AI高频词汇
疯狂的石头czx
·
2026-05-14
·
via 博客园_首页
AI高频术语词典
本词典涵盖AI领域100+核心术语，按分类整理，包含简称、全称、IPA音标及通俗解释。
适用场景：学习参考、文档附录、团队培训
一、基础概念
| 简称 |
全称 |
全称读音（IPA） |
通俗解释 |
| AI |
Artificial Intelligence |
/ˌɑːrtɪˈfɪʃəl ɪnˈtelɪdʒəns/ |
让机器模仿人类智能的系统，能看、听、说、决策 |
| AGI |
Artificial General Intelligence |
/ˌɑːrtɪˈfɪʃəl ˈdʒenrəl ɪnˈtelɪdʒəns/ |
通用人工智能，在大多数认知任务上达到或超越人类水平的AI |
| ANI |
Artificial Narrow Intelligence |
/ˌɑːrtɪˈfɪʃəl ˈnæroʊ ɪnˈtelɪdʒəns/ |
弱人工智能，只在特定任务上表现优秀（如下棋、识图） |
| ML |
Machine Learning |
/məˈʃiːn ˈlɜːrnɪŋ/ |
机器学习，让机器通过数据自主学习，而非靠硬编码规则 |
| DL |
Deep Learning |
/diːp ˈlɜːrnɪŋ/ |
深度学习，使用多层神经网络的机器学习子集，擅长图像/语音 |
| NLP |
Natural Language Processing |
/ˈnætʃərəl ˈlæŋɡwɪdʒ ˈprɑːsesɪŋ/ |
自然语言处理，让计算机理解和生成人类语言的技术 |
| NLU |
Natural Language Understanding |
/ˈnætʃərəl ˈlæŋɡwɪdʒ ˌʌndərˈstændɪŋ/ |
自然语言理解，NLP的子领域，侧重理解语义和意图 |
| NLG |
Natural Language Generation |
/ˈnætʃərəl ˈlæŋɡwɪdʒ ˌdʒenəˈreɪʃən/ |
自然语言生成，NLP的子领域，侧重生成人类可读的文本 |
| GenAI |
Generative AI |
/ˈdʒenərətɪv eɪ aɪ/ |
生成式AI，能创造新内容（文字/图片/音视频）的AI分支 |
| CV |
Computer Vision |
/kəmˈpjuːtər ˈvɪʒən/ |
计算机视觉，让机器理解和处理图像/视频的技术 |
| DS |
Data Science |
/ˈdeɪtə ˈsaɪəns/ |
数据科学，从数据中提取洞察和知识的跨学科领域 |
| DA |
Data Analytics |
/ˈdeɪtə əˈnælətɪks/ |
数据分析，检查、清洗和建模数据以发现有用信息 |
二、模型架构
| 简称 |
全称 |
全称读音（IPA） |
通俗解释 |
| LLM |
Large Language Model |
/lɑːrdʒ ˈlæŋɡwɪdʒ ˈmɑːdəl/ |
大语言模型，ChatGPT等AI助手的核心技术 |
| Transformer |
Transformer |
/trænsˈfɔːrmər/ |
几乎所有现代大模型的基础架构，核心是「自注意力」机制 |
| BERT |
Bidirectional Encoder Representations from Transformers |
/ˌbaɪdɪˈrekʃənl ɪnˈkoʊdər ˌreprɪzenˈteɪʃənz frəm trænsˈfɔːrmərz/ |
谷歌出品的双向编码器模型，擅长「理解」类任务 |
| GPT |
Generative Pre-trained Transformer |
/ˈdʒenərətɪv priː ˈtreɪnd trænsˈfɔːrmər/ |
OpenAI的生成式模型系列，擅长「续写」和对话 |
| MoE |
Mixture of Experts |
/ˈmɪkstʃər əv ˈekspɜːrts/ |
混合专家模型，只激活部分参数推理，效率更高 |
| ANN |
Artificial Neural Network |
/ˌɑːrtɪˈfɪʃəl ˈnʊrəl ˈnetwɜːrk/ |
人工神经网络，模拟生物神经元的计算结构 |
| CNN |
Convolutional Neural Network |
/kənˈvɑːlʊʃənl ˈnʊrəl ˈnetwɜːrk/ |
卷积神经网络，擅长处理图像数据的网络结构 |
| RNN |
Recurrent Neural Network |
/rɪˈkɜːrənt ˈnʊrəl ˈnetwɜːrk/ |
循环神经网络，擅长处理序列数据（如文本、时间序列） |
| GAN |
Generative Adversarial Network |
/ˈdʒenərətɪv ˌædvərˈseərɪəl ˈnetwɜːrk/ |
生成对抗网络，生成器与判别器相互博弈来提升效果 |
| VAE |
Variational Autoencoder |
/ˌveriˈeɪʃənl ˌɔːtoʊɪnˈkoʊdər/ |
变分自编码器，用于生成和表示学习的生成模型 |
| Diffusion Model |
Diffusion Model |
/dɪˈfjuːʒən ˈmɑːdəl/ |
扩散模型，通过「去噪」生成图像/视频的核心技术 |
| Foundation Model |
Foundation Model |
/faʊnˈdeɪʃən ˈmɑːdəl/ |
基础模型，在大规模数据上预训练、可适配多种任务的模型 |
| Agent |
AI Agent |
/eɪ aɪ ˈeɪdʒənt/ |
AI智能体，能自主执行多步骤任务的AI系统 |
三、训练方法
| 简称 |
全称 |
全称读音（IPA） |
通俗解释 |
| Training |
Training |
/ˈtreɪnɪŋ/ |
训练，让模型从数据中学习规律的过程 |
| Inference |
Inference |
/ˈɪnfərəns/ |
推理，使用训练好的模型对新数据进行预测的过程 |
| SFT |
Supervised Fine-Tuning |
/ˈsuːpərvaɪzd ˈfaɪn ˈtuːnɪŋ/ |
监督微调，用标注数据对预训练模型进行针对性优化 |
| RL |
Reinforcement Learning |
/ˌriːɪnˈfɔːrsmənt ˈlɜːrnɪŋ/ |
强化学习，通过试错和奖励反馈来学习最优策略 |
| RLHF |
Reinforcement Learning from Human Feedback |
/ˌriːɪnˈfɔːrsmənt ˈlɜːrnɪŋ frəm ˈhjuːmən ˈfiːdbæk/ |
人类反馈强化学习，让模型学习人类偏好，ChatGPT成功的关键 |
| DPO |
Direct Preference Optimization |
/dɪˈrekt ˈprefrəns ˌɑːptɪmaɪˈzeɪʃən/ |
直接偏好优化，RLHF的简化替代方案 |
| LoRA |
Low-Rank Adaptation |
/loʊ ræŋk ˌædæpˈteɪʃən/ |
低秩适应，极省显存的微调方法 |
| RAG |
Retrieval-Augmented Generation |
/rɪˈtriːvəl ɔːɡˈmentɪd ˌdʒenəˈreɪʃən/ |
检索增强生成，先搜资料库再回答，解决幻觉问题 |
| CoT |
Chain of Thought |
/tʃeɪn əv θɔːt/ |
思维链，让模型分步推理，提高逻辑正确率 |
| Distillation |
Knowledge Distillation |
/ˈnɑːlɪdʒ ˌdɪstɪˈleɪʃən/ |
知识蒸馏，用大模型教小模型，实现模型轻量化 |
| Instruction Tuning |
Instruction Tuning |
/ɪnˈstrʌkʃən ˈtuːnɪŋ/ |
指令微调，训练模型理解并遵循人类指令 |
| Transfer Learning |
Transfer Learning |
/trænsˈfɜːr ˈlɜːrnɪŋ/ |
迁移学习，将已学知识应用到新任务上 |
| Self-Supervised Learning |
Self-Supervised Learning |
/self ˈsuːpərvaɪzd ˈlɜːrnɪŋ/ |
自监督学习，从数据自身构造监督信号进行学习 |
| AutoML |
Automated Machine Learning |
/ˈɔːtəmeɪtɪd məˈʃiːn ˈlɜːrnɪŋ/ |
自动化机器学习，自动完成模型选择和超参数调优 |
四、评估指标
| 简称 |
全称 |
全称读音（IPA） |
通俗解释 |
| Accuracy |
Accuracy |
/ˈækjərəsi/ |
准确率，分类正确的样本占总样本的比例 |
| Precision |
Precision |
/prɪˈsɪʒən/ |
精确率，预测为正的样本中实际为正的比例 |
| Recall |
Recall |
/rɪˈkɔːl/ |
召回率，实际为正的样本中被正确预测的比例 |
| F1 Score |
F1 Score |
/ef wʌn skɔːr/ |
F1分数，精确率和召回率的调和平均数 |
| BLEU |
BLEU |
/bluː/ |
双语评估替补，机器翻译质量的自动评估指标 |
| ROUGE |
ROUGE |
/ruːʒ/ |
面向召回，文本摘要质量的评估指标 |
| Benchmark |
Benchmark |
/ˈbentʃmɑːrk/ |
基准测试，用于评估AI模型性能的标准任务和数据集 |
| Cross-Validation |
Cross-Validation |
/krɔːs ˌvælɪˈdeɪʃən/ |
交叉验证，将数据集分成多份轮流训练和验证 |
| Overfitting |
Overfitting |
/ˌoʊvərˈfɪtɪŋ/ |
过拟合，模型过度学习训练数据，在新数据上表现差 |
| Underfitting |
Underfitting |
/ˌʌndərˈfɪtɪŋ/ |
欠拟合，模型未能学习到数据中的规律 |
五、输入输出
| 简称 |
全称 |
全称读音（IPA） |
通俗解释 |
| Token |
Token |
/ˈtoʊkən/ |
词元/标记，模型处理的最小文本单位 |
| Prompt |
Prompt |
/prɑːmpt/ |
提示/指令，用户输入给模型的问题或描述 |
| Completion |
Completion |
/kəmˈpliːʃən/ |
补全/回答，模型输出的结果文本 |
| Context |
Context Window |
/ˈkɑːntekst ˈwɪndoʊ/ |
上下文窗口，模型一次能处理的最大token数量 |
| Hallucination |
Hallucination |
/həˌluːsɪˈneɪʃən/ |
幻觉，模型编造不存在的事实 |
| Embedding |
Embedding |
/ɪmˈbedɪŋ/ |
嵌入/向量化，将文字/图像转为数学向量 |
| Parameters |
Parameters |
/pəˈræmɪtərz/ |
参数，模型中可学习的权重，规模用B（十亿）表示 |
| Attention |
Attention Mechanism |
/əˈtenʃən ˈmekənɪzəm/ |
注意力机制，让模型关注输入中的重要部分 |
| Cache |
KV Cache |
/keɪʃ/ |
键值缓存，存储中间计算结果以加速推理 |
| Label |
Label |
/ˈleɪbəl/ |
标签，监督学习中的正确答案（标注） |
| Logits |
Logits |
/ˈloʊdʒɪts/ |
逻辑值，模型最后一层输出的原始分数（未归一化） |
六、数据结构
| 简称 |
全称 |
全称读音（IPA） |
通俗解释 |
| Structured Data |
Structured Data |
/ˈstrʌktʃərd ˈdeɪtə/ |
结构化数据，有固定格式的数据（如表格） |
| Unstructured Data |
Unstructured Data |
/ʌnˈstrʌktʃərd ˈdeɪtə/ |
非结构化数据，无固定格式（如文本、图片、视频） |
| Semi-Structured Data |
Semi-Structured Data |
/ˈsemaɪ ˈstrʌktʃərd ˈdeɪtə/ |
半结构化数据，介于两者之间（如JSON、XML） |
| Dataset |
Dataset |
/ˈdeɪtəset/ |
数据集，用于训练/评估的样本集合 |
| Big Data |
Big Data |
/bɪɡ ˈdeɪtə/ |
大数据，规模巨大、传统工具难以处理的数据集 |
| Labeled Data |
Labeled Data |
/ˈleɪbəld ˈdeɪtə/ |
标注数据，带有正确答案标签的数据 |
| Unlabeled Data |
Unlabeled Data |
/ʌnˈleɪbəld ˈdeɪtə/ |
无标注数据，未标记的原始数据 |
七、工程部署
| 简称 |
全称 |
全称读音（IPA） |
通俗解释 |
| API |
Application Programming Interface |
/ˌæplɪˈkeɪʃən ˈproʊɡræmɪŋ ˈɪntərfeɪs/ |
应用程序接口，让不同软件相互通信的协议 |
| LLMOps |
Large Language Model Operations |
/lɑːrdʒ ˈlæŋɡwɪdʒ ˈmɑːdəl ɑːps/ |
大语言模型运维，LLM的全生命周期管理 |
| MLOps |
Machine Learning Operations |
/məˈʃiːn ˈlɜːrnɪŋ ɑːps/ |
机器学习运维，ML模型的开发、部署和维护流程 |
| GPU |
Graphics Processing Unit |
/ˈɡræfɪks ˈprɑːsesɪŋ ˈjuːnɪt/ |
图形处理器，AI训练的核心硬件（并行计算能力强） |
| TPU |
Tensor Processing Unit |
/ˈtensər ˈprɑːsesɪŋ ˈjuːnɪt/ |
张量处理器，谷歌专为AI设计的芯片 |
| FPGA |
Field-Programmable Gate Array |
/fiːld ˈproʊɡræməbəl ɡeɪt əˌreɪ/ |
现场可编程门阵列，可重构的AI加速硬件 |
| Cloud Computing |
Cloud Computing |
/klaʊd kəmˈpjuːtɪŋ/ |
云计算，按需租用计算资源而非自建机房 |
| Model Hub |
Model Hub |
/ˈmɑːdəl hʌb/ |
模型中心，共享预训练模型的平台（如Hugging Face） |
| Vector Database |
Vector Database |
/ˈvektər ˈdeɪtəbeɪs/ |
向量数据库，存储和检索Embedding向量的数据库 |
| Quantization |
Quantization |
/ˌkwɑːntɪˈzeɪʃən/ |
量化，将模型参数从高精度转为低精度以减小体积 |
| Pruning |
Pruning |
/ˈpruːnɪŋ/ |
剪枝，移除模型中不重要的连接以压缩模型 |
八、热门产品
| 简称 |
全称 |
全称读音（IPA） |
通俗解释 |
| ChatGPT |
ChatGPT |
/ˈtʃætˈdʒiːˈpiːˈtiː/ |
OpenAI的对话AI产品，基于GPT架构 |
| GPT-4o |
GPT-4 Omni |
/ˈdʒiː piː tiː fɔːr ˈɑːmni/ |
GPT-4全能版，支持实时语音和图像理解 |
| Claude |
Claude |
/klɔːd/ |
Anthropic出品，长上下文、安全性高的模型 |
| Gemini |
Gemini |
/ˈdʒemɪnaɪ/ |
Google多模态模型，原生支持文字/图像/视频 |
| Llama |
Llama |
/ˈlɑːmə/ |
Meta开源模型系列，开源社区最流行 |
| Qwen |
Qwen |
/tʃjuːˈen/ |
阿里通义千问，中文能力强、开源 |
| DeepSeek |
DeepSeek |
/diːp siːk/ |
深度求索，高性价比、开源MoE架构 |
| Mistral |
Mistral |
/ˈmɪstrəl/ |
欧洲开源模型，「小体积强性能」著称 |
| DALL-E |
DALL-E |
/ˈdɔːli/ |
OpenAI的图片生成模型，文字遵从度高 |
| SD |
Stable Diffusion |
/ˈsteɪbəl dɪˈfjuːʒən/ |
最流行的开源图片生成模型 |
| Sora |
Sora |
/ˈsɔːrə/ |
OpenAI的视频生成模型（尚未全面开放） |
九、风险与治理
| 简称 |
全称 |
全称读音（IPA） |
通俗解释 |
| Bias |
Bias |
/ˈbaɪəs/ |
偏见，因训练数据问题导致的歧视性输出 |
| Automation Bias |
Automation Bias |
/ˌɔːtəˈmeɪʃən ˈbaɪəs/ |
自动化偏见，人类过度相信AI输出而忽视自身判断 |
| Model Drift |
Model Drift |
/ˈmɑːdəl drɪft/ |
模型漂移，模型因环境变化而性能下降 |
| Prompt Injection |
Prompt Injection |
/prɑːmpt ɪnˈdʒekʃən/ |
提示注入，黑客通过特殊指令操控AI输出 |
| Data Poisoning |
Data Poisoning |
/ˈdeɪtə ˈpɔɪzənɪŋ/ |
数据投毒，攻击者在训练数据中注入恶意样本 |
| Jailbreak |
Jailbreak |
/ˈdʒeɪlbreɪk/ |
越狱，绕过AI的安全限制使其输出违规内容 |
| XAI |
Explainable AI |
/ɪkˈspleɪnəbəl eɪ aɪ/ |
可解释AI，让人理解AI的决策逻辑 |
| Guardrails |
Guardrails |
/ˈɡɑːrdreɪlz/ |
护栏/安全围栏，限制AI输出的安全机制 |
| Alignment |
Alignment |
/əˈlaɪnmənt/ |
对齐，确保AI行为符合人类价值观和意图 |
| Black Box |
Black Box |
/blæk bɑːks/ |
黑箱，内部推理过程不可见的系统 |
| Responsible AI |
Responsible AI |
/rɪˈspɑːnsəbəl eɪ aɪ/ |
负责任AI，确保AI有益、安全、合乎伦理的实践 |
十、开发工具
| 简称 |
全称 |
全称读音（IPA） |
通俗解释 |
| PyTorch |
PyTorch |
/ˈpaɪtɔːrtʃ/ |
Meta出品的主流深度学习框架，动态计算图 |
| TensorFlow |
TensorFlow |
/ˈtensərfloʊ/ |
Google出品的主流深度学习框架 |
| Scikit-learn |
Scikit-learn |
/ˈsaɪkɪt lɜːrn/ |
Python经典机器学习库，适合传统ML算法 |
| Jupyter |
Jupyter Notebook |
/ˈdʒuːpɪtər ˈnoʊtbʊk/ |
交互式编程环境，数据科学常用 |
| Google Colab |
Google Colab |
/ˈɡuːɡəl ˈkoʊlæb/ |
谷歌免费云端GPU编程环境 |
| Hugging Face |
Hugging Face |
/ˈhʌɡɪŋ feɪs/ |
模型和数据集的共享平台，AI的「GitHub」 |
| LangChain |
LangChain |
/læŋ tʃeɪn/ |
用于构建LLM应用的开源框架（RAG、Agent等） |
附录：发音速查表
| 常见难词 |
音标 |
读音要点 |
| Transformer |
/trænsˈfɔːrmər/ |
重音在 for，不是 trans |
| Reinforcement |
/ˌriːɪnˈfɔːrsmənt/ |
ri 和 en 之间轻微停顿 |
| Hallucination |
/həˌluːsɪˈneɪʃən/ |
重音在 nei |
| Embedding |
/ɪmˈbedɪŋ/ |
开头是 ɪm，不是 em |
| Quantization |
/ˌkwɑːntɪˈzeɪʃən/ |
注意 kwan 的发音 |
📅 生成日期：2026年5月
📝 版本：v2.0
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。
