这份清单覆盖大模型、机器学习、深度学习、技术原理、行业应用全场景，从入门到进阶，解释通俗、精准、无废话，适合学习、工作、汇报直接使用。
一、大模型 & 大语言模型核心术语
1. LLM（Large Language Model）大语言模型 基于深度学习、拥有海量参数与大规模语料训练的语言模型，能理解、生成、翻译、推理人类语言，是当前AI主流形态，如GPT、文心一言、通义千问、Llama均属于LLM。
2. AGI（Artificial General Intelligence）通用人工智能 具备人类级别的全场景智能，可自主学习、跨领域解决任意问题，而非仅擅长单一任务，是AI的终极目标，目前尚未实现。 3. 基座模型（Base Model） 未经微调、在海量无标注数据上预训练完成的原始大模型，具备通用能力，是所有垂直模型的“底座”。 4. SFT（Supervised Fine-Tuning）监督微调 用标注好的优质对话/任务数据，对基座模型进行二次训练，让模型更符合人类指令、输出更规范。 5. RLHF（Reinforcement Learning from Human Feedback）基于人类反馈的强化学习 通过人类对模型回答打分、排序，让模型学习更安全、更有用、更符合人类偏好的输出方式，是主流大模型的关键优化技术。 6. RAG（Retrieval-Augmented Generation）检索增强生成 让大模型先检索外部知识库/文档，再基于检索结果生成回答，解决大模型“幻觉”、知识过时问题，是企业AI落地标配。 7. AI 幻觉（Hallucination） 大模型编造不存在的事实、数据、引用，看似合理但完全错误，是当前LLM最主要缺陷之一。 8. Prompt 提示词 用户向AI输入的指令、问题、描述，决定AI输出质量，优质提示词可大幅提升准确性、逻辑性。 9. Context Window 上下文窗口 模型一次性能接收+记住的文本长度，窗口越大，模型处理长文档、长对话的能力越强。 10. Token 令牌 AI处理文本的最小单位，中文1个Token≈0.6~0.7个汉字，英文1个Token≈4~5个字母，模型计费、长度限制均以Token计算。 11. MoE（Mixture of Experts）混合专家模型 将大模型拆分为多个“小专家模块”，输入问题时只激活对应专家，大幅降低算力消耗、提升推理速度，GPT-4、Claude 3均采用此架构。 12. 多模态大模型（Multimodal LLM） 能同时理解/生成文字、图片、音频、视频、3D的模型，打破单一文本限制，如GPT-4V、文心一格、Sora。 二、机器学习基础术语
13. AI（Artificial Intelligence）人工智能 让机器模拟人类智能（感知、推理、学习、创造、决策）的技术总称，是最大的概念范畴。 14. ML（Machine Learning）机器学习 AI的核心分支，让机器从数据中自动学习规律，无需人工编写固定规则，是AI的实现方式。 15. DL（Deep Learning）深度学习 机器学习的子集，使用多层神经网络模拟人脑结构，处理复杂任务（图像、语音、语言），大模型均属于深度学习。 16. 训练（Training） 模型学习数据规律的过程，消耗大量算力与时间，得到可使用的模型权重。 17. 推理（Inference） 模型训练完成后，接收输入并输出结果的过程（如提问→回答），速度快、成本低。 18. 数据集（Dataset） 训练模型用的数据集合，分为训练集、验证集、测试集。 19. 监督学习（Supervised Learning） 用带标签的数据训练（如输入图片+标注“猫/狗”），模型学习映射关系，用于分类、预测。 20. 无监督学习（Unsupervised Learning） 用无标签数据训练，模型自动发现数据规律（聚类、降维）。 21. 过拟合（Overfitting） 模型过度记住训练数据，在新数据上表现极差，泛化能力差。 22. 泛化能力（Generalization） 模型处理未见过的新数据的能力，是模型好坏的核心指标。 三、深度学习 & 神经网络术语
23. 神经网络（Neural Network） 模仿人脑神经元连接的计算结构，是深度学习的基础单元。 24. 参数（Parameters） 模型学习到的权重与偏差，参数越多，模型容量越强、能力越强（大模型参数通常达百亿/千亿级别）。 25. Transformer 当前所有大模型的基础架构，依靠“注意力机制”实现高效文本理解，2017年提出，彻底改变NLP与AI领域。 26. 注意力机制（Attention） 让模型重点关注输入中关键信息（如读句子时抓住核心词），提升理解效率。 27. CNN（Convolutional Neural Network）卷积神经网络 专门用于图像识别、目标检测的神经网络，如人脸识别、图片分类。 28. RNN/LSTM 循环神经网络 早期用于处理序列数据（语音、文本）的模型，现已基本被Transformer替代。 29. 预训练（Pre-training） 在大规模通用数据上先完成基础学习，得到基座模型，是大模型的第一步。 30. 微调（Fine-tuning） 在预训练模型基础上，用小批量垂直数据优化，适配特定场景（如医疗、法律、客服）。 四、AI技术应用 & 工程术语
31. NLP（Natural Language Processing）自然语言处理 让机器理解、处理、生成人类语言的技术，LLM属于NLP顶级成果。 32. ASR（Automatic Speech Recognition）自动语音识别 将语音转文字，如讯飞听见、微信语音转文字。 33. TTS（Text To Speech）文字转语音 将文字生成人声，如AI配音、导航语音、数字人播报。 34. OCR（Optical Character Recognition）光学字符识别 从图片/扫描件中提取文字，如身份证识别、文档扫描。 35. AIGC（AI Generated Content）AI生成内容 用AI自动生成文本、图片、音频、视频、代码，是当前AI最热门应用方向。 36. 文生图（Text-to-Image） 输入文字描述，AI生成对应图片，如Midjourney、Stable Diffusion、文心一格。 37. 文生视频（Text-to-Video） 输入文字生成视频，如Sora、Pika、Runway。 38. 数字人（Virtual Human） 用AI生成的虚拟人物形象，可直播、播报、交互，结合TTS+唇形同步+动作驱动。 39. API（Application Programming Interface）应用程序接口 AI模型的调用入口，开发者通过API将AI能力接入软件、APP、系统。 40. 开源模型（Open Source Model） 公开模型权重与代码，可本地部署、二次开发，如Llama、Qwen、Mistral。 41. 闭源模型（Closed Source Model） 不公开核心代码与权重，仅提供API服务，如GPT-4、文心一言、Claude。 42. 本地部署（Local Deployment） 将模型运行在自己的服务器/电脑上，不上云，数据更安全、隐私性更强。 五、AI伦理与行业概念
43. 对齐（Alignment） 让AI的行为、目标与人类价值观、利益保持一致，避免有害输出。 44. 可解释性AI（XAI） 让AI的决策可被人类理解，而非“黑箱”。 45. 算力（Computing Power） AI训练与推理的计算能力，核心依赖GPU、NPU、TPU等芯片。 46. 大模型微调（LoRA） 轻量级微调技术，仅训练少量参数，速度快、成本低，是企业垂直定制模型主流方案。 47. 全量微调（Full Fine-tuning） 微调模型全部参数，效果更好，但算力成本极高。 48. AI Agent（智能体） 能自主理解目标、规划步骤、执行任务、自主纠错的AI，无需人类逐轮干预，是下一代AI方向。 49. 知识图谱（Knowledge Graph） 用节点+关系存储结构化知识，辅助AI理解逻辑与事实，减少幻觉。 50. 零样本学习（Zero-shot Learning） 模型无需专门训练，直接完成陌生任务（如没学过法语，直接翻译法语），大模型核心能力之一。 |
