised Learning用带标签的数据训练比如给一堆图片标好是猫还是狗无监督学习Unsupervised Learning没有标签靠数据自身的结构做聚类、降维半监督学习Semi-supervised Learning是少量有标签加大量无标签自监督学习Self-supervised Learning是这几年最关键的范式转变它从数据本身构造监督信号比如把一句话中间挖掉一个词让模型去猜——大模型的预训练基本都建立在这上面强化学习Reinforcement Learning, RL则通过与环境交互、根据奖励信号调整策略来学习。这里有两个高频相关术语奖励Reward和策略Policy。强化学习常被用在机器人控制、游戏对弈、以及大模型的对齐阶段。如果你看到 RLHFReinforcement Learning from Human Feedback基于人类反馈的强化学习它就是把人类偏好当作奖励信号的一种具体做法这也是大模型能听懂人话的关键一步。2.3 训练环节参数、超参数、损失函数与梯度下降这一组词在面试里几乎必问。参数Parameters是模型自己学出来的东西比如权重矩阵里的每一个数值超参数Hyperparameters是人手设定的东西比如学习率、批大小、层数。这两者混用是新手最典型的失误。损失函数Loss Function衡量模型预测和真实答案差多远训练的目标就是把它降下来。梯度下降Gradient Descent是降低损失的主要手段计算损失对参数的梯度然后沿着梯度反方向挪一小步。学习率Learning Rate就是这一步的大小太大会震荡太小会慢得让人绝望。反向传播Backpropagation是高效计算这些梯度的算法本质上是链式法则在计算图上的应用。过拟合Overfitting指模型在训练集上表现很好、在新数据上拉胯欠拟合Underfitting则相反连训练集都学不好。缓解过拟合的常见手段包括正则化Regularization、Dropout、早停Early Stopping和增加数据量。术语表里这几个词放在一起看比单独背要清楚得多。2.4 数据侧的词汇往往被忽略做过项目的人都知道真正花时间的部分在数据。数据集Dataset通常划分为训练集Training Set、验证集Validation Set、测试集Test Set。验证集用来调超参数和选模型测试集只在最后评估一次。数据泄漏Data Leakage指的是测试集的信息以某种方式泄漏到了训练过程里比如归一化时用了全量数据的均值——这种错误会让离线指标好看得离谱上线后立刻打回原形。其他必收的词包括特征Feature、标签Label、标注Annotation / Labeling、数据增强Data Augmentation、样本Sample、类别不平衡Class Imbalance、噪声Noise。标注一致性是数据质量的核心指标之一后面讲 AI 训练师时会再展开。3. 大模型高频术语Token、嵌入、注意力与对齐3.1 文本进模型的第一步Token 与上下文窗口模型看不懂文字它只认数字。分词Tokenization就是把文本切成词元Token并映射成整数 ID 的过程负责这件事的组件叫分词器Tokenizer它依赖的映射表叫词表Vocabulary。英文里一个 token 可能是半个单词中文里常见的是按字或按常见词组切分。这件事直接影响你的成本估算API 按 token 计费上下文长度也按 token 算。from transformers import AutoTokenizer tokenizer AutoTokenizer.from_pretrained(bert-base-chinese) text 人工智能术语表 print(tokenizer.tokenize(text)) # 输出类似: [人, 工, 智, 能, 术, 语, 表] print(tokenizer.encode(text)) # 输出对应的整数 ID 序列模型真正吃进去的是这个上下文窗口Context Window指模型一次能处理的最大 token 数量。这个数字非常关键因为超出部分会被截断或者需要额外的分块策略。3.2 表征与注意力理解 Transformer 的钥匙嵌入Embedding是把离散符号词、句子、图片映射成稠密向量的过程得到的向量叫词向量/嵌入向量Embedding Vector。向量的距离可以表达语义相似度这是很多检索、聚类、推荐任务的基础。注意力机制Attention Mechanism让模型在处理某个位置时动态地参考其他位置的信息。分三个角色查询Query、键Key、值Value通过计算查询和键的相似度得到权重再对值加权求和。自注意力Self-Attention指查询、键、值都来自同一个序列交叉注意力Cross-Attention指查询来自一个序列、键和值来自另一个序列多模态模型里用它把图像信息和文本信息对齐。多头注意力Multi-Head Attention是并行做多组注意力让模型从不同子空间捕捉不同的关系。Transformer就是把注意力作为核心结构的模型架构相比循环神经网络RNN它能并行计算、长距离依赖更好。相关词还有位置编码Positional Encoding因为注意力本身没有顺序概念必须额外注入位置信息。3.3 从预训练到微调模型是怎么变得好用的预训练Pre-training是在海量通用数据上先学一个基础模型通常用自监督目标。微调Fine-tuning是在预训练模型基础上用特定任务的数据继续训练。指令微调Instruction Tuning是用指令-回答格式的数据训练模型遵循指令。LoRALow-Rank Adaptation低秩适配是一种参数高效微调方法只训练少量附加参数显存占用小、切换任务方便是目前个人开发者最常用的方案之一。对齐Alignment指让模型的行为符合人类期望RLHF 是主流做法之一。知识蒸馏Knowledge Distillation是用大模型教师模型指导小模型学生模型学习。量化Quantization是把权重从高精度压成低精度比如从 FP16 到 INT8、INT4换来更小的显存占用和更快的推理速度代价是精度可能轻微下降。剪枝Pruning则是直接去掉不重要的连接或结构。3.4 推理与应用侧Prompt、RAG 与幻觉提示Prompt是给模型的输入指令提示工程Prompt Engineering是设计提示的方法论。零样本Zero-shot指不给示例直接问少样本Few-shot指在提示里塞几个示例。思维链Chain-of-Thought, CoT是让模型分步推理的提示技巧对数学和逻辑题效果明显。检索增强生成Retrieval-Augmented Generation, RAG是先从外部知识库检索相关内容再让模型基于检索结果生成答案能显著降低胡编的概率。幻觉Hallucination指模型一本正经地生成不实内容这是当前最需要警惕的问题。涌现能力Emergent Ability描述的是模型规模超过某个量级后突然出现的能力。缩放定律Scaling Law描述模型性能与参数量、数据量、算力之间的经验关系。混合专家Mixture of Experts, MoE是每次只激活部分参数的结构用来在控制推理成本的同时扩大总参数量。智能体Agent则是让模型具备规划、调用工具、多步执行能力的一套系统。4. 最容易翻车的三十组中英对照与误译纠正4.1 一词多义同一英文在不同语境下译法完全不同这组词是术语表里最需要标注上下文的。单独把 Bias 译成偏见或者偏置都会错一半。英文语境一语境二判断依据Bias偏置神经网络里的可学习常数项偏见数据或模型层面的系统性偏差看是否与 weight 并列出现Kernel卷积核CNN 里的滑动窗口核函数SVM 里的相似度函数看模型类型Attention注意力机制名关注度权重数值看指的是结构还是数值Pooling池化降采样操作汇聚多源信息融合看是否在 CNN 语境Batch批次一次送入的样本集合批量处理方式看词性Agent智能体AI 系统代理网络或设计模式看上下文领域Token词元文本切分单位令牌鉴权凭证看是否在 NLP 语境Embedding嵌入映射动作或结果嵌入向量具体的向量看是否需要强调数值4.2 中文社区还没定下译法的词有一批词我建议中英并写甚至直接用英文因为中文译名尚未统一硬译反而增加理解成本Grounding常见译法有接地的落地锚定说的是模型输出与真实世界或事实的对应程度。文档里最好写事实接地Grounding。Alignment译对齐已经比较通用但在强化学习语境里也指策略与目标的匹配最好加一句限定。Hallucination译幻觉通用但注意它不带模型有意欺骗的含义别写成编造。Prompt译提示通用但 Prompt Engineering 译提示工程比指令工程更常见。Fine-tuning译微调最稳不要用精调微调训练混用。Scaling Law译缩放定律与规模定律并存论文里建议给出英文。Emergent译涌现但要注意它描述的是现象不是某种具体机制。注意写论文时第一次出现某个术语建议写成中文English, 缩写的格式之后统一用缩写。这样既符合规范也避免读者在不同译名之间来回猜。4.3 工程与部署类上线后才用得上的词做模型和做产品中间隔着一段工程这段里的术语也常被混淆。推理Inference指用训练好的模型做预测和训练Training是两个阶段。吞吐量Throughput指单位时间能处理的请求数延迟Latency指单个请求的响应时间这两者经常互相牵制。显存VRAM是 GPU 上的内存批大小Batch Size直接决定显存占用。边缘计算Edge Computing指把计算放到离数据源更近的设备上比如把模型部署到开发板上做本地推理好处是延迟低、数据不出本地对应概念是云端推理Cloud Inference。中文英文容易混淆的对象推理Inference与逻辑推理 Reasoning不是一回事吞吐量Throughput常与延迟一起权衡显存VRAM与内存 RAM 区别清楚量化Quantization与降采样无关剪枝Pruning与数据清洗无关边缘计算Edge Computing与分布式训练不同5. 延伸圈层具身智能、本体论这些新词该放在哪5.1 具身智能与物理 AI具身智能Embodied AI指的是让智能体拥有物理身体能在真实环境里感知、决策、行动。它和纯文本模型的差别在于必须处理连续动作、真实物理约束和实时性。相关的核心术语包括世界模型World Model即模型对环境动态的内部建模仿真到现实Sim2Real指在仿真环境训练、迁移到真实硬件视觉-语言-动作模型Vision-Language-Action, VLA把看到的画面、听到的指令直接映射成动作。你如果听到物理 AIPhysical AI它强调的是 AI 与物理世界交互这一面和具身智能高度重叠。至于除了物理 AI 还有别的 AI 吗从术语角度说这类说法都是应用侧的分类标签不是模型架构层面的分类。5.2 本体论与知识图谱老词在新语境里复活本体论Ontology在人工智能领域不是哲学概念而是对某个领域概念、属性、关系的规范化描述。它和知识图谱Knowledge Graph密切相关本体定义有哪类东西、能有什么关系知识图谱则是按这个框架填进去的具体事实。最基础的表示单位是三元组Triple形如实体—关系—实体比如北京—是首都—中国这种结构这里只是形式示意。中文英文说明本体论Ontology领域概念的规范化描述知识图谱Knowledge Graph按本体组织的事实网络三元组Triple头实体、关系、尾实体实体Entity图谱中的节点关系Relation节点之间的边实体链接Entity Linking把文本中的提及对应到图谱节点知识抽取Knowledge Extraction从非结构化文本提取结构化事实做过 RAG 的人会发现纯向量检索在涉及多跳关系的问题上效果有限知识图谱正好补这一块这也是近期本体论 大模型讨论变多的原因。5.3 AI 训练师与数据质量被低估的一环人工智能训练师这个职业的核心工作包括数据采集、清洗、标注、质检、模型效果评估与反馈。里面有一批术语值得记住标注一致性Inter-Annotator Agreement衡量不同标注者对同一批样本的判断是否一致是数据质量的关键指标数据质量评价通常看准确性、完整性、一致性、时效性和分布覆盖度偏见Bias在这里指数据分布不均导致的模型表现差异比如训练集中某类样本极少模型对这类样本的识别率就会明显偏低。数据集质量要求里有一条容易被忽略标注规范Annotation Guideline必须先写清楚再开工否则返工成本极高。我见过一个项目标注规范里对模糊样本没定义五个标注员给出五种处理方式最后这批数据全部作废重标。5.4 多模态与生成式方向多模态Multimodal指模型同时处理文本、图像、音频等多种模态。扩散模型Diffusion Model是当前图像生成的主流架构通过逐步去噪生成内容。文生图Text-to-Image、语音合成Text-to-Speech, TTS、语音识别Automatic Speech Recognition, ASR、数字人Digital Human都属于生成式人工智能的应用形态。AIGCAI-Generated Content人工智能生成内容是这一整类应用的统称。另外大作业、导论、复习、学习路线这些词虽然出现在搜索里但它们不是技术术语而是学习场景。真正影响你复习效率的是能不能把术语按基础—模型—训练—推理—应用分层整理这比按字母表排序有用得多。6. 术语表怎么用三条能落地的整理方法6.1 卡片法术语 一句话 一个反例我自己维护术语表的方式是卡片式每条包含三部分英文原名、一句话定义、一个反例或易混点。第三部分最重要因为定义很容易背混淆点才是你实际会出错的地方。举个例子- term: Hyperparameter zh: 超参数 definition: 训练前由人设定的配置项不随训练更新 counter_example: 权重 weight 是参数不是超参数别混 related: [Learning Rate, Batch Size, Early Stopping]用这种结构记一个月能稳定积累两三百条而且每条都带着我为什么差点搞错的信息比单纯背定义牢固得多。我建议按主题分组而不是按字母排序同一组词放在一起概念之间的联系会自然浮现。6.2 在代码和文档里建立中英映射习惯读开源代码时命名几乎全是英文。我的做法是遇到不熟的变量名就记下来然后对照中文文档确认它的标准译名。比如看到embeddings、attention_mask、logits、checkpoint分别对应嵌入向量、注意力掩码、未归一化的预测分数、检查点。Logits这个词中文社区经常直接说 logits 不翻译这也是可以接受的硬译成逻辑值反而没人懂。写团队文档时建议在文档开头放一小节术语约定把中英对照列出来后面全文统一用其中一种写法。这个小动作能省掉大量沟通成本尤其是跨职能团队里产品和算法一起看文档的时候。6.3 面试与论文里的中英取舍面试时的原则是名词说英文解释用中文。说我们用了 LoRA 做参数高效微调主要是显存不够比说我们使用低秩适配进行参数高效微调更自然也更专业。面试官如果追问你能用中文把原理讲清楚就说明你真的理解而不是背了译名。论文写作的原则相反第一次出现给全称和缩写之后统一。中文期刊里术语首次出现写成注意力机制Attention Mechanism后面统一用注意力机制或统一用缩写不要来回换。我审过一篇稿子同一个概念出现了注意力注意力机制关注机制三种写法读起来非常累这种情况审稿人通常会给语言需润色的意见。如果是要用 AI 助手帮忙写论文有一点必须提醒术语和定义的准确性一定要自己过一遍。助手生成的术语解释看起来很流畅但偶尔会把相近概念混在一起比如把自监督学习和无监督学习当成一回事。把这些错误带进论文比语法错误严重得多。用助手查陌生术语是可以的但核心定义要以教材或原论文为准。一份术语表放到最后最值钱的从来不是那些冷门长词而是那二三十个反复出现、看似简单、但每次都可能搞错的基础词。我把自己的术语表从最早的八十多条慢慢加到四百多条最后发现真正反复翻看的还是过拟合、超参数、自注意力、对齐这几个。如果你打算开始整理自己的版本建议先别贪多从今天这篇文章里的主干线开始把每一条的中英对照和易混点写清楚用起来比收藏一份最全列表有用得多。