附录 A：术语表

A

智能体（Agent） 以大语言模型为大脑，具备感知、规划和行动能力的 AI 系统。详见第十四章。

人工智能 （AI） 让机器模拟人类智能的技术，包括学习、推理、感知等能力。

边缘 AI 在终端设备本地运行的 AI

通用人工智能（Artificial General Intelligence/AGI） 具备与人类同等或超越人类的通用智能，能处理各种任务的 AI。

C

思维链（Chain of Thought/CoT） 一种提示技巧，要求模型展示推理步骤，提高逻辑题准确率。详见第十二章第一节。

ChatGPT OpenAI 开发的聊天机器人，基于 GPT 模型。详见第十章第一节。

Claude Anthropic 开发的 AI，擅长长文本和写作。详见第十章第二节。

CLIP 图像和文本对齐的模型

上下文窗口（Context Window） 模型一次能“记住”或处理的文本长度。

D

Deepfake AI 生成的虚假视频

深度学习 （DL） 机器学习的一种，使用多层神经网络模拟人脑的学习方式，擅长处理图像、语音等复杂数据。

F

微调（Fine-tuning） 在预训练基础上，用特定数据进一步训练，让模型适应特定任务。

G

生成式 AI（Generative AI/GenAI） 能创造新内容（文本、图像、代码等）的 AI，如 ChatGPT。

GPU 图形处理器，深度学习的主要计算硬件

H

Hugging Face AI 模型和数据集的共享平台

I

推理 （Inference） 让训练好的大模型在云端运行、回答问题的过程

K

KV Cache 大模型的“记事本”，缓存已读内容的中间状态以避免重复计算

L

大语言模型（Large Language Model/LLM） 经过海量文本训练的、参数巨大的深度学习模型，能理解和生成人类语言。详见第六章。

M

MaaS 模型即服务，按需调用云上模型的模式

Midjourney 著名的 AI 绘画工具，基于 Discord 使用。详见第九章第二节。

机器学习 （ML） AI 的一个子集，让计算机从数据中学习规律，而不是通过编写明确规则。

P

参数（Parameters） 模型内部的变量，相当于模型的“脑细胞”。参数越多，通常模型越强。

预训练（Pre-training） 在海量数据上进行的初步训练，让模型获得通用知识。

提示词工程（Prompt Engineering） 设计输入的提示词，以引导模型生成更准确、高质量输出的技术。详见第十一章和第十二章。

提示词注入（Prompt Injection） 通过构造恶意输入让模型偏离系统指令，诱导泄露信息或触发高风险操作。详见第十五章第二节。

PyTorch Meta 开发的深度学习框架

R

RAG 检索增强生成，先查资料再回答

ReAct（推理+行动） 智能体的经典思考模式，结合推理（Reasoning）和行动（Acting）。详见第十四章第二节。

人类反馈强化学习（Reinforcement Learning from Human Feedback/RLHF） 基于人类反馈的强化学习，用于调整模型，使其回答更符合人类偏好。

检索增强生成（Retrieval-Augmented Generation/RAG） 结合外部知识库检索和生成模型，解决模型知识幻觉和时效性问题。详见第十四章第三节。

RLHF 人类反馈强化学习，让模型对齐人类偏好

S

Stable Diffusion 开源的 AI 绘画模型。详见第九章第二节。

T

温度（Temperature） 控制模型输出随机性的参数。温度越高，结果越有创意但越不可控；温度越低，结果越确定。

TensorFlow Google 开发的深度学习框架

词元（Token） 大语言模型（LLM）处理文本的基本单位。对于英文通常是一个词或词根，中文通常是一个字或词。

Token 文本的基本处理单位（由分词器切分）

TPU Google 的张量处理单元，专用 AI 芯片

Transformer 架构（Transformer Architecture） 目前的 AI 架构基石，基于注意力机制，特别是自注意力机制。详见第五章第三节。

TTS 文本到语音合成

V

显存 （VRAM） GPU 专用内存，大模型运行时的核心瓶颈资源

其他

卷积 CNN 中提取局部特征的操作

图灵测试 评估机器是否展现智能的思想实验

多模态 同时处理多种类型的数据

学习率 控制每一步参数更新幅度的超参数

幻觉 AI 一本正经地编造虚假内容

弱人工智能 只能在特定任务上表现智能的 AI 系统

强人工智能 具备人类水平通用智能的 AI（尚未实现）

强化学习 通过与环境交互获得反馈来学习

归纳法 从具体现象总结一般规律的推理方法

扩散模型 通过去噪过程生成图像的方法

指令微调 让模型学会遵循指令

损失函数 量化预测与真实值差距的函数

掩码 自监督学习中遮盖部分数据的方法

梯度下降 沿“下坡”方向优化参数的方法

注意力机制 Transformer 的核心，能聚焦最相关的信息

激活函数 引入非线性的函数（如 ReLU）

神经网络 模拟人脑结构的计算模型

聚类 将相似样本分到同一组

训练 模型从数据中学习的过程

降维 减少数据维度同时保留重要信息

黑盒 无法解释内部逻辑的模型