AI(Artificial Intelligence)
人工智能
让机器完成感知、推理、生成与决策等通常需要人类智能的任务。
资料库 · 关键词
141 个高频术语,每个配一句话说明。其中 100 个来自原始整理,41 个为 2026 年新闻高频但原表缺失的补充词(标记“新增”)。
每天统计情报标题、摘要和 X 帖里提到了哪些关键词(含中英文别名),按周 / 月 / 季 / 年累计。云里只放本期真正被提到的词,数字就是提及次数;其余没被提到的词按类别收在下方「本期未出现」里。优先掌握的 20 个词带橙点。
人工智能
让机器完成感知、推理、生成与决策等通常需要人类智能的任务。
通用人工智能
在几乎所有认知任务上达到或超过人类水平的通用 AI,目前没有统一判定标准。
大语言模型
在海量文本上训练、按 Token 预测下一个词的大型神经网络,是当今对话 AI 的底座。
生成式 AI
能生成文本、图像、音频、视频、代码等新内容的 AI,而不只是分类或预测。
基础模型
用大规模通用数据预训练、可适配大量下游任务的大模型,如 GPT、Claude、Qwen。
多模态 AI
在一个模型里同时理解和生成文本、图像、音频、视频等多种模态。
深度学习
用多层神经网络从数据中自动学习特征的机器学习方法,现代 AI 的技术主干。
Transformer 架构
2017 年提出的注意力机制架构,几乎所有主流大模型都基于它。
神经网络
由大量带权重的“神经元”层层连接组成的计算模型,通过训练调整权重。
模型推理
训练好的模型接收输入、产出结果的过程;用户每次提问都在消耗推理算力。
词元
模型处理文本的最小单位,约等于半个到一个汉字;计费、上下文长度都按它算。
上下文窗口
模型一次能“看到”的最大 Token 数,从几千涨到百万级,决定能塞多少资料。
规模定律
模型能力随参数、数据、算力按幂律稳定提升的经验规律,驱动了算力军备竞赛。
前沿模型
能力处于业界最前沿的少数旗舰模型,也是监管与安全讨论的重点对象。
超级人工智能
在几乎所有领域显著超越最强人类的 AI,是 AGI 之后更远的设想。
提示词工程
通过设计指令、示例和格式来引导模型输出,是使用大模型的基本功。
思维链
让模型先写出中间推理步骤再给答案,显著提升复杂问题准确率。
扩散模型
从噪声逐步去噪生成图像或视频的模型,Stable Diffusion、Sora 类产品的基础。
视觉语言模型
能同时看图和读文字的模型,是多模态理解、Computer Use 的基础。
预训练
在海量无标注数据上做自监督学习,让模型获得语言与世界的通用知识。
微调
在预训练模型基础上用少量特定数据继续训练,让它适应某个任务或风格。
监督微调
用人工编写的“问题-理想回答”对来微调模型,教它按指令作答。
人类反馈强化学习
让人给模型的多个回答排序,训练奖励模型,再用强化学习让模型更符合人类偏好。
直接偏好优化
直接用偏好数据优化模型、无需单独奖励模型的对齐方法,比 RLHF 更简单稳定。
推理模型
回答前先进行较长“思考”(思维链)的模型,如 o 系列、DeepSeek-R1,擅长数学与代码。
测试时计算
推理阶段投入更多计算(多想几步、多次采样)来换取更好答案,与训练算力相对。
混合专家模型
模型由多个“专家”子网络组成,每个 Token 只激活其中少数,参数大但推理便宜。
模型量化
把模型权重从 16 位压到 8/4 位等更低精度,显著降低显存与推理成本。
模型蒸馏
用大模型(老师)的输出训练小模型(学生),让小模型以低成本逼近大模型能力。
低秩适配
只训练少量附加参数就能微调大模型的方法,成本低,开源社区最常用。
可验证奖励强化学习
用可自动判对错的任务(数学、代码测试)作为奖励来强化训练,推理模型的关键配方。
组相对策略优化
DeepSeek 提出的强化学习算法,组内比较多个回答打分,省去价值模型、训练更省。
奖励模型
给模型回答打分的模型,RLHF 中用来代表人类偏好。
开放权重
公开模型权重供下载部署,但不一定公开训练数据和代码,区别于严格开源。
小语言模型
参数在几十亿以内、可在手机或单卡运行的模型,主打低成本和隐私。
图形处理器
擅长大规模并行计算的芯片,NVIDIA GPU 是当前 AI 训练和推理的主力算力。
张量处理器
Google 自研的 AI 专用芯片,用于训练和服务 Gemini 等模型。
神经网络处理器
手机、PC 等终端里的 AI 加速单元,用于本地低功耗运行模型。
NVIDIA 并行计算平台
NVIDIA 的 GPU 编程平台和软件生态,是其最深的护城河之一。
高带宽内存
堆叠在芯片旁的高带宽显存,决定大模型能装多大、跑多快,产能紧缺。
训练集群
由成千上万张 GPU 通过高速网络互联组成的训练系统,规模即竞争力。
推理引擎
专门优化模型推理速度与吞吐的软件,如 vLLM、TensorRT-LLM、SGLang。
大模型推理框架
开源高性能 LLM 推理框架,以 PagedAttention 提升显存利用率,部署事实标准之一。
键值缓存
缓存已计算过的注意力键值,避免生成每个新 Token 时重复计算,长上下文的关键。
每秒 Token 数
每秒生成的 Token 数,衡量模型输出速度和用户体感的核心指标。
专用集成电路
为特定计算定制的芯片,如 TPU、Trainium,用来摆脱对通用 GPU 的依赖。
高速互联
NVLink、InfiniBand 等连接成千上万张 GPU 的网络,集群规模的瓶颈所在。
推测解码
小模型先快速草拟多个 Token、大模型一次性验证,在不降质量下加速生成。
首 Token 延迟
从发出请求到收到第一个 Token 的时间,决定交互是否“跟手”。
端侧 AI
在手机、PC、汽车本地运行模型,无需联网,延迟低且更隐私。
AI 数据中心
为 AI 训练推理专建的超大规模机房,电力与散热已成为最大约束。
AI 智能体
能理解目标、自主规划并调用工具完成多步任务的 AI 系统。
智能体式 AI
强调自主行动与多步执行的 AI 形态,从“回答问题”走向“完成任务”。
Agent 执行循环
Agent 的核心循环:思考 → 调用工具 → 观察结果 → 再思考,直到完成目标。
工具调用
模型输出结构化调用指令,由程序去执行搜索、读写文件、调 API 等操作。
函数调用
Tool Calling 的早期叫法:模型按 JSON Schema 输出要调用的函数和参数。
任务规划
把复杂目标拆成可执行的子步骤并安排顺序,是 Agent 可靠性的关键能力。
记忆系统
让 Agent 跨轮次、跨会话记住事实与偏好,分短期上下文与长期存储。
上下文工程
系统化地决定给模型看什么信息、以什么格式,比写提示词更进一步。
检索增强生成
先从外部知识库检索相关资料再交给模型生成,减少幻觉、接入私有知识。
模型上下文协议
Anthropic 提出的开放协议,统一 AI 应用连接外部工具和数据的方式,被称为 AI 的 USB-C。
Agent 技能
打包好的说明、脚本与资源,让 Agent 按需加载某类专业工作流程。
多智能体
多个分工不同的 Agent 协作完成任务,如规划者、执行者、审查者。
编排调度
调度多个模型、工具或 Agent 的执行顺序、并发与状态流转。
Agent 运行环境
承载 Agent 运行的环境:沙箱、工具权限、状态持久化、日志与恢复。
Agent 执行框架工程
围绕模型搭建的执行框架(提示、工具、反馈、重试),决定 Agent 实际表现。
Agent 间协议
Google 牵头的开放协议,让不同厂商的 Agent 能互相发现、委托任务和通信。
氛围编程
用自然语言描述需求、让 AI 写出大部分代码,开发者主要看效果而非逐行审代码。
规格驱动开发
先写清需求规格和验收标准,再让 Agent 按规格实现与自测。
沙箱
与主机隔离的执行环境,让 Agent 安全地运行代码、安装依赖。
深度研究
Agent 自主多轮搜索、阅读、汇总,几分钟内产出带引用的研究报告。
数据集
用于训练或评测模型的数据集合,质量与规模直接决定模型上限。
合成数据
由模型生成的训练数据,用来弥补真实数据不足,已是前沿训练标配。
数据标注
人工或半自动地为数据打标签、写答案、排序偏好,供监督训练使用。
向量嵌入
把文本、图片等映射成向量,语义相近的内容在向量空间里距离更近。
向量数据库
专门存储和快速检索向量的数据库,RAG 系统的常见底座。
语义搜索
按意思而非关键词匹配来检索内容,基于 Embedding 相似度。
知识图谱
用“实体-关系-实体”结构组织知识,便于推理和关联查询。
文本分块
把长文档切成适合检索的小段,切法直接影响 RAG 的召回质量。
重排序
对初步检索结果用更精细的模型重新排序,把最相关的放到前面。
图谱增强检索
结合知识图谱与 RAG,先抽取实体关系再检索,擅长跨文档的全局问题。
模型接口
通过 HTTP 接口按量调用模型,开发者无需自己部署。
API 网关
位于应用与多家模型 API 之间的统一入口,负责鉴权、路由、限流与计费。
模型聚合平台
一个 Key 接入多家模型的聚合平台,如 OpenRouter,方便比较与切换。
模型路由
按任务难度、价格、延迟自动挑选最合适模型的路由层。
API 代理
转发模型请求的中间层,用于统一接口、跨区访问或集中管理 Key。
故障回退
主模型失败或超时时自动切换到备用模型,保证服务可用。
负载均衡
把请求分摊到多个 Key、供应商或实例上,提升吞吐与稳定性。
速率限制
限制单位时间内的请求或 Token 数,防止超额与滥用。
可观测性
记录每次模型调用的输入、输出、延迟、成本,便于排错与优化。
自带 API Key
Bring Your Own Key:在第三方平台使用自己的模型厂商 API Key。
结构化输出
强制模型按 JSON Schema 等固定格式输出,便于程序可靠解析。
提示缓存
重复使用的长前缀只计算一次并打折计费,大幅降低 Agent 与长文档成本。
实时语音 API
支持低延迟语音进、语音出的流式接口,语音 Agent 的底层能力。
AI 副驾驶
嵌入现有软件、在旁辅助用户的 AI 助手,人始终掌控主导权。
AI 原生编辑器
以 AI 为核心重新设计的代码编辑器,如 Cursor、Windsurf。
编程智能体
能自主读代码、改多文件、跑测试、修 Bug 的编程 Agent,如 Claude Code、Codex。
云端智能体
在云端沙箱里异步运行的 Agent,完成后提交结果或 PR,可同时开多个。
计算机操作能力
让模型看屏幕截图并操作鼠标键盘,像人一样使用电脑软件。
浏览器智能体
能自主浏览网页、点击、填表、提取信息的 Agent。
语音智能体
以实时语音对话为界面的 Agent,用于客服、助理、外呼等。
AI 数字人
由 AI 生成和驱动的数字人形象,可说话、做表情,用于视频与直播。
垂直行业 AI
深耕某一行业(法律、医疗、金融等)的 AI 产品,靠行业数据与流程取胜。
AI 软件即服务
以订阅方式交付、核心功能由 AI 驱动的软件服务。
AI 搜索
直接给出综合答案并附来源的搜索方式,如 Perplexity,正在改变搜索与流量格局。
文生视频
用文字描述直接生成视频片段,如 Sora、Veo、可灵。
基准测试
用标准题目集衡量模型能力的评测基准,便于横向对比。
人类偏好评分
让用户盲比两个模型回答并投票,按 Elo 体系计算的综合排名分。
多学科知识评测
覆盖数十学科的高难度多选题评测,衡量知识广度与推理。
专家级科学问题测试
研究生水平、难以搜索作答的科学问答评测,常用其 Diamond 子集。
软件工程评测
用真实 GitHub Issue 测模型能否改代码并通过测试,编程 Agent 的核心指标。
AI 幻觉
模型自信地编造不存在的事实、引用或代码,是落地的主要风险。
安全护栏
在模型输入输出两侧加的规则与过滤,阻止有害、越权或格式错误的内容。
红队测试
组织专人模拟攻击者寻找模型的安全漏洞与滥用方式。
模型对齐
让模型的目标与行为符合人类意图与价值观的研究与工程。
模型评估体系
针对自身业务场景构建的评估集与流程,用来量化模型或 Agent 改进效果。
模型当裁判
用强模型给其他模型的输出打分,低成本扩展评测,但有偏见风险。
提示词注入
在网页、文件等外部内容里藏指令,诱导 Agent 执行非预期操作,Agent 安全头号威胁。
越狱
用特殊话术绕过模型的安全限制,让它输出本应拒绝的内容。
可解释性
研究模型内部如何表征和计算,试图看懂“黑箱”,如 Anthropic 的特征可视化。
奖励投机
模型钻奖励规则的空子拿高分却没真正完成任务,如改测试让其通过。
评测污染
测试题混进了训练数据,导致分数虚高,削弱榜单可信度。
ARC-AGI 评测
考察抽象推理和少样本泛化的视觉谜题评测,被视为衡量通用智能的风向标。
人类最后的考试
由各领域专家出题的超高难度综合评测,用来测试前沿模型的知识与推理上限。
AI 即服务
把模型能力以云服务形式出售,按调用或订阅收费。
Token 经济
以 Token 为计量单位的定价与成本体系,Token 用量即收入与成本。
推理成本
每次调用模型所花的算力费用,决定 AI 产品毛利,正快速下降。
单位经济模型
单个用户或单次任务的收入与成本结构,判断 AI 业务能否赚钱。
垂直行业软件
面向单一行业的软件,AI 正在让这一类产品重新洗牌。
AI 原生
从第一天就围绕 AI 能力设计的产品或公司,而非在旧产品上加 AI。
智能体操作系统
管理多个 Agent 的权限、记忆、工具与调度的系统层,类比操作系统。
软件工厂
由 Agent 流水线持续产出、测试和交付软件的模式。
数据护城河
独有数据带来的竞争壁垒,在模型同质化后更显重要。
AI 治理
围绕 AI 的法规、合规、审计与风险管理体系,如欧盟 AI 法案。
主权 AI
国家或地区自建算力、模型与数据体系,以掌控 AI 能力和数据主权。
智能体电商
由 AI Agent 代用户比价、下单和支付的购物方式,支付与电商巨头都在布局。
世界模型
能学习并模拟物理世界如何变化的模型,用于视频生成、机器人与规划。
物理 AI
能在物理世界感知和行动的 AI,如机器人、自动驾驶。
具身智能
拥有身体(机器人)并通过与环境交互来学习的 AI。
自主智能体
可长时间独立运行、少需人工干预完成复杂目标的 Agent。
通用智能评估
判断系统是否接近 AGI 的评测方法,如 ARC-AGI、长任务完成时长。
没有匹配的关键词。
一句话解释与新增术语由站点整理补充,供快速理解;原始 100 词及分组来自原整理对话。