夜雨聆风
AI知识扫盲:284个专业术语/新名词解释
本词表覆盖学术专业名词、工程落地术语、行业应用/商业化新词、网络黑话，按「基础原理→模型技术→工程落地→应用场景→安全合规→行业黑话」的逻辑分层，共计14大类，284个。
一、AI基础核心术语
1. AI（人工智能，Artificial Intelligence）让机器模拟人类的感知、推理、学习、决策、创造等智能行为的技术总称，是所有相关技术的顶层概念。
2. AGI（通用人工智能，Artificial General Intelligence）具备与人类相当的通用智能，能理解、学习、完成任何人类能做的智力任务，而非仅能解决单一特定问题。
3. ASI（超级人工智能，Artificial Super Intelligence）在所有领域（科学创新、通用智慧、社交能力等）全面远超人类智能水平的人工智能，是远期理论概念。
4. 弱人工智能（Narrow AI / Weak AI）仅能完成特定单一任务的AI，如语音识别、图像分类、下棋AI，是当前所有落地AI的形态。
5. 强人工智能（Strong AI）等同于AGI，具备通用认知、意识和自主思考能力，能跨领域完成各类智力任务。
6. ML（机器学习，Machine Learning）AI的核心分支，核心是让计算机从数据中自动学习规律、优化性能，而非依赖人工逐条编写固定规则。
7. DL（深度学习，Deep Learning）机器学习的子集，基于多层神经网络模拟人脑神经元的连接结构，能自动提取数据的深层特征，是当前大模型、AIGC的核心技术底座。
8. 神经网络（Neural Network, NN）模仿人脑神经元信号传递机制构建的数学模型，是深度学习的基础单元，由输入层、隐藏层、输出层构成。
9. 监督学习（Supervised Learning）用带标签的标注数据训练模型，让模型学习「输入→输出」的固定映射关系，多用于分类、预测任务。
10. 无监督学习（Unsupervised Learning）用无标签的原始数据训练，让模型自动发现数据的内在规律、聚类、关联关系，多用于数据降维、聚类、异常检测。
11. 半监督学习（Semi-supervised Learning）混合少量标注数据和大量无标注数据训练，平衡标注成本和模型效果，是工业界常用的训练范式。
12. 强化学习（Reinforcement Learning, RL）模型通过「环境交互→试错→奖励/惩罚反馈」不断优化决策策略，像人类学习技能一样逐步提升能力，是游戏AI、机器人控制、模型对齐的核心技术。
13. 迁移学习（Transfer Learning）把模型在一个领域（源域）学到的知识/能力，迁移到另一个相关领域（目标域），大幅降低新任务的训练成本和数据需求。
14. 联邦学习（Federated Learning, FL）分布式机器学习范式，多个数据持有方在不共享原始数据的前提下，协同训练一个全局模型，核心解决数据隐私和数据孤岛问题。
15. 持续学习/终身学习（Continual Learning / Lifelong Learning）让模型能持续学习新的任务和知识，同时尽可能不遗忘之前学会的旧知识，解决模型的「灾难性遗忘」问题。
二、模型架构与核心组件术语
1. Transformer2017年谷歌提出的深度学习架构，核心是自注意力机制，能高效捕捉长距离文本的上下文依赖，是当前所有大语言模型、多模态模型、扩散模型的主流底层架构。
2. 自注意力机制（Self-Attention）Transformer的核心组件，能让模型在处理文本时，给不同位置的词语赋予不同的权重，重点关注和当前内容相关的关键信息，精准理解上下文语义。
3. 多头注意力（Multi-Head Attention, MHA）把自注意力机制分成多个并行的头，每个头关注不同维度、不同类型的语义关联，再把结果融合，大幅提升模型的语义理解能力。
4. 编码器（Encoder）Transformer的核心模块之一，负责理解输入内容（文本、图像等），提取深层特征，多用于分类、理解类任务。
5. 解码器（Decoder）Transformer的核心模块之一，基于编码器提取的特征，自回归地生成输出内容，是当前大语言模型（GPT、LLaMA等）的核心架构。
6. 仅解码器架构（Decoder-only）只保留Transformer的解码器模块，是当前绝大多数大语言模型采用的架构，擅长文本生成、对话、创作类任务。
7. 仅编码器架构（Encoder-only）只保留Transformer的编码器模块，擅长文本理解、分类、语义匹配类任务，典型代表是BERT。
8. Encoder-Decoder（编解码架构）同时包含编码器和解码器，多用于机器翻译、文本摘要、语音识别等「输入理解→输出生成」的序列到序列任务。
9. 词嵌入/向量嵌入（Embedding）把文本、图像、语音等非结构化数据，转换成模型能处理的高维数值向量，向量的距离能体现内容的语义相似度，是大模型和RAG的核心基础。
10. 位置编码（Positional Encoding）给文本中的每个词语添加位置信息，让Transformer能理解词语的顺序和句子的语序，解决自注意力机制本身无法捕捉位置信息的问题。
11. 残差连接（Residual Connection）深度学习架构中的常用组件，把输入直接加到输出上，解决深层网络训练时的梯度消失问题，让超深层的大模型能稳定训练。
12. 层归一化（Layer Normalization, LayerNorm）对神经网络每一层的输出做标准化处理，稳定模型训练过程，加快收敛速度，是Transformer架构的标配组件。
13. 混合专家模型（Mixture of Experts, MoE）大模型的主流架构优化方案，把模型拆分成多个「专家子网络」，每次输入只激活和任务相关的少量专家，而非全部参数，在不增加推理算力的前提下，大幅提升模型的参数量和能力。
14. 扩散模型（Diffusion Model）当前AIGC图像、视频生成的主流底层架构，核心原理是「逐步加噪→反向去噪」，通过学习从随机噪声还原成真实图像/视频的过程，实现高质量的可控生成。
15. 扩散Transformer（Diffusion Transformer, DiT）把Transformer架构和扩散模型结合，是当前文生视频大模型（如Sora）的核心架构，能高效处理长视频、高分辨率内容的生成。
16. 生成对抗网络（Generative Adversarial Network, GAN）早期AIGC的主流生成架构，由生成器和判别器两个网络对抗训练，生成器负责生成逼真内容，判别器负责区分真假，二者博弈迭代提升生成效果。
17. 卷积神经网络（Convolutional Neural Network, CNN）计算机视觉领域的经典深度学习架构，通过卷积核滑动提取图像的局部特征，擅长图像分类、目标检测、图像分割等任务。
18. 循环神经网络（Recurrent Neural Network, RNN）早期处理序列数据的经典架构，能按顺序处理文本、语音等序列数据，存在长序列梯度消失的缺陷，已被Transformer替代。
19. 长短期记忆网络（Long Short-Term Memory, LSTM）RNN的优化版本，通过门控机制解决长序列的梯度消失问题，曾广泛用于机器翻译、语音识别，目前已被Transformer替代。
三、模型训练与优化全流程术语
1. 预训练（Pre-training）大模型训练的第一阶段，用海量的通用无标注数据，训练出一个具备通用语言能力、常识、逻辑推理能力的基础模型，是大模型能力的核心来源。
2. 持续预训练（Continual Pre-training, CPT）在通用预训练的基础上，用特定领域的海量数据继续预训练，让基础模型掌握该领域的专业知识，是打造垂直领域大模型的常用方法。
3. 有监督微调（Supervised Fine-tuning, SFT）预训练之后的核心环节，用高质量的「指令-回答」标注数据，对预训练模型做全量/轻量化微调，让模型学会听懂人类指令、按照人类的格式和要求输出内容。
4. 指令微调（Instruction Tuning）SFT的核心范式，用大量不同类型的指令数据微调模型，让模型具备通用的指令遵循能力，能处理各类零样本/少样本任务，而非仅能完成单一任务。
5. 对话微调（Chat Tuning）针对对话场景的微调，用多轮对话数据训练模型，让模型具备多轮上下文记忆、流畅对话、精准问答的能力，是对话类大模型的必备环节。
6. 领域微调（Domain Fine-tuning）用医疗、法律、金融等特定垂直领域的专业数据微调模型，让模型适配专业场景，提升领域内的回答准确率。
7. 参数高效微调（Parameter-Efficient Fine-Tuning, PEFT）轻量化微调技术的总称，核心是只微调模型中极少部分的参数，不改动预训练模型的主干权重，在保证效果的前提下，大幅降低微调的算力和显存成本。
8. 低秩适配（Low-Rank Adaptation, LoRA）当前最主流的PEFT方法，在Transformer的注意力层旁新增两个小型低秩矩阵，只训练这两个矩阵的参数，训练完成后可合并到原模型，也可单独作为插件使用，广泛用于大模型微调、AI绘画模型定制。
9. 量化低秩适配（Quantized Low-Rank Adaptation, QLoRA）LoRA的优化版本，先把预训练模型量化到4bit/8bit低精度，再做LoRA微调，进一步降低微调的显存需求，让消费级显卡也能微调大模型。
10. 前缀微调（Prefix Tuning）PEFT方法之一，给模型的每一层添加可训练的前缀向量，只训练这些前缀参数，不改动模型主干，适配生成类任务。
11. 提示微调（Prompt Tuning）PEFT方法之一，只给输入层添加可训练的提示向量，通过优化提示向量提升模型效果，训练成本极低，适合大模型的轻量级场景适配。
12. 模型蒸馏/知识蒸馏（Model Distillation / Knowledge Distillation, KD）模型压缩的核心技术，把参数量大、能力强的「教师模型」学到的知识和分布，迁移到参数量小、速度快的「学生模型」中，让小模型在大幅降低体积和算力需求的前提下，尽可能接近大模型的效果。
13. 模型炼化/模型精炼（Model Refinement）对预训练完成的模型，进行多轮的精细化优化迭代，包括高质量数据清洗、人类偏好对齐、错误输出修正、安全护栏加固、效果调优等全流程优化，让模型的输出更精准、更安全、更贴合人类使用需求。
14. 对齐训练（Alignment Training）大模型训练的核心收尾环节，通过各类技术让模型的输出行为、目标、价值观，和人类的意图、安全规范、伦理要求保持一致，避免模型生成有害、错误、不符合预期的内容。
14. 基于人类反馈的强化学习（Reinforcement Learning from Human Feedback, RLHF）当前大模型对齐的主流范式，分为三步：①SFT微调；②用人类标注的偏好数据训练奖励模型；③用强化学习（PPO算法）基于奖励模型优化大模型，让模型的输出更符合人类偏好。
15. 基于AI反馈的强化学习（Reinforcement Learning from AI Feedback, RLAIF）RLHF的优化方案，用能力更强的大模型替代人类标注偏好数据，大幅降低对齐的人工成本，同时提升对齐效率。
16. 近端策略优化（Proximal Policy Optimization, PPO）强化学习的经典算法，也是RLHF的核心算法，能在保证训练稳定的前提下，高效优化模型的输出策略，让模型朝着奖励更高的方向迭代。
17. 直接偏好优化（Direct Preference Optimization, DPO）新一代对齐算法，跳过了RLHF中「训练奖励模型+强化学习」的复杂环节，直接用人类偏好数据优化模型，训练更简单、更稳定，效果媲美甚至超越RLHF，是当前开源大模型的主流对齐方案。
18. 量化（Quantization）模型压缩和推理优化的核心技术，把模型的参数从高精度（FP32/FP16）转换成低精度（INT8/INT4/FP8），大幅缩小模型体积、降低显存占用、加快推理速度，同时尽可能减少效果损失。
19. 模型剪枝（Pruning）模型压缩技术之一，移除模型中不重要、权重接近0的神经元和参数，精简模型结构，降低模型的计算量和体积，适配端侧部署。
20. 模型压缩（Model Compression）量化、剪枝、蒸馏等技术的总称，核心是在尽量不损失模型效果的前提下，减小模型体积、降低计算量，让模型能在更低配置的设备上运行。
21. 数据集（Dataset）用于模型训练、验证、测试的结构化/非结构化数据集合，包括文本、图像、语音、视频等各类格式。
22. 训练集（Training Set）数据集的核心部分，用于模型训练过程中学习数据规律、更新模型参数。
23. 验证集（Validation Set）训练过程中用于评估模型效果、调整超参数、防止过拟合的数据集，不参与模型参数更新。
24. 测试集（Test Set）模型训练完成后，用于最终评估模型泛化能力的数据集，完全独立于训练和验证过程，模拟模型在真实场景中的表现。
25. 数据标注（Data Annotation / Labeling）给原始数据打上人工标签，比如给图片标注「这是猫」、给文本标注情感倾向、给对话标注优质回答，是监督学习的基础。
26. 数据清洗（Data Cleaning）对原始训练数据做去重、去噪、纠错、过滤低质内容、去敏感信息等处理，提升数据质量，是决定大模型效果的核心环节。
27. 数据增强（Data Augmentation）对原始数据做变换、扩充、改写等处理，生成更多高质量的训练数据，提升模型的泛化能力，防止过拟合。
28. 过拟合（Overfitting）模型在训练集上表现极好，但在未见过的测试集/真实场景中表现很差，本质是模型死记硬背了训练数据，没有学到通用的规律。
29. 欠拟合（Underfitting）模型没有学到数据的核心规律，在训练集和测试集上的表现都很差，通常是模型容量不足、训练不充分导致。
30. 泛化能力（Generalization Ability）模型对训练集中未出现过的新数据、新场景的处理能力，是衡量模型好坏的核心指标，泛化能力越强，模型的实用性越高。
31. 损失函数（Loss Function）衡量模型的预测输出和真实标签之间差距的函数，模型训练的核心就是通过优化算法，最小化损失函数，提升模型准确率。
32. 梯度下降（Gradient Descent）模型训练的核心优化算法，通过计算损失函数对模型参数的梯度，沿着梯度下降的方向更新参数，逐步最小化损失函数。
33. 反向传播（Backpropagation）神经网络训练的核心流程，先通过前向传播计算模型输出和损失，再反向把损失逐层传递，计算每个参数的梯度，用于梯度下降更新参数。
34. 学习率（Learning Rate）模型训练的核心超参数，控制每次参数更新的步长，学习率太大会导致模型不收敛，太小会导致训练速度过慢、陷入局部最优。
35. 批次（Batch）模型训练时，一次前向传播和反向传播所使用的样本数量，批次大小会影响训练的稳定性和速度。
36. 轮次（Epoch）模型把整个训练集完整遍历训练一遍，称为一个轮次，是衡量模型训练进度的核心单位。
37. 迭代（Iteration）模型完成一次批次数据的训练、一次参数更新，称为一次迭代。
38. 收敛（Convergence）模型训练过程中，损失函数下降到稳定值，不再大幅波动，模型效果基本稳定，称为模型收敛。
39. 早停（Early Stopping）训练过程中，当模型在验证集上的效果不再提升甚至开始下降时，提前停止训练，防止模型过拟合。
40. 缩放定律（Scaling Laws）大模型的核心理论，指大模型的能力，和模型参数量、训练数据量、计算量呈近似幂律的正相关关系，当规模达到一定阈值后，会出现涌现能力。
四、大语言模型（LLM）核心能力与现象术语
1. 大语言模型（Large Language Model, LLM）基于海量文本数据预训练、参数量达到十亿/万亿级、具备强大的语言理解和生成能力的Transformer模型，能完成写作、问答、翻译、推理、代码生成等各类语言任务。
2. 基础模型（Foundation Model）经过大规模通用数据预训练的大模型，具备通用的基础能力，可通过微调、适配等方式，迁移到数百上千个下游任务，是当前AI应用的通用底座。
3. 垂直领域大模型（Domain-specific LLM）在通用基础模型的基础上，通过领域数据持续预训练、微调，适配医疗、法律、金融、工业等特定专业领域的大模型，在该领域内的准确率和专业性远超通用大模型。
4. 轻量级大模型/小语言模型（Lightweight LLM / Small Language Model, SLM）参数量较小（通常十亿级以内）、体积小、推理速度快，通过蒸馏、微调等技术，在特定场景下效果接近大模型，适合端侧部署、轻量化应用。
5. 涌现能力（Emergent Ability）大模型的核心特征，当模型的参数量、训练数据量、计算量达到某个临界阈值后，突然出现的、小模型不具备的复杂能力，比如逻辑推理、数学解题、指令遵循、上下文学习，且无法通过简单外推小模型的效果来预测。
6. 幻觉（Hallucination）大模型的常见问题，指模型生成的内容看似通顺、逻辑自洽，但实际上是编造的虚假事实、错误数据、不存在的引用，和客观现实不符。
7. 思维链（Chain-of-Thought, CoT）大幅提升大模型复杂推理能力的技术，通过引导模型像人类一样「分步思考、先推理再给出答案」，把复杂问题拆解成多个简单步骤，显著提升模型的数学、逻辑、常识推理能力。
8. 零样本思维链（Zero-Shot CoT）不需要给模型提供示例，只需要在提示词里加上「让我们一步步思考」，就能让模型自动生成思维链，完成推理任务。
9. 思维树（Tree-of-Thought, ToT）CoT的进阶版本，让模型像树状结构一样，对问题进行多路径的思考、探索、评估，选择最优的推理路径，解决更复杂的规划和决策问题。
10. 思维图（Graph-of-Thought, GoT）ToT的进阶版本，用图结构替代树结构，让模型的推理路径可以循环、合并、跳转，更贴合人类的复杂思考过程，处理更复杂的多关联问题。
11. 上下文学习（In-Context Learning, ICL）大模型的核心能力，不需要更新模型参数，只需要在提示词的上下文中给模型提供几个示例，模型就能照着示例的格式和逻辑，完成对应的任务。
12. 上下文窗口（Context Window）模型一次能处理和记住的最大文本长度（Token数量），包括输入的提示词、对话历史、生成的内容，上下文窗口越大，模型能处理的长文档、长对话能力越强。
13. 令牌/词元（Token）大模型处理文本的最小单位，中文里一个Token通常对应1-2个汉字，英文里一个Token对应一个单词或单词的一部分，模型的上下文窗口、计费、生成长度，均以Token为单位计算。
14. 分词器（Tokenizer）把自然语言文本转换成模型能处理的Token序列的工具，也能把Token序列还原成文本，是大模型的必备组件。
15. KV缓存（KV Cache）大模型推理优化的核心技术，把之前生成内容的键值对（KV）缓存起来，下一次生成时不需要重新计算，大幅加快推理速度、降低算力消耗，是长对话、长文本生成的必备优化方案。
16. 推理（Inference）模型训练完成后，接收用户的输入，通过计算给出输出结果的过程，也就是我们日常使用AI时，AI生成回答的过程，核心关注速度、延迟、成本。
17. 训练（Training）模型从数据中学习规律、更新参数的过程，耗时长、算力需求极高，通常在高性能GPU集群上完成。
18. 生成式AI（Generative AI）能自主生成文本、图像、语音、视频、3D模型、代码等各类内容的AI技术总称，核心是大模型、扩散模型等生成类架构。
19. 判别式AI（Discriminative AI）用于分类、识别、判断、预测的AI技术，比如图像分类、人脸识别、风险预测，核心是对输入内容做判别，而非生成新内容。
20. 首包延迟（Time to First Token, TTFT）衡量大模型推理速度的核心指标，指从用户发送请求，到模型返回第一个Token的耗时，直接决定用户的对话等待体验。
21. 每令牌延迟（Per-Token Latency）模型生成每个Token的平均耗时，决定了模型的输出打字速度。
22. 吞吐量（Throughput）模型单位时间内能处理的Token数量，是衡量模型推理服务并发能力的核心指标，吞吐量越高，能同时服务的用户越多。
五、提示工程（Prompt）全体系术语
1. 提示词（Prompt）用户向AI输入的所有内容，包括指令、问题、示例、约束、角色设定、上下文信息，是引导AI输出符合预期内容的核心载体。
2. 提示工程（Prompt Engineering）系统性地设计、优化、调试提示词，让AI的输出更精准、更稳定、更符合预期，同时挖掘AI的潜在能力，是当前低成本用好AI的核心技能。
3. 系统提示词（System Prompt）在对话开始前，给AI设定的全局规则，包括身份角色、输出规范、语气风格、约束边界、能力范围，会贯穿整个对话的所有轮次，决定AI的基础行为模式。
4. 用户提示词（User Prompt）用户每一轮对话中，提出的具体问题、需求、指令，是当前轮次AI需要处理的核心内容。
5. 助手提示词（Assistant Prompt）AI在对话中生成的历史回复内容，会作为上下文的一部分，影响后续的输出。
6. 零样本提示（Zero-shot Prompt）不给AI提供任何示例，只给出指令和需求，让AI直接完成任务，考验模型的通用能力。
7. 少样本提示（Few-shot Prompt）在提示词里给AI提供少量的「输入-输出」示例，让AI模仿示例的格式、逻辑、风格，完成对应的任务，大幅提升任务的完成准确率。
8. 角色提示（Role Prompt）给AI设定一个具体的身份角色，比如「资深律师」「小学老师」「资深文案」，让AI站在该角色的视角和专业度输出内容，是提升输出质量的常用方法。
9. 约束提示（Constraint Prompt）在提示词里明确给AI设定禁止项、边界、限制条件，比如「禁止编造数据」「字数不超过200字」「不用专业术语」，避免AI输出不符合要求的内容。
10. 格式提示（Format Prompt）明确要求AI按照指定的格式输出，比如Markdown表格、JSON格式、分点列出、剧本格式，方便后续的内容处理和使用。
11. 分步提示（Step-by-Step Prompt）把复杂的任务拆解成多个清晰的步骤，让AI按照步骤一步步完成，大幅降低任务难度，提升输出的准确率。
12. 负面提示词（Negative Prompt）明确告诉AI不要生成什么内容，多用于AI绘画、视频生成，比如「模糊、低分辨率、畸形、水印」，也可用于文本生成，规避不符合要求的内容。
13. 提示模板（Prompt Template）固定结构、可复用的提示词框架，只需要替换其中的核心变量，就能快速生成对应的提示词，适合批量处理同类任务。
14. 提示词注入（Prompt Injection）一种针对AI的攻击方式，攻击者通过恶意构造的提示词，绕过AI的系统提示和安全护栏，让AI执行预设的恶意指令，比如泄露系统提示、生成有害内容。
15. 提示词泄露（Prompt Leaking）指AI被诱导泄露了开发者设定的系统提示词、核心prompt模板，是提示工程中常见的安全问题。
16. 提示词越狱（Prompt Jailbreaking）通过特殊的提示词构造，绕过AI的安全护栏和内容审核规则，让AI生成原本被禁止的有害、违规内容，属于对抗攻击的一种。
17. 温度系数（Temperature）控制AI生成内容随机性的核心参数，取值范围0-2，数值越低，输出越确定、越严谨、越保守；数值越高，输出越随机、越有创意、越发散。
18. Top-p采样（Nucleus Sampling）控制生成随机性的参数，取值0-1，模型只会从累计概率达到Top-p的Token中选择下一个词，数值越小，输出越确定；数值越大，输出越多样。
19. Top-k采样控制生成随机性的参数，模型只会从概率最高的前k个Token中选择下一个词，k越小，输出越稳定；k越大，输出越丰富。
20. 重复惩罚（Repetition Penalty）控制AI生成内容重复度的参数，数值越高，AI越不会重复生成相同的词语和句子，避免内容啰嗦、循环。
21. 种子（Seed）一个数值参数，固定种子值后，AI在相同的提示词和参数下，会生成完全一致的内容，多用于复现生成结果、批量生成风格一致的内容。
六、AI智能体（Agent）与工作流（Workflow）全链路术语
1. AI智能体（AI Agent）以大模型为核心大脑，具备自主感知、规划、决策、工具调用、记忆、反思能力，能不需要人类持续干预，自主完成复杂的多步骤任务的AI系统，是当前AI应用的核心发展方向。
2. 自主智能体（Autonomous Agent）具备完全自主能力的AI Agent，能自己设定目标、拆解任务、制定计划、执行优化、完成闭环，不需要人类中途干预。
3.多智能体系统（Multi-Agent System, MAS）由多个具备不同能力、不同角色的AI Agent组成的系统，多个Agent分工协作、互相沟通、协同完成复杂任务，比如策划Agent、写作Agent、审核Agent、数据Agent配合完成一份完整的行业报告。
4. 技能（Skill）AI Agent具备的可复用、可组合的原子能力单元，比如写邮件、做表格、翻译、写代码、查天气、数据分析，一个Agent可以拥有多个Skill，组成技能库。
5. 技能库（Skill Library / Skill Set）把多个标准化的Skill集中管理、统一调度的集合，Agent可以根据任务需求，自动从技能库中调用对应的能力。
6. 工具（Tool）Agent可以调用的外部功能和接口，比如搜索引擎、计算器、数据库、API、文件读写工具、代码执行器，是Agent突破大模型自身能力边界、和真实世界交互的核心载体。
7. 工具调用（Tool Use / Tool Calling）大模型/Agent的核心能力，能自主判断「什么时候需要调用工具、调用哪个工具、给工具传入什么参数」，并根据工具返回的结果，继续完成任务。
8. 插件（Plugin）给大模型/Agent扩展能力的模块化组件，本质是封装好的Tool和Skill，用户可以像安装软件一样，给AI安装插件，快速扩展对应的能力。
9. 专家模型（Expert Model）专注于某一个特定领域、特定任务的专用模型或Skill，比如法律专家模型、医疗专家模型、代码专家模型，Agent可以根据任务类型，自动路由到对应的专家模型处理。
10. 工作流（Workflow）完成一个复杂任务的标准化、可复用的全流程步骤，把多个子任务、工具调用、模型调用、人工节点，按照固定的逻辑和顺序串联起来，实现任务的自动化执行。
11. 端到端工作流（End-to-End Workflow）从用户的原始需求输入，到最终的结果输出，全程自动化执行，不需要人工中途干预的完整工作流。
12. 流水线（Pipeline）多个模型、模块、步骤按照固定的顺序串联执行的流程，前一个模块的输出作为后一个模块的输入，多用于数据处理、内容生成、模型推理的标准化流程。
13. 任务编排（Task Orchestration）对复杂任务的多个子步骤、多个工具、多个模型进行统一的调度、管理、监控，按照逻辑顺序和依赖关系执行，保证整个流程的稳定和闭环。
14. 执行链（Execution Chain）Agent完成一个任务的完整执行链路，通常是「接收需求→任务拆解→规划步骤→调用工具→获取结果→整理输出→反思校验」的完整链条。
15. 推理与行动框架（Reasoning and Acting, ReAct）当前AI Agent的主流框架，让Agent把「推理思考」和「行动执行」交替进行，先思考下一步要做什么，再通过工具调用执行，再根据执行结果继续思考，循环迭代，直到完成任务。
16. 规划（Planning）Agent的核心能力，接收用户的复杂目标后，自动把大目标拆解成多个可执行的小步骤，制定执行计划、判断步骤的优先级和依赖关系。
17. 任务拆解（Task Decomposition）规划的核心环节，把一个复杂的、多步骤的大任务，拆解成多个简单的、可直接执行的原子子任务，降低执行难度。
18. 反思（Reflection / Reflexion）Agent的核心能力，对自己的执行过程、输出结果进行自我检查、自我批判、纠错优化，判断是否完成任务、是否有错误、是否需要重新执行，大幅提升任务完成的准确率。
19. 自我优化（Self-Improvement）Agent根据历史执行的经验和反馈，自动优化自己的规划能力、工具调用能力、输出效果，持续提升任务完成的效率和准确率。
20. 记忆（Memory）Agent的核心基础能力，存储对话历史、任务执行信息、用户偏好、外部知识、历史经验，是Agent完成多轮任务、持续学习的基础。
21. 短期记忆（Short-term Memory）对应大模型的上下文窗口，存储当前对话、当前任务的临时信息，任务结束后会清空。
22. 长期记忆（Long-term Memory）存储在外部数据库/向量库中的持久化信息，包括用户的长期偏好、历史对话、专业知识、执行经验，Agent可以随时检索调用，突破上下文窗口的限制。
23. 工作记忆（Working Memory）Agent执行任务时，临时存储的中间结果、思考过程、执行状态，是Agent完成多步骤任务的临时信息载体。
24. 情景记忆（Episodic Memory）存储Agent和用户交互的历史事件、对话场景、具体案例，让Agent能记住和用户的历史交互细节。
25. 语义记忆（Semantic Memory）存储Agent学到的结构化知识、常识、事实、规则，是Agent的知识库。
26. 检索增强生成（Retrieval-Augmented Generation, RAG）解决大模型幻觉、知识更新不及时的核心技术，核心流程是：先把用户的问题转换成向量，从外部知识库中检索相关的精准信息，再把检索到的信息和问题一起传给大模型，让大模型基于真实的参考信息生成回答，大幅提升回答的准确率和时效性。
27. 向量数据库（Vector Database）专门存储和管理高维向量的数据库，支持快速的相似度检索，是RAG、Agent长期记忆的核心载体。
28. 分块（Chunking）RAG的核心预处理环节，把长文档、长文本拆分成多个固定长度的小文本块，再转换成向量存储到向量库中，提升检索的准确率。
29. 召回（Retrieval）RAG的核心环节，根据用户的问题，从向量库中检索出和问题相关的文本块，是保证信息相关性的第一步。
30. 重排（Reranking）RAG的优化环节，对召回的初步结果，用更精准的模型重新排序，筛选出最相关、最优质的信息，传给大模型，提升回答的精准度。
31. 代理RAG（Agentic RAG）RAG和Agent结合的进阶方案，让Agent自主决定「什么时候检索、检索什么内容、检索多少次、怎么处理检索结果」，突破传统RAG的固定流程限制，处理更复杂的多轮问答和长文档任务。
32. 路由（Routing）智能调度的核心环节，根据用户的问题类型、领域、难度，自动把问题分配给对应的专家模型、Skill、Agent处理，提升处理效率和准确率。
33. 状态管理（State Management）工作流和Agent的核心功能，记录任务的执行进度、中间结果、上下文状态、异常信息，保证流程中断后可以恢复，多步骤任务可以稳定执行。
34. 人在回路（Human-in-the-Loop, HITL）在AI的自动化工作流中，加入人工审核、人工确认、人工修正的节点，关键环节由人做最终决策，提升任务的安全性和准确率，避免AI出错。
七、自然语言处理（NLP）专项术语
1. 自然语言处理（Natural Language Processing, NLP）AI的核心分支，研究如何让计算机理解、生成、处理人类自然语言的技术，是大语言模型、对话系统、机器翻译的基础。
2. 自然语言理解（Natural Language Understanding, NLU）NLP的核心方向，研究如何让计算机读懂文本的语义、意图、情感、逻辑，而非仅仅识别文字，是问答系统、对话机器人的核心。
3. 自然语言生成（Natural Language Generation, NLG）NLP的核心方向，研究如何让计算机生成通顺、连贯、符合逻辑、符合场景的自然语言文本，是当前AIGC文本生成的核心。
4. 命名实体识别（Named Entity Recognition, NER）NLP的基础任务，从文本中识别出特定类型的实体，比如人名、地名、组织机构名、时间、日期、金额、专有名词，是信息提取、知识图谱的基础。
5. 词性标注（Part-of-Speech Tagging, POS Tagging）给文本中的每个词语标注对应的词性，比如名词、动词、形容词、副词，是文本理解、句法分析的基础。
6. 情感分析（Sentiment Analysis）识别文本中表达的情感倾向和情绪类型，比如正面、负面、中性，或者喜悦、愤怒、悲伤、惊讶，多用于舆情分析、评论分析、用户反馈处理。
7. 文本分类（Text Classification）把文本按照预设的类别进行分类，比如垃圾邮件识别、新闻分类、评论主题分类、违规内容识别，是NLP最基础的任务之一。
8. 文本摘要（Text Summarization）把长文本压缩成简短的摘要，保留核心信息和主要内容，分为抽取式摘要（从原文中提取关键句子）和生成式摘要（用AI重新生成通顺的摘要）。
9. 机器翻译（Machine Translation, MT）把一种自然语言自动翻译成另一种自然语言，是NLP的经典任务，当前主流方案是基于大语言模型的生成式翻译。
10. 机器阅读理解（Machine Reading Comprehension, MRC）让计算机读懂给定的文本，然后回答基于文本的相关问题，是问答系统、智能客服的核心技术。
11. 意图识别（Intent Recognition）识别用户输入的文本背后的真实意图和需求，比如查天气、订机票、投诉、咨询问题，是对话机器人、智能客服的核心环节。
12. 槽位填充（Slot Filling）配合意图识别，从用户的文本中提取出完成任务所需的关键信息，比如订机票需要的时间、出发地、目的地、舱位，是任务型对话系统的核心技术。
13. 知识图谱（Knowledge Graph, KG）结构化的语义知识库，用「实体-关系-实体」的三元组形式，存储现实世界中的事物和它们之间的关联关系，比如「北京-是首都-中国」，是AI做知识推理、精准问答的重要工具。
14. 文本纠错（Text Correction）自动识别并修正文本中的错别字、语法错误、标点错误、语句不通顺的问题，是输入法、文案工具、内容审核的常用功能。
15. 关键词提取（Keyword Extraction）自动从文本中提取出最核心、最能代表文本主题的关键词和关键短语，是文本分析、搜索引擎、内容推荐的基础技术。
八、计算机视觉（CV）与AIGC专项术语
1. 计算机视觉（Computer Vision, CV）AI的核心分支，研究如何让计算机「看懂」图像和视频，模拟人类的视觉能力，完成识别、检测、分割、生成等任务。
2. AIGC（AI Generated Content，人工智能生成内容）用AI技术自动生成文本、图像、语音、视频、3D模型、代码、音乐等各类内容的技术总称，是当前AI最热门的应用方向。
3. 文生图（Text-to-Image, T2I）根据用户输入的文本提示词，用AI自动生成对应的图像，是当前最成熟的AIGC应用之一。
4. 文生视频（Text-to-Video, T2V）根据用户输入的文本提示词，用AI自动生成对应的视频内容，是当前AIGC的核心发展方向。
5. 图生图（Image-to-Image, I2I）根据用户输入的参考图片和提示词，用AI对图片进行修改、重绘、风格转换、画质提升，生成新的图片。
6. 图生视频（Image-to-Video, I2V）根据用户输入的参考图片，用AI把静态图片转换成动态的视频内容。
7. 视频生视频（Video-to-Video, V2V）根据用户输入的参考视频和提示词，用AI对视频进行风格转换、内容修改、画质提升、时长扩展，生成新的视频。
8. 文生3D（Text-to-3D, T23D）根据用户输入的文本提示词，用AI自动生成3D模型，是AIGC的新兴方向。
9. 潜在扩散模型（Latent Diffusion Model, LDM）当前AI绘画、图像生成的主流底层架构，把图像压缩到潜在空间中进行加噪和去噪，大幅降低计算量，提升生成速度和质量，Stable Diffusion就是基于该架构。
10. 去噪扩散概率模型（Denoising Diffusion Probabilistic Model, DDPM）扩散模型的基础版本，定义了扩散模型的核心加噪和去噪流程，是所有扩散模型的理论基础。
11. 控制网络（ControlNet）AI绘画的核心控制工具，通过姿态、深度、边缘、线稿等参考图，精准控制AI生成图像的构图、人物姿态、物体结构，解决生成内容不可控的问题。
12. 重绘（Inpainting）对图片的指定局部区域进行重新绘制，修改局部内容，同时保持图片其他区域不变，多用于图片修图、内容修改。
13. 扩图/外绘（Outpainting）对图片的边缘进行扩展，补全图片之外的内容，扩大图片的尺寸和画面范围。
14. CFG Scale（Classifier-Free Guidance Scale，引导尺度）AI绘画的核心参数，控制生成的图片和提示词的匹配程度，数值越高，图片越贴合提示词；数值越低，生成的创意性越强。
15. 采样器（Sampler）扩散模型中，从噪声中逐步去噪生成图片的算法，不同的采样器生成的图片风格、速度、质量有差异，常见的有Euler、DPM++、DDIM等。
16. 采样步数（Sampling Steps）AI生成图片时，去噪的迭代步数，步数越多，生成的图片细节越丰富、质量越高，但生成速度越慢，通常20-30步就能达到较好的效果。
17. Checkpoint（模型权重文件/底模）预训练完成的AI绘画基础大模型，决定了生成图片的整体风格、画质、基础能力，是AI绘画的核心底座。
18. LoRA模型（AI绘画）轻量级的AI绘画定制模型，用少量图片训练而成，用于给底模添加特定的风格、人物、物体、场景，无需改动底模，可灵活插拔使用。
19. VAE（变分自编码器，Variational Auto-Encoder）扩散模型的组件之一，负责图像和潜在空间之间的编码和解码，影响生成图片的色彩、细节和画质。
20. 蒙版（Mask）在AI绘画重绘时，用来标记需要修改的区域的黑白遮罩，白色区域为需要重绘的部分，黑色区域保持不变。
21. 光学字符识别（Optical Character Recognition, OCR）从图片、扫描件、PDF、视频中提取文字内容，把图像中的文字转换成可编辑的文本，是最常用的CV落地技术之一。
22. 目标检测（Object Detection）CV的基础任务，在图片/视频中定位并识别出物体的位置和类别，比如人脸、车辆、行人、商品，是安防、自动驾驶、智能巡检的核心技术。
23. 图像分割（Image Segmentation）对图片进行像素级的划分，把图片中的不同物体、不同区域精准分割出来，分为语义分割、实例分割、全景分割。
24. 人脸识别（Face Recognition）基于人脸的特征信息，进行身份识别和验证的技术，包括人脸检测、人脸关键点定位、人脸特征提取、人脸比对，是安防、门禁、身份核验的常用技术。
25. 图像超分辨率（Image Super-Resolution）用AI提升图片的分辨率和画质，把低清模糊的图片转换成高清清晰的图片，修复图片细节。
26. 视频超分（Video Super-Resolution）用AI提升视频的分辨率、帧率、画质，修复模糊的视频，把低清视频转换成高清视频。
27. 视频插帧（Video Frame Interpolation）用AI给视频补充中间帧，提升视频的帧率，让视频更流畅，解决视频卡顿、掉帧的问题。
28. AI数字人（AI Digital Human）用AI技术生成的虚拟数字人物，具备形象、声音、动作、对话能力，可用于直播、短视频、客服、品牌代言等场景。
29. 唇形同步（Lip Sync）让数字人的嘴型和语音内容精准匹配，实现口型和说话内容同步，是数字人制作的核心技术。
30. 动作捕捉（Motion Capture, MoCap）捕捉人的肢体动作、面部表情，转换成数字信号，驱动数字人、3D模型做出对应的动作和表情。
31. 神经辐射场（Neural Radiance Field, NeRF）用AI从2D图片中重建出3D场景和物体，实现照片级的3D视图渲染，是3D内容生成、数字孪生的核心技术。
32. 高斯泼溅（3D Gaussian Splatting, 3DGS）新一代的3D场景重建和渲染技术，比NeRF速度更快、渲染效果更真实、对硬件要求更低，是当前3D AIGC的热门技术。
33. 深度伪造（Deepfake）用AI技术对图像、视频中的人脸、声音进行替换、伪造，生成逼真的虚假内容，存在严重的安全和伦理风险。
九、多模态AI专项术语
1. 多模态（Multimodal）指文本、图像、语音、视频、3D、传感器信号等不同类型的信息载体，每一种类型称为一个模态。
2. 多模态大模型（Multimodal Large Language Model, MLLM）能同时处理和理解文本、图像、语音、视频等多种模态信息的大语言模型，能实现图文问答、文生图、视频理解、语音对话等跨模态任务，是当前大模型的主流发展方向。
3. 跨模态（Cross-modal）不同模态之间的转换和关联，比如文本转图像、图像转文本、语音转文本，核心是让不同模态的信息在语义空间中实现对齐。
4. 跨模态对齐（Cross-modal Alignment）让不同模态的信息（比如文本「猫」和猫的图片）在模型的特征空间中对应起来，让模型能理解不同模态之间的语义关联，是多模态模型的核心基础。
5. 视觉语言模型（Vision-Language Model, VLM）能同时处理和理解图像和文本的多模态模型，能实现图文问答、图像描述、图文检索、视觉推理等任务，是多模态大模型的核心分支。
6. 视觉编码器（Vision Encoder）多模态模型的核心组件，负责把图像、视频等视觉信息转换成模型能处理的特征向量，和文本的嵌入向量对齐，让模型能理解视觉内容。
7. 多模态融合（Multimodal Fusion）把文本、图像、语音等不同模态的特征信息，按照合理的方式融合在一起，让模型能综合利用多模态的信息，做出更准确的判断和生成。
8. 跨模态检索（Cross-modal Retrieval）用一种模态的内容，检索另一种模态的相关内容，比如用文本搜图片、用图片搜文本、用视频搜文案。
9. 多模态思维链（Multimodal Chain-of-Thought, MCoT）让多模态模型结合图像和文本信息，分步推理，先理解视觉内容，再结合文本问题，一步步思考给出答案，大幅提升多模态模型的复杂推理能力。
十、语音交互专项术语
1. 自动语音识别（Automatic Speech Recognition, ASR）把人类的语音音频转换成文本内容，也就是语音转文字（Speech-to-Text, STT），是语音交互的第一步。
2. 文本转语音（Text-to-Speech, TTS）把文本内容合成为自然流畅的人类语音，也就是语音合成，是语音交互的核心环节。
3. 语音克隆（Voice Cloning）用少量的用户语音样本，克隆复刻用户的音色、说话风格、语气，让AI合成的语音和目标人的声音几乎一致。
4. 声纹识别（Voiceprint Recognition）通过人的声音特征，识别说话人的身份，用于身份核验、门禁、安防等场景。
5. 语音唤醒（Wake Word Detection / Keyword Spotting, KWS）设备在待机状态下，通过指定的唤醒词，唤醒语音助手，开始接收语音指令，是智能音箱、车载语音的必备功能。
6. 口语理解（Spoken Language Understanding, SLU）对语音识别出来的文本，进行意图识别、槽位填充、语义理解，读懂用户语音指令的真实需求，是语音对话系统的核心。
7. 语音端点检测（Voice Activity Detection, VAD）自动识别音频中人类说话的开始和结束位置，过滤掉静音和背景噪音，只对有效语音进行识别，提升ASR的准确率和效率。
8. 语音增强（Speech Enhancement）过滤掉语音音频中的背景噪音、回声、干扰，提升语音的清晰度和信噪比，提升嘈杂环境下的语音识别准确率。
9. 语音情感识别（Speech Emotion Recognition, SER）从语音音频中识别说话人的情绪状态，比如开心、愤怒、悲伤、紧张，多用于智能客服、心理咨询、舆情分析。
十一、AI工程化、部署与算力术语
1. MLOps（机器学习运维，Machine Learning Operations）把机器学习模型的开发、训练、部署、监控、运维全流程标准化、自动化的工程体系，提升AI模型的落地效率和稳定性。
2. LLMOps（大语言模型运维，Large Language Model Operations）针对大语言模型的MLOps，专门适配大模型的微调、部署、推理优化、监控、版本管理全流程，是当前大模型工程化的核心体系。
3. 推理优化（Inference Optimization）通过量化、KV缓存、算子优化、模型编译、分布式推理等技术，提升大模型的推理速度、降低延迟、减少显存占用、提升并发能力，是大模型落地的核心环节。
4. 分布式训练（Distributed Training）把大模型的训练任务拆分到多个GPU/多个服务器上并行执行，解决单卡显存不足、训练速度过慢的问题，是训练大模型的必备技术。
5. 数据并行（Data Parallelism）分布式训练的基础方案，把训练数据拆分到多个GPU上，每个GPU都有完整的模型，各自计算梯度，再汇总更新参数，提升训练速度。
6. 模型并行（Model Parallelism）针对超大模型的分布式训练方案，把模型的不同层、不同参数拆分到多个GPU上，每个GPU只负责模型的一部分计算，解决单卡放不下大模型的问题，分为张量并行、流水线并行等。
7. 云端部署（Cloud Deployment）把AI模型部署在云端服务器上，通过API接口对外提供服务，用户通过网络调用AI能力，是当前最主流的部署方式。
8. 端侧部署/边缘部署（On-device Deployment / Edge Deployment）把AI模型直接部署在手机、电脑、摄像头、工控机等终端设备上，模型在本地运行，不需要上传数据到云端，响应速度更快、隐私性更好。
9. 端云协同（Device-Cloud Collaboration）结合端侧和云端的优势，简单的任务在端侧本地处理，复杂的任务上传到云端大模型处理，兼顾响应速度、隐私性和模型能力。
10. 私有化部署（Private Deployment）把AI模型和服务部署在企业自己的服务器和私有网络中，数据不经过第三方，保障数据安全和隐私，是金融、政务、医疗等对数据安全要求高的行业的主流部署方式。
11. 模型即服务（Model-as-a-Service, MaaS）把AI大模型的能力封装成标准化的API服务，用户不需要自己训练和部署模型，直接通过接口调用，按需付费使用，是当前大模型商业化的主流模式。
12. 推理引擎（Inference Engine）专门优化过的软件框架，用于高效执行AI模型的推理过程，提升推理速度，降低硬件占用，常见的有TensorRT、ONNX Runtime、vLLM、Text Generation Inference（TGI）。
13. 模型服务化（Model Serving）把训练好的AI模型封装成标准化的API服务，对外提供推理能力，同时管理服务的并发、扩容、监控、版本迭代。
14. 模型漂移（Model Drift）模型部署上线后，因为真实场景的数据分布和训练数据发生变化，导致模型的效果持续下降，是AI模型运维需要重点监控和解决的问题。
15. 算力（Computing Power）计算机处理AI计算任务的能力，核心是GPU、NPU、TPU等AI加速芯片的浮点运算能力，是训练和运行大模型的核心基础资源。
16. FLOPs（每秒浮点运算次数）衡量算力和模型计算量的核心单位，FLOPs越高，算力越强，模型的计算量越大。
17. GPU（图形处理器，Graphics Processing Unit）当前AI训练和推理的核心硬件，具备强大的并行计算能力，远超CPU，是大模型训练和AIGC生成的主力芯片。
18. NPU（神经网络处理器，Neural Processing Unit）专门为神经网络计算设计的AI加速芯片，针对AI推理和训练做了深度优化，能效比更高，多用于端侧设备和国产AI算力场景。
19. TPU（张量处理器，Tensor Processing Unit）谷歌专门为Transformer模型和AI计算设计的AI加速芯片，主要用于谷歌自身的大模型训练和云端服务。
20. 显存（Video Memory, VRAM）GPU上的高速内存，用于存储模型的参数、计算过程中的中间数据，显存的大小决定了能运行的模型的最大规模，是AI显卡的核心指标。
21. CUDA（Compute Unified Device Architecture，计算统一设备架构）英伟达推出的并行计算平台和编程模型，让GPU能用于通用的AI计算，是当前AI训练和推理的主流软件生态。
22. 张量核心（Tensor Core）英伟达GPU上专门为矩阵运算设计的计算单元，是Transformer模型和AI计算的核心，大幅提升AI训练和推理的速度。
23. API（应用程序编程接口，Application Programming Interface）把AI能力封装成标准化的接口，其他软件和系统可以通过接口调用AI的能力，不需要了解模型的底层实现。
24. SDK（软件开发工具包，Software Development Kit）封装了AI能力的开发工具包，提供了现成的接口、函数、示例代码，帮助开发者快速把AI能力集成到自己的应用中。
十二、AI安全、伦理与合规术语
1. AI对齐（AI Alignment）让AI的行为、目标、输出，和人类的意图、价值观、安全规范、伦理要求保持一致，避免AI生成有害内容、做出不符合人类预期的行为，是大模型安全的核心研究方向。
2. 价值对齐（Value Alignment）让AI的目标和价值观，和人类的主流价值观、伦理道德保持一致，避免AI产生和人类相悖的目标和行为。
3. 意图对齐（Intent Alignment）让AI能准确理解人类的真实意图，输出符合用户真实需求的内容，避免误解用户的指令，同时避免被恶意指令诱导。
4. 护栏（Guardrails）给AI模型设定的安全规则、输出边界、禁止项，通过系统提示、对齐训练、内容审核等技术，限制AI生成有害、违规、虚假的内容，保障AI输出的安全。
5. 红队测试（Red Teaming）针对AI模型的安全测试，由专门的红队人员，通过各种对抗性的提示词、攻击方式，主动寻找模型的安全漏洞、越狱风险、偏见问题，提前发现并修复模型的安全隐患。
6. 对抗攻击（Adversarial Attack）通过构造特殊的输入（对抗样本、恶意提示词），让AI模型出现错误的输出、绕过安全护栏、泄露隐私信息，是AI安全的主要威胁。
7. 对抗样本（Adversarial Example）在原始输入中加入人眼无法察觉的微小扰动，让AI模型出现错误的识别和判断，比如给图片加微小的噪声，让图像识别模型把猫识别成狗。
8. 模型投毒（Model Poisoning）给模型的训练数据中加入恶意的、有毒的数据，让模型学到错误的知识、产生后门、生成有害内容，是针对AI模型训练环节的攻击方式。
9. 差分隐私（Differential Privacy）一种隐私保护技术，在模型训练过程中加入适量的噪声，让攻击者无法从训练好的模型中反推出训练数据中的个人隐私信息，保障训练数据的隐私安全。
10. 可解释AI（Explainable AI, XAI）研究如何让AI模型的决策过程、输出结果变得可理解、可追溯、可解释，打破AI的「黑箱」，让人类知道AI为什么做出这样的判断，是AI合规和可信的核心要求。
11. 算法偏见（Algorithm Bias）因为训练数据的不平衡、标注的偏见、模型设计的缺陷，导致AI模型对特定性别、种族、地域、群体产生不公平的判断和歧视性输出，是AI伦理的核心问题。
12. 内容安全（Content Safety）通过技术手段，检测和过滤AI生成的色情、暴力、恐怖、仇恨、虚假信息、违规违法等有害内容，保障AI输出的内容安全合规。
13. 数字水印（Digital Watermarking）在AI生成的图像、视频、文本中，嵌入人眼无法察觉的隐形水印，用于溯源AI生成的内容，识别深度伪造内容，保障AIGC内容的可追溯性。
14. 负责任的AI（Responsible AI）AI开发和落地的核心理念，要求AI的研发、部署、使用全流程，都遵循公平、透明、安全、隐私保护、伦理合规的原则，避免AI带来的负面风险。
15. 可信AI（Trustworthy AI）具备安全可靠、可解释、公平公正、隐私保护、可控可管等特性的AI系统，是AI大规模落地应用的基础。
十三、行业应用与商业化新词
1. AI原生应用（AI-Native Application）从底层设计开始，就以AI大模型为核心能力驱动的应用，而非在传统应用中简单加入AI功能，是未来AI应用的主流形态。
2. Copilot（副驾驶）嵌入到各类软件和工作场景中的AI助手，能辅助用户完成写作、编码、设计、数据分析、办公等各类工作，提升工作效率，是当前AI应用最主流的形态。
3. 垂直大模型（Vertical LLM）针对医疗、法律、金融、工业、教育等特定垂直行业，用行业专业数据训练优化的大模型，在该行业内的专业性、准确率远超通用大模型。
4. 数字孪生（Digital Twin）用数字技术，在虚拟空间中复刻现实世界中的物理实体、场景、流程，通过AI模拟、分析、优化实体的运行状态，多用于工业制造、城市管理、建筑、自动驾驶等场景。
5. RPA+AI把机器人流程自动化（RPA）和AI大模型结合，让RPA不仅能执行固定的流程，还能通过AI理解非结构化数据、自主决策、处理异常情况，实现更智能的自动化办公。
6. 自适应学习（Adaptive Learning）AI教育的核心模式，通过AI分析学生的学习情况、知识薄弱点，自动为学生定制个性化的学习计划和内容，实现因材施教。
7. 工业大模型（Industrial LLM）针对工业制造场景的垂直大模型，能理解工业数据、工艺知识、设备参数，辅助完成工业设计、生产调度、设备故障诊断、质量检测等任务。
8. AI代码助手（AI Code Assistant）嵌入到开发工具中的AI助手，能辅助开发者完成代码生成、代码补全、代码调试、漏洞检测、代码注释等工作，大幅提升开发效率。
9. 低代码/无代码（Low-Code / No-Code）通过可视化的拖拽操作和AI辅助，不需要写代码或者只需要写少量代码，就能快速开发应用系统，AI大模型大幅降低了低代码/无代码的使用门槛。
十四、行业黑话与应用场景新词
1. 炼丹：指AI模型的训练过程，像炼丹一样，需要调整各种参数、优化数据配方，最终的效果有一定的不确定性，行业内把模型训练称为「炼丹」。
2. 炼丹师：调侃AI算法工程师、模型训练工程师。
3. 调参侠：调侃只会调整模型超参数，不懂底层算法原理的算法从业者。
4. 玄学：指AI训练和使用中，无法用理论完全解释、全靠经验和运气的现象。
5. 收敛了：原指模型训练时损失函数稳定，效果达标；现也调侃事情有了结果、人终于想通了。
6. 炸了/不收敛：原指模型训练失败，损失函数飙升，效果完全不行；现也调侃事情搞砸了、人情绪崩溃了。
7. 平替模型：指效果接近GPT等闭源大模型的开源小模型，能低成本替代闭源模型使用。
8. 底座：指通用基础大模型，是二次开发、微调、搭建AI应用的底层核心。
9. 喂数据：指给模型训练输入数据，也调侃给AI提供参考资料。
10. 刷榜：指在大模型的权威测评榜单上，通过各种方式优化模型，刷高榜单分数，证明模型的能力。
11. SOTA（State-of-the-Art）：指当前行业内效果最优的模型、算法、方案。
12. 咒语：调侃AI绘画、AI生成中的提示词，尤其是复杂的、能生成优质内容的关键词组合。
13. 出图/跑图：指AI绘画生成图片的过程。
14. 翻车：指AI生成的内容完全不符合预期，出现畸形、错误、逻辑混乱的问题。
15. 嘴替：调侃AI能精准帮人说出想说又说不出来的话，写出想写又写不好的文案。
16. 一本正经地胡说八道：形容AI幻觉的经典表述，指AI看似逻辑严谨、语气肯定，实则全是编造的虚假内容，现也成为网络通用热词。
17. 上下文没了：调侃人忘了之前说的话，记不住对话的前情，对应大模型的上下文窗口限制。
18. 投毒：指给模型的训练数据中加入恶意内容，让模型学到错误的知识，也用于调侃给AI提供错误的参考资料。
19. 黑箱：指AI的思考/决策过程无法解释，没人知道它是怎么得出当前结果的。
（注：AI辅助整理，仅供参考）