AI术语看似高深，其实90%的常用术语都可以用生活类比讲明白。本文按「基础概念→技术原理→应用形态」三层递进，解释30个读AI资讯、用AI工具时最高频的术语，帮你建立完整的AI词汇地图。
第一层：基础概念（认识AI世界）
- AI（人工智能）：让机器完成过去需要人类智能的任务的技术总称。
- AIGC：AI生成内容（AI Generated Content），指用AI生产文字、图片、视频等。
- 大模型 / LLM（大语言模型）：用海量文本训练的超大型AI模型，如DeepSeek、GPT，是当下AI能力的核心引擎。
- AGI（通用人工智能）：在绝大多数任务上达到或超过人类的AI，目前尚未实现，是行业远景目标。
- 多模态：能同时处理文字、图片、语音、视频多种信息形式的AI能力。
- 生成式AI：能创造新内容的AI（区别于只做分类判断的分析式AI），ChatGPT开启了这一波浪潮。
第二层：技术原理（看懂AI新闻）
- Token：AI处理文字的最小单位，约等于0.5-1个汉字。API按Token计费，上下文长度也按Token计算。
- 参数：模型内部的「知识容量」指标，如千亿参数。一般参数越多能力越强，但训练和运行成本也越高。
- 训练 / 推理：训练是让模型学习知识的过程（贵，厂商做）；推理是你每次提问时模型生成回答的过程（便宜，用户用）。
- 预训练：用大语料让模型学会语言和知识的第一阶段训练。
- 微调（Fine-tuning）：在通用模型基础上，用特定领域数据再训练，得到行业专用模型（如医疗版、法律版）。
- 提示词（Prompt）：你发给AI的指令文字，是决定输出质量的关键因素。
- 上下文窗口：AI一次能「看到」的文字总量。超出窗口的早期对话内容会被「遗忘」。
- 幻觉（Hallucination）：AI编造看似合理但错误的信息。因为AI按概率生成文字而非查询事实，重要信息务必核实。
- 温度（Temperature）：控制输出随机性的参数。低温=稳定保守（适合事实问答），高温=创意发散（适合头脑风暴）。
- 开源模型：代码和权重公开、可自由下载部署的模型（如DeepSeek、通义Qwen），企业可私有化使用。
第三层：应用形态（选对AI方案）
- RAG（检索增强生成）：让AI先从你的文档库里检索相关内容，再基于检索结果回答。企业知识库问答的主流方案，能大幅减少幻觉。
- 智能体（Agent）：能自主规划步骤、调用工具完成多步任务的AI应用，如自动搜资料→写报告→发邮件。
- 工作流（Workflow）：把AI任务固化为固定的自动化流程，如「输入选题→自动成稿→自动排版」。
- 知识库：上传给AI的专属文档集合，让AI基于你的资料回答问题。
- API：让程序调用AI能力的接口，企业把AI接入自己产品的方式。
- 插件 / 工具调用：AI调用外部能力（搜索、计算器、数据库）的机制，让AI从「会说」变「会做」。
- 数字人：AI生成的虚拟形象，可自动对口型播报，用于视频和直播。
- TTS / ASR：文字转语音 / 语音转文字，配音和会议纪要场景的核心技术。
- LoRA：轻量级模型微调技术，AI绘画中用于固定人物/风格（如训练一个专属画风）。
- Embedding（向量嵌入）：把文字转成数字向量的技术，是语义搜索和知识库检索的基础。
- 蒸馏：把大模型的能力压缩进小模型的技术，让小模型更便宜更快（如DeepSeek-R1蒸馏版）。
- GEO（生成式引擎优化）：优化内容让AI搜索引擎引用和推荐你的品牌，SEO的AI时代升级版。
常见问题FAQ
普通人需要掌握多少AI术语？
日常使用AI工具，掌握本文第一、三层就够（约15个）；第二层术语在看AI资讯、评估AI方案时会频繁遇到。不需要死记硬背，遇到不懂回来查即可。
Token和字数怎么换算？
中文约1字=1-2个Token，英文约1词=1-1.5个Token。一篇2000字中文文章约3000 Token。主流模型上下文已达10万-100万Token，相当于一次读入几十页到整本书。
RAG和微调有什么区别？
简单类比：RAG是「开卷考试」（AI回答时现场翻你的资料），微调是「考前培训」（把知识训进模型里）。知识常更新选RAG，要固化专业风格/技能选微调，实际中常结合使用。
总结：术语是进入AI世界的门票。建议收藏本文，遇到生词按图索骥；真正理解术语的最好方式是动手用一次对应的工具——用过Coze就懂智能体，传过文档就懂知识库。本站AI百科将持续更新AI术语与应用知识。
