AI领域的专业词汇非常丰富，涵盖基础理论、技术方法、应用场景等多个层面。

以下按类别整理一些常用词汇，方便系统学习：

一、基础概念与模型类型

机器学习（Machine Learning, ML）：让计算机通过数据“学习”规律，无需明确编程即可完成任务的技术。

深度学习（Deep Learning, DL）：机器学习的分支，基于多层神经网络（如深度神经网络）处理复杂数据（如图像、语言）。

神经网络（Neural Network）：模拟人脑神经元连接结构的数学模型，由输入层、隐藏层、输出层组成，是深度学习的核心。

卷积神经网络（Convolutional Neural Network, CNN）：擅长处理图像、视频的神经网络，通过“卷积操作”提取局部特征（如边缘、纹理）。

循环神经网络（Recurrent Neural Network, RNN）：处理序列数据（如文本、语音）的神经网络，能记忆上下文信息（但存在“梯度消失”问题）。

Transformer模型：基于“自注意力机制”的神经网络，擅长处理长序列数据（如文本），是 BERT、GPT等大模型的基础。

生成式模型（Generative Model）：能生成新数据的模型（如GAN、GPT），例如生成逼真图像、文本。

判别式模型（Discriminative Model）：用于分类或预测的模型（如SVM、逻辑回归），专注于区分不同类别。

二、训练与优化相关

数据集（ Dataset） ：用于训练、验证、测试模型的数据集合（如图片集、文本库）。

过拟合（Overfitting）：模型“死记硬背”训练数据，导致在新数据上表现差（类似学生只背题不理解，换题就错）。

欠拟合（Underfitting）：模型太简单，无法捕捉数据规律（类似学生没学懂，简单题也做不对）。

梯度下降（Gradient Descent）：训练模型时优化参数的核心算法，通过“沿梯度方向调整参数”最小化误差。

反向传播（Backpropagation）：神经网络训练的关键步骤，通过计算输出误差反向调整各层参数。

Epoch：模型完整遍历一次训练数据集的过程（如“训练10个Epoch”即把数据学10遍）。

Batch Size：每次训练时输入模型的数据样本量（如一次喂128张图片给模型）。

学习率（Learning Rate）：梯度下降时参数调整的“步长”，过大可能错过最优解，过小则训练慢。

损失函数（Loss Function）：衡量模型预测结果与真实结果差距的函数（如交叉熵、均方误差），目标是最小化损失。

三、自然语言处理（ NLP）相关

自然语言处理（Natural Language Processing, NLP）：让计算机理解、处理人类语言的技术（如翻译、聊天机器人）。

大语言模型（Large Language Model, LLM）：基于海量文本训练的大型语言模型（如GPT、LLaMA），能生成类人文本、回答问题等。

词嵌入（Word Embedding）：将文字转化为数值向量的技术（如Word2Vec、BERT嵌入），让计算机“理解”词语含义（如“国王 - 男人 + 女人 = 女王”）。

注意力机制（Attention Mechanism）：让模型处理数据时“聚焦重点”（如翻译“猫追狗”时，“猫”对应“追”的主语），是Transformer的核心。

提示词（Prompt）：用户输入给大模型的指令或问题（如“写一首关于春天的诗”），引导模型生成特定输出。

少样本学习（Few-Shot Learning）：通过少量示例（如给3个例子）让模型学会新任务（如“根据例子总结规律”）。

零样本学习（Zero-Shot Learning）：无需示例，让模型直接完成从未训练过的任务（如“用日语翻译这句话”，即使没专门学过日语数据）。

四、计算机视觉（CV）相关

图像分割（Image Segmentation）：将图像按像素级划分成不同区域（如“把图中猫的毛发、眼睛、爪子分开标注”）。

生成对抗网络（Generative Adversarial Network, GAN）：由“生成器”和“判别器”组成的模型，生成器造“假数据”（如假人脸），判别器负责分辨真假，两者对抗优化，最终生成逼真数据。

五、部署与工程相关

模型部署（Model Deployment）：将训练好的模型集成到实际应用中（如手机APP、服务器），让用户能使用（如手机拍照识物）。

轻量化（Model Lightweighting）：减小模型大小和计算量（如压缩参数、简化结构），使其能在手机等设备上运行（否则太卡）。

边缘计算（Edge Computing）：模型在本地设备（如手机、摄像头）上运行，而非依赖 云端服务器（优点：速度快、隐私保护好）。

API（ Application Programming Interface） ：应用程序接口，大模型通过API提供服务（如开发者调用GPT的API让自己的APP拥有聊天功能）。

六、其他重要术语

强化学习（Reinforcement Learning, RL）：让模型通过“试错”学习最优行为（如AlphaGo下棋，通过赢棋“奖励”、输棋“惩罚”优化策略）。

联邦学习（Federated Learning）：多设备联合训练模型，但数据不共享（如多个医院联合训练疾病预测模型，各自数据留在本地，只传模型参数，保护隐私）。

hallucination（幻觉）：大模型生成看似合理但错误的内容（如编造不存在的论文、事件），是当前LLM的常见问题。

对齐（Alignment）：让模型的目标与人类价值观一致（如避免生成有害内容，确保“说真话”）。

多模态（Multimodal）：模型能处理多种类型数据（如图像+文本+语音），例如“根据图片描述内容，再把描述转成语音”。

©本文由 艾奇先生 友情整理。