1. 我为什么要花时间整理这份AI术语表1.1 术语混乱到底会带来什么麻烦刚接触人工智能那会儿我最怕的不是数学公式而是一堆中英文混杂的名词。看论文时写着Transformer看博客时叫变换器教程里说微调另一篇又说fine-tuning。更离谱的是同一个attention有的资料译成注意力有的译成关注机制还有人干脆写成注意机制。那段时间我经常怀疑自己是不是漏学了什么直到后来才明白——不是我没学会而是术语本身就没有统一说法。这种混乱在真实工作里的代价其实很大。我见过团队开会时一个人说做个embedding另一个人理解成对文本做向量化第三个人以为是在数据库里建索引结果聊了半小时才发现三个人说的根本不是一回事。人工智能这个行业迭代太快很多词是从英文论文里直接搬过来的中文翻译又缺乏权威统一标准于是每个圈子、每家公司都形成了自己的方言。对新手来说这直接抬高了入门门槛对老手来说跨团队协作时也要反复对齐定义。更现实的问题是人工智能已经渗透到各行各业做产品的、做运营的、做教学的、做职业培训的都需要理解这些词。我整理这份中英文对照术语表的初衷就是为了把我在项目里反复遇到的核心概念按层次梳理清楚配上一句话解释和常见误区。它不是词典而更像一份带你绕开坑的地图。1.2 这份术语表的筛选标准与分层逻辑市面上很多术语表的问题在于要么堆砌几百个词条让人无从下手要么每个词只给一句翻译看完还是不知道它到底干什么用。我这次的做法不一样筛选标准有三条第一在真实项目中高频出现第二容易混淆或有中英文对应问题第三理解它之后能直接帮你读懂论文或上手工具。分层逻辑上我把它分成了六大块基础概念层、模型训练层、生成式与语言模型层、应用落地层、评价指标层、伦理与治理层。这样分层的好处是读者可以按自己的阶段挑着看——刚入门的人重点看第一、二层做应用开发的人重点看第三、四层做管理、教学、职业规划的可以重点关注第五、六层和后面的学习路径部分。提示术语的学习不要追求一次背完而是遇到一个理解一个。人工智能领域真正核心的基础术语其实不多绝大多数词都是围绕这几个核心概念衍生出来的。说到底术语是工具不是目的。真正重要的是理解每个词背后的机制和它解决的问题。下面我就按这个分层把中英文对照和实操中踩过的坑一起讲清楚。2. 基础概念层从人工智能到深度学习的谱系2.1 人工智能、机器学习、深度学习的三层关系这三个词是最容易被滥用的。很多人把人工智能当成万能标签什么都往上套结果反而说不清楚自己在做什么。我把它们的对应关系和实际含义列成下表方便对照记忆中文术语英文术语一句话解释常见误用人工智能Artificial Intelligence (AI)让机器表现出类似智能行为的总称把任何自动化都叫AI机器学习Machine Learning (ML)让机器从数据中自动学习规律的方法把规则引擎当成机器学习深度学习Deep Learning (DL)用多层神经网络进行学习的技术分支以为深度学习等于AI全部从包含关系看人工智能是最大的圈机器学习是实现它的一大类方法深度学习又是机器学习里最火的一个分支。我常打的一个比方是人工智能是让机器变聪明这个愿望机器学习是通过看例子总结规律这套办法深度学习是用很多层神经元去逼近复杂函数这种具体打法。三者是层层包含不是并列关系。这里有个实操上的坑要提醒和业务方沟通时如果你张口就说我们要上人工智能对方脑子里想的可能是科幻电影里的机器人但如果你说我们想用机器学习模型预测用户流失概率对方的预期就具体了。用什么词决定了别人对你的预期。这也是我坚持整理中英文对照的原因——准确用词本身就是一种专业能力。2.2 神经网络与常见架构术语对照神经网络Neural Network, NN是深度学习的核心结构但它的衍生架构多到让人眼花。我挑几个绕不开的整理出来这些在做图像识别、文本处理、时序预测时都会碰到。卷积神经网络Convolutional Neural Network, CNN擅长处理图像核心是卷积核滑动提取局部特征。我做过一个猫狗识别的课程作业就是典型场景这个任务几乎成了深度学习的Hello World。循环神经网络Recurrent Neural Network, RNN擅长处理序列数据比如文本、时间序列但它有个致命问题——长序列容易遗忘也就是梯度消失。长短期记忆网络Long Short-Term Memory, LSTMRNN的改良版通过门控机制缓解遗忘问题曾经是机器翻译的主力现在部分场景已被Transformer取代。变换器Transformer当前大模型的基石核心是自注意力机制Self-Attention能并行处理整个序列训练效率远超RNN。注意力机制Attention Mechanism让模型在处理某个位置时能关注到序列中其他相关位置。别把它和Transformer混为一谈注意力是机制Transformer是架构。这里我要重点说一下注意力这个翻译。英文attention在认知科学里本来就译作注意力但在模型语境里它更像是一种加权关联的计算。所以当我看到有人把self-attention译成自关注时其实也不无道理。理解它的关键不在中文名叫什么而在于它做的事给定一个查询Query去和一堆键Key算相似度用相似度当权重去加权对应的值Value。这套QKV逻辑是读懂现代大模型的必经之路我建议每个想深入的人都要亲手推导一遍。注意CNNs、RNNs、Transformers这些缩写正式文档里首次出现时最好给全称。我见过有人全程写CNN结果新人以为在说某个电视频道。3. 模型训练与优化核心术语3.1 训练流程相关术语模型训练这套流程的术语是新人最容易每个字都认识连起来看不懂的重灾区。我把训练一趟完整流程里的关键词按顺序串起来讲。先是**数据集Dataset**划分训练集Training Set、验证集Validation Set、测试集Test Set。很多人分不清后两者的区别我举个例子训练集是平时做的练习题验证集是月考用来调参数测试集是高考只用一次做最终评定。如果用测试集反复调参那就等于泄题了指标会虚高。然后进入训练循环几个核心参数必须搞懂轮次Epoch把整个训练集完整过一遍叫一个epoch。跑太多会过拟合跑太少会欠拟合。批次大小Batch Size每次喂给模型多少条数据。批次太小训练不稳太大显存吃不消。这个值和你显卡显存直接挂钩我一般会从显存允许的最大值往下试。学习率Learning Rate, LR控制每次参数更新的步长。这是最需要调的参数之一太大容易跳过最优解而震荡太小则收敛慢得让人抓狂。损失函数Loss Function衡量模型预测和真实答案差多少。回归常用均方误差MSE分类常用交叉熵Cross-Entropy。梯度下降Gradient Descent沿损失下降的方向更新参数的算法。它和反向传播Backpropagation是一对搭档——反向传播算梯度梯度下降用梯度更新。过拟合Overfitting与欠拟合Underfitting前者是死记硬背训练集测试时拉胯后者是没学明白训练测试都差。我记得第一次调学习率时设了个0.1损失曲线像心电图一样上下乱跳怎么都降不下去。后来降到0.001才平稳收敛。这个经历让我理解了一件事学习率不是越大越好也不是有标准答案它和你的模型结构、批次大小都相关。经验做法是先用一个适中值跑几百步观察损失曲线再决定放大还是缩小。3.2 优化与正则化术语训练不只是往下走还要防止走偏。正则化Regularization就是防止过拟合的一系列手段常见术语包括权重衰减Weight Decay在损失里加一项惩罚抑制参数变得过大。Dropout训练时随机丢弃一部分神经元强迫模型不依赖某个特定路径类似让团队里每个人都得能独当一面。批归一化Batch Normalization, BN对每一批数据做归一化加速训练、提升稳定性。早停Early Stopping验证集损失不再下降就停避免白跑和过拟合。这几个手段我在实际项目里几乎都会组合使用但要注意它们不是越多越好。有一次我同时加了BN、Dropout和权重衰减结果模型训练极慢验证效果反而变差。后来逐个排查发现是Dropout和BN在小批量场景下互相干扰。这类经验书上很少写都是踩坑踩出来的。3.3 大模型训练范式术语进入大模型时代训练这件事被拆成了几个阶段术语也跟着变了。这套范式不理解就很难看懂现在的技术报告中文术语英文术语含义预训练Pre-training在海量通用数据上先学一个基础模型微调Fine-tuning在特定任务数据上继续训练让模型适配场景指令微调Instruction Tuning用指令-回答数据训练让模型学会听指令人类反馈强化学习RLHF用人类偏好数据来优化模型输出对齐Alignment让模型行为符合人类价值观和预期蒸馏Distillation用大模型教小模型把能力压缩过去我特别想强调预训练和微调的区别。预训练像是让一个学生通读百科全书成本极高微调像是针对某门考试做专项冲刺成本相对低。所以现在大多数团队不会从零预训练而是在开源基础模型上做微调这是性价比最高的路线。另外RLHF这个词在实际工作中经常被简化成偏好对齐但它的流程其实很绕先收集人类对多个回答的排序训练一个奖励模型Reward Model再用强化学习去优化主模型。理解这三步你才能明白为什么大模型能学会说人话。4. 生成式AI与大语言模型术语4.1 大模型基础术语生成式人工智能Generative AI这波浪潮带来了一批新的核心词。这些词现在几乎天天出现在新闻、招聘要求和产品文档里不搞懂会直接影响你读资料和面试。大语言模型Large Language Model, LLM参数规模大、在海量文本上训练的语言模型。词元Token模型处理文本的最小单位。注意一个英文单词可能对应多个token一个汉字通常对应1到2个token。计费、上下文长度都按token算。嵌入Embedding把文本、图片等转换成稠密向量让语义相近的内容在向量空间里距离更近。RAG、搜索、推荐都依赖它。上下文窗口Context Window模型一次能看到的token上限。窗口越大能塞进去的资料越多但成本和显存要求也越高。幻觉Hallucination模型一本正经地编造不实内容。这是当前落地最大的坑之一。提示Prompt你给模型的输入指令。提示工程Prompt Engineering就是研究怎么写好这个指令。这里我讲个真实体会。做论文写作辅助工具时我最头疼的就是幻觉。模型会把不存在的文献编得有模有样作者、年份、期刊一应俱全。后来我们的做法是加入检索环节让模型基于给定材料回答并强制要求标注来源。这说明一个道理术语背后往往对应着具体的工程难题理解术语就是理解难题。4.2 提示工程与推理相关术语提示工程这块术语更新特别快我给你整理几个真正有用、不是炒作的零样本提示Zero-shot Prompting不给例子直接让模型做。少样本提示Few-shot Prompting给几个示例让模型照着学。思维链Chain-of-Thought, CoT让模型一步步想显著提升推理任务表现。思维树Tree of Thoughts, ToT在思维链基础上做多路径探索和回溯。检索增强生成Retrieval-Augmented Generation, RAG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能有效缓解幻觉。关于RAG我要多说一句。它看起来简单——检索加生成但实际做起来坑很多切块Chunking策略、检索器Retriever选型、重排序Rerank、上下文拼接方式每一步都会影响最终效果。我见过不少团队以为接入RAG就万事大吉结果检索到一堆不相关的内容模型被带偏得更厉害。RAG的核心不在生成而在检索质量这是很多团队的认知盲区。另外热搜里出现的具身智能Embodied Intelligence指的是让智能体拥有物理身体能在真实环境中感知和行动。它和纯软件大模型是两条路线前者对数据集质量、实时性、硬件的要求都高得多。理解这个概念有助于你判断哪些项目是真做机器人的哪些只是套了个热词。5. 应用落地层RAG、Agent与多模态5.1 检索增强与智能体术语到了落地阶段术语就从模型内部转向系统怎么搭。这块最热的两个词是RAG和Agent我把相关的都列出来。智能体Agent能自主规划、调用工具、执行多步任务的系统。它和大模型的区别在于大模型只说Agent会做。工具调用Tool Use / Function Calling让模型调用外部函数或API比如查天气、查数据库。多智能体Multi-Agent多个Agent分工协作比如一个负责检索、一个负责写作、一个负责审核。向量数据库Vector Database专门存储和检索向量数据的数据库RAG的标配组件。重排序Rerank对初步检索结果做二次精排提升相关性。我做过一个多智能体写作助手的小项目最大的感受是智能体系统的难点不在单个Agent的能力而在于它们之间的协调。谁负责决策、谁负责执行、失败怎么回退、信息怎么共享这些工程问题比调用模型本身复杂得多。如果你要上手Agent我建议先从单工具调用的简单场景做起别一上来就搞多智能体。5.2 多模态与边缘部署术语人工智能不只处理文字。多模态Multimodal指的是同时处理文本、图像、音频、视频等多种模态。相关术语包括多模态大模型Multimodal LLM能同时理解文字和图像的模型。视觉语言模型Vision-Language Model, VLM专注图文联合理解。计算机视觉Computer Vision, CV让机器看懂图像的传统分支。自然语言处理Natural Language Processing, NLP让机器理解和生成人类语言。还有一个和硬件强相关的方向——边缘计算Edge Computing。它指的是把计算放到离数据近的设备上而不是全传到云端。热搜里提到的边缘计算开发实战常涉及在嵌入式设备上跑模型这对模型的体积和功耗要求极高于是又衍生出量化Quantization、剪枝Pruning等模型压缩术语。我在做端侧部署时最深的体会是云端能跑的模型端上不一定跑得动算力、内存、散热都是硬约束必须做针对性的裁剪和优化。6. 评价指标与伦理治理术语6.1 模型评价指标模型好不好不能靠感觉得靠指标。分类和生成任务用的指标不一样我分开说。分类任务常用指标中文术语英文术语含义准确率Accuracy预测对的比例类别不平衡时会失真精确率Precision预测为正的里面真正为正的比例召回率Recall真正为正的被预测出来的比例F1值F1 Score精确率和召回率的调和平均混淆矩阵Confusion Matrix各分类预测情况的矩阵展示生成任务常用指标困惑度Perplexity, PPL衡量语言模型预测文本的不确定程度越低越好。BLEU机器翻译常用对比生成文本和参考文本的重合度。ROUGE摘要任务常用侧重召回。这里有个特别容易踩的坑在类别极不平衡的数据集上准确率会骗人。比如1000个样本里990个是负类你全预测负类也有99%的准确率但模型其实什么也没学到。所以务必结合精确率、召回率、F1一起看。这是我做分类项目时最早踩的坑也是最值得反复提醒的。6.2 AI偏见与治理相关术语技术词之外还有一批治理和伦理相关的术语做落地的人不能不知道。人工智能偏见AI Bias模型因训练数据或设计缺陷而对特定群体产生系统性偏差。可解释性Explainability能说清楚模型为什么做出某个判断。数据标注Data Annotation给数据打标签是训练和评测的基础。数据质量Data Quality数据的准确性、完整性、一致性。做具身智能数据集时质量要求尤其高。人工智能训练师AI Trainer负责数据标注、模型调优、效果评估等工作的专业岗位。认知债务Cognitive Debt过度依赖AI辅助而导致的自身能力退化。写论文时把思考全交给AI短期省事长期是债务。说到训练师这个职业近几年热度很高还出现了分级认证。它的核心工作其实不神秘就是围绕数据做文章标注、清洗、评估、迭代。但正是这些脏活累活决定了模型的上限。我做项目时的经验是数据质量每提升一档模型效果的提升往往比换更复杂的模型更明显。这也是为什么这个岗位越来越被重视。至于认知债务这个说法我觉得特别值得从业者警惕。工具越强人越要清楚哪些思考必须自己完成。AI可以帮你查资料、改语法、理结构但问题意识、判断力、原创观点这些必须自己长出来否则就是在透支未来。7. 术语学习路径与常见踩坑建议7.1 分阶段的学习路线术语表不是拿来背的而是拿来按需取用的。根据我带新人和自学的经验我整理了一条相对稳妥的路线按阶段走不容易乱。第一阶段打基础。重点掌握人工智能、机器学习、深度学习、神经网络、CNN、RNN、Transformer这七八个词。这个阶段不用纠结每个数学细节先把谁包含谁、各自解决什么问题理清。推荐做法是找一个小任务比如猫狗识别亲手跑一遍完整流程术语在跑的过程中自然就记住了。第二阶段抓训练。重点搞懂Epoch、Batch Size、学习率、损失函数、过拟合、正则化。这一步我强烈建议动手调参看损失曲线怎么变。看一百遍定义不如自己调一次参数。第三阶段进大模型。掌握LLM、Token、Embedding、Prompt、RAG、Agent、Fine-tuning、RLHF。这个阶段最好的方式是用现成的API做一个小应用比如做一个基于文档的问答助手RAG相关的术语会在做的过程中一个个冒出来。第四阶段看指标和治理。掌握F1、精确率、召回率、幻觉、偏见、数据质量。做到这一步你基本能和团队里任何角色顺畅对话了。7.2 中英文对照里最容易搞混的几组词最后分享几组我见过最多人搞混的术语用表格对照一下能帮你少绕很多弯路。容易混淆的一组区别要点AI / ML / DL层层包含不是并列Attention / Transformer前者是机制后者是架构Pre-training / Fine-tuning前者通用打底后者专项适配Accuracy / Precision / Recall不平衡数据下必须一起看Token / Word一个词可能对应多个tokenEmbedding / Vector Database前者是向量化方法后者是存储检索工具Hallucination / Error幻觉是自信地编造不是普通错误我个人在实际操作中的体会是术语混乱的根源往往不是英文难而是中文翻译不统一加上语境缺失。解决它的办法不是背单词而是把每个术语放回它诞生的场景里去理解——它为什么被提出解决了什么问题和相邻概念的区别在哪。想清楚这三件事术语就真正变成你的工具了。如果这份整理能让你在读论文、做项目、和团队沟通时少一点这词到底啥意思的困惑那花的时间就值了。你完全可以在我的分层基础上按自己的方向继续增补比如做医疗AI的加一组医学影像术语做金融风控的加一组风险指标——术语表是活的会随着你的项目一起生长。