参考

术语表

以通俗语言解释常见 AI 术语，方便读者与答案引擎理解。

AI agent: 一种借助模型分多步推进目标的系统：它自行决定下一步做什么，通常会调用搜索、代码执行或内部 API 等外部工具，然后才给出结果。例子：一个智能体读取缺陷报告、打开代码仓库、修改文件并运行测试。不要把它和聊天机器人或单轮分类器混淆——后者只回复一次，既不规划，也不操作其他系统。
Alignment: 使 AI 系统的行为符合人类意图与价值观的努力。
Attention: 让模型衡量输入中哪些部分对每个输出最重要的机制。
Chain-of-thought: 让模型在给出答案前先经过中间推理步骤的提示或训练方法。
Citation: 引用是附在输出上的出处标注，指向某个说法、引语或数字的来源，通常会给出文档、页面或来源名称，方便读者核对。例子：一条回答给出一个数字，并链接到该数字所在报告的对应段落。不要把它和接地或准确混淆：引用只表明系统挂上了哪个来源，而同一个系统也可能为一个来源其实并不支持的说法附上看似合理的引用。
Commercial use: 商业使用指以获取收入或支撑业务为目的，对模型、工具或其产出做任何使用，例如销售用它做出的产品、把它嵌入付费服务，或用于向客户收费的工作。例子：工作室用模型生成图像并交付给付费客户。不要把它和付费访问混淆：购买订阅本身并不授予商业权利，而有些免费的条款仍然允许商业使用。
Context window: 模型在单次请求中可以考虑的最大文本量（以 token 计），包括指令、此前的对话以及随请求提供的文档；超出该上限的内容会被舍弃或截断。例子：一份超出上下文窗口的长合同，必须先切分或摘要，才能就整份合同提问。不要把它和记忆或训练数据混淆：上下文窗口是单次请求的上限，并不保存模型见过的全部内容。
Diffusion model: 通过逐步从随机信号中去除噪声来生成图像或其他媒体的生成式模型。
Distillation: 训练较小的模型模仿较大的模型，以更低成本保留其大部分能力。
Embedding: 把一段文本、一张图片或其他对象表示为数值向量，使含义相近的对象在高维空间中彼此靠近，从而实现语义检索与聚类。例子：帮助中心为每篇文章存一个向量，用户的提问就能被匹配到最接近的几篇。不要把它和提示词或摘要混淆：嵌入本身不是可读的文本，它的数值也无法通过阅读来解读。
Few-shot learning: 通过在提示中给出少量示例来引导模型，而无需重新训练。
Fine-tuning: 在范围更窄的数据集上，对已经预训练过的模型继续训练，使其更贴近某一特定任务、语气或领域。例子：公司用自己整理好的问答对继续训练基础模型，让回复符合自家的行文风格。不要把它和检索增强生成混淆——后者不改动权重，只在作答时补充文档；也不要和提示工程混淆——后者只是改写指令。
Foundation model: 在广泛数据上训练、可适配多种下游任务的大型模型。
Free tier: 免费额度是服务在付费方案之外提供的、不收费的一档访问权限，通常受用量配额、可用功能、席位数或时间的限制，让人们可以试用产品，或免费维持较轻的使用量。例子：某个接口每月允许一定数量的请求，超出后就需要付费方案。不要把它和自由软件或开源混淆：它是一种商业供给，可能被更改或取消，也不说明其背后模型的许可情况。
Function calling: 模型以结构化方式调用开发者定义的函数、而非仅输出纯文本的能力。
Grounding: 将模型的回答与文档或搜索结果等可验证的外部来源关联起来。
Guardrails: 约束 AI 系统输出、使其保持安全、准确且切题的规则与过滤机制。
Hallucination: 模型给出虚假或没有依据的内容，或者凭空编造引用、数字、函数名之类的细节，而落笔的流畅与自信程度与答对时并无区别。例子：一份摘要引用了某文档中的章节，但该章节其实没有写出被引用的说法。不要把它和说谎或偏见混淆：幻觉源于模型生成文本的方式，既不是有意欺骗，也不是某种立场。
Inference: 把已经训练好的模型用于新的输入以产生输出，例如预测、翻译或生成的图像。这是服务为每次请求消耗算力的环节，与更早完成的训练分开。例子：应用把用户上传的照片交给模型，一秒内拿回一句描述。不要把它和训练或微调混淆：后两者会在数据集上调整模型参数，单次成本通常高得多。
Large language model (LLM): 在大量文本上训练、用于预测和生成语言的神经网络。
License: 许可是权利人授予的法律许可，规定模型、其权重或某份软件可以怎样被使用、复制、修改和再分发，并列出附在这些权利上的条件，而不是描述技术本身。例子：一个模型可能只放开研究用途，另一个允许做出商业产品，但要求修改后的版本沿用同样的条款。不要把它和开放权重或开源混淆：权重可以按禁止商用的条款提供下载，而宽松的代码许可对训练数据并不作任何说明。
Mixture of experts (MoE): 将每个输入路由到部分专门子网络以节省计算的模型架构。
Model Context Protocol (MCP): 一种开放协议，用于规范助手类以及其他由模型驱动的应用连接外部数据源与工具的方式，使同一个连接器可以被多个客户端复用，而不必为每种应用与服务的组合重写。例子：一个暴露公司工单系统的服务器，可以原样接入桌面助手和编程工具。不要把它和模型或某一家厂商的 API 混淆：它描述工具如何被提供和调用，并不说明另一侧模型的好坏。
Multimodal: 指能够处理或生成多种数据类型（如文本和图像）的模型。
Open weights: 公开发布的模型参数，使他人可以下载、运行，并且常常可以修改；这与只能通过厂商托管服务访问的模型相对。例子：团队下载公开的权重，在自有机器上运行，让数据留在自己的网络里。不要把它和开源混淆：权重本身并不说明许可证、训练数据或训练代码的情况，因此权重公开的模型并不自动就是开源的。
Prompt: 提供给模型以下达指令或引出回应的文本或其他输入。
Prompt engineering: 为获得更可靠或更有用的模型输出而设计并打磨提示词的做法。
Quantization: 降低模型权重的数值精度，使其运行更快、占用内存更少。
Reasoning model: 经过训练、在回答前投入额外算力逐步思考问题的模型。
Red-teaming: 在发布前后有意探测 AI 系统的有害、不安全或非预期行为。
Reinforcement learning from human feedback (RLHF): 利用人类偏好评价引导模型表现得更有帮助的训练方法。
Retrieval-augmented generation (RAG): 一种先在外部的语料库中检索与问题相关的段落、再把这些段落交给模型的技术，使回答以检索到的来源为依据，而不只依赖模型自身记住的知识。例子：客服助手在产品手册中找出对应段落，并在回复里引用它。不要把它和微调混淆：微调会改变模型权重，而检索增强生成不改动权重，只改变模型作答时看到的文本。
Self-hosting: 自托管指在你自己掌控的基础设施上运行模型或应用，例如自有服务器、私有云或笔记本电脑，而不是通过厂商的托管服务去调用。例子：公司在自己的网络内安装开放权重模型，让提示词和文档从不离开该网络。不要把它和开放权重混淆：你是否可以自行运行某个模型取决于其许可，而权重可下载的模型也可能主要以托管服务的形式提供。
Small language model (SLM): 为在设备端或低成本环境下高效运行而设计、质量仍具竞争力的小型语言模型。
Speech recognition (ASR): 自动将语音音频转换为书面文本。
Synthetic data: 在真实数据稀缺或敏感时，用于训练或评估模型的人工生成数据。
System prompt: 在用户输入之前设定模型角色、规则与行为的隐藏指令。
Temperature: 控制模型输出随机程度或可预测性的采样参数。
Text-to-image: 使用生成式模型根据文字描述生成图像。
Text-to-video: 使用生成式模型，根据自然语言描述生成视频片段。
Token: 语言模型读取和生成的文本单位，例如一个词或词片段。
Tool use (function calling): 模型调用外部函数、API 或应用来完成任务的能力。
Transformer: 一种基于注意力机制的神经网络架构，是当今多数语言与多模态模型的基础。
Vector database: 存储向量表示并按相似度检索条目的数据库，常用于 AI 应用中的检索。
Vibe coding: 一种软件开发方式：开发者用自然语言描述目标，由 AI 生成代码。
Voice cloning: 语音克隆根据一个人说话的录音构建合成嗓音，使新的文字能用近似其本人的声音朗读出来；所用素材从短短一段样本到数小时录音不等。例子：旁白员只录几分钟，之后就能用同一个声音读出改过的句子，不必再约一次录音。不要把它和语音识别混淆：识别把音频变成文字，克隆则是把文字变成模仿特定说话人的音频。
World model: 学习环境内部表征以预测其随时间变化的 AI 系统。
Zero-shot learning: 模型在提示中未见任何示例的情况下完成任务的能力。