夜雨聆风经常有人问我：AI 圈那些黑话，到底啥意思？
什么 LLM、RAG、RLHF、Agentic AI…… 我一开始也懵。后来发现这些词其实没多难，只是圈子里的人故意把话说复杂了，显得自己厉害。
这篇 glossary 我就帮你把最常用、最绕不开的 AI 术语，全部翻译成人话。不搞学术定义，不背概念，看完就能去开会吹牛。
人话：就是你天天用的 ChatGPT、Claude、Kimi 背后那个大脑。本质上是一个会读会写的超级机器，读了互联网上几百亿本书和文章，学会了怎么接话、怎么写代码、怎么讲故事。
关键：你跟 AI 聊天，就是跟 LLM 聊天。它不会思考，它只是在猜"下一个词最可能是什么"。但猜多了，就看起来跟真懂了一样。
人话：不是只会聊天的 AI，而是能帮你干活的 AI。你说"帮我订今晚7点火锅，要离我最近的"，它真的自己打开美团、搜位置、比价、下单、付款——全程不用你动手。
关键：Agent 和 chatbot 的区别，就像"只会回答问题的客服"和"真能帮你办事的助理"。2026 年大家都在吹这个，因为 Agent 才是 AI 从"玩具"变成"工具"的转折点。
人话：AI 在编瞎话。你问它"某某公司的 CEO 是谁"，它说得头头是道，但那个人根本不存在。或者它给你编了一段论文引用，作者和标题全是假的。
关键：这是 AI 最大的坑。它不是在"故意骗你"，它只是不知道的时候也会瞎编。用 AI 写东西、查资料，一定要 double-check，尤其是数字和人名。
人话：让 AI 在回答之前，先查一下资料。不是凭空瞎编，而是去你的公司文档、产品手册、数据库里翻一圈，然后基于真实资料来回答。
关键：这是解决"幻觉"最靠谱的方法之一。企业用 AI 的时候，基本都要上 RAG，不然 AI 张嘴就来，出错了算谁的？
人话：拿一个通用的大模型（比如 GPT-4），再喂给它一些你独有的数据，让它学会你公司的语气、你行业的术语、你产品的卖点。相当于给通才家教补课，补成你的专属专家。
关键：很多 AI 创业公司所谓的"自研模型"，其实就是拿开源模型微调了一下。不是从零训练，而是站在巨人肩膀上修修补补。
人话：让一个聪明但贵的"老师模型"（比如 GPT-5），教一个便宜但小的"学生模型"做题。学生模型大量偷师老师，然后自己也变得挺聪明，但运行成本低得多。
关键：Meta 和 Anthropic 吵的"偷模型"事件，本质上就是蒸馏——用别人的模型输出数据训练自己的模型。大厂说"你偷我数据了"，小厂说"你 API 公开了我用用怎么了"。这潭水很浑。
人话：AI 处理文字的基本单位。不是"字"也不是"词"，而是一个片段——可能是半个词，可能是一个标点。比如 "ChatGPT" 可能被拆成 3 个 token。
关键：AI 收费是按 token 算的，不是按字数。你发一句话，AI 回一段话，两边加起来就是总 token 数。这就是为什么有时看起来没几个字，但扣了不少钱——因为 AI 的"内部开销"也算进去了。
人话：模型"训练"完了之后的实际使用过程。训练是上学，推理是毕业上班。你打开 ChatGPT 发消息，就是在触发推理。
关键：训练很贵（一次几百万到几亿），但推理相对便宜。不过推理量大的时候也很烧钱——比如一个聊天 App 有 1 亿用户，每发一条消息都要推理，那成本也不小。
人话：给 AI 喂数据，让它学习的过程。就像你读了几百本书，慢慢学会了写作。AI 读了互联网上的海量文本、图片、代码，学会了怎么模仿人类说话。
关键：训练一次非常贵。OpenAI 训练 GPT-4 据说花了上亿美元。所以现在大家越来越不"从零训练"，而是拿现成的模型改一改（微调、蒸馏）。
人话：让 AI 回答问题，然后人类给它打分——"这个回答好"、"这个回答烂"。AI 根据反馈调整自己，慢慢学会"什么样的回答人类更喜欢"。
关键：这就是让 AI 从"能回答"变成"回答得好"的关键步骤。没有 RLHF，ChatGPT 就会像早期 GPT-3 那样，回答问题又生硬又跑偏。
人话：就是算力。AI 行业说的 compute，基本等于 "GPU + 电 + 机房"。你想让模型更强、更快，就需要更多 compute。它是 AI 公司的"油钱"，也是最大的成本项。
关键：2026 年 compute 比黄金还值钱。各大公司抢 GPU、抢数据中心，抢的就是 compute。Meta 今年要砸 1450 亿美元，大部分就是买这个。
人话：AI 公司把内存芯片买光了，导致普通人买电脑、手机、游戏机都涨价。就像你跟别人抢房子，富人出高价把房源全扫了，你连个厕所都买不起。
关键：这个词是 2026 年新造的。内存条价格翻了好几倍，库克说苹果涨价就是因为它。跟 AI 大厂没关系，但你口袋确实受了牵连。
人话：AI 生成图片、音乐的核心技术。原理很反直觉：先把一张图片慢慢加噪声变成雪花屏，然后让 AI 学会"从雪花屏恢复成图片"。练多了，AI 就能从纯噪声画出全新的图片。
关键：Midjourney、DALL-E、Stable Diffusion 全是基于扩散。不是 AI "在画画"，而是 AI "在一步步去噪，还原出一张图"。
人话：两个 AI 互相 PK。一个负责"造假"（生成图片），一个负责"打假"（判断真假）。造假者越练越真，打假者越练越精，最后造假者造出来的东西，连人都分不出真假。
关键：GAN 是 deepfake（AI 换脸）的底层技术。现在大模型主流是扩散，但 GAN 在特定场景（比如人脸生成） still 很能打。
人话：AI 的"通用接口"。以前 AI 想连你的日历、邮箱、数据库，每个都得单独开发连接器。MCP 就像一个 USB-C，统一了接口，AI 插上去就能用。
关键：Anthropic 2024 年提出来的，现在 OpenAI、Google、微软都支持了。这是 Agent 时代的基础设施——没有 MCP，AI 就只能在原地聊天，不能真的帮你操作其他 App。
人话：把一个大模型拆成很多个"小专家"，每个专家只擅长一个领域。你问数学题，叫数学专家来答；你问文学，叫文学专家来答。不是全部人一起上，而是谁对口叫谁。
关键：MoE 的好处是——模型可以做得很大（参数万亿级），但推理时只跑一小部分，所以又快又省钱。OpenAI 的 GPT-4 和 Mistral 的 Mixtral 都是 MoE 架构。
人话：软件背后的"按钮"。A 软件想调用 B 软件的功能，就按一下 B 的 API 按钮。比如 AI Agent 想帮你查天气，就是按了天气 App 的 API 按钮。
关键：2026 年 AI Agent 的核心能力就是"自动找到并按这些按钮"。以前要程序员手动对接，现在 AI 自己能摸索了。这也是为啥有人说 Agent 要取代很多 API 工程师。
人话：让 AI 把思考过程一步一步写出来，而不是直接蹦答案。比如做数学题，AI 不是直接说"答案是 20"，而是写："先设 x 为鸡的数量，y 为牛的数量……"
关键：加了思维链，AI 做复杂题、逻辑推理的准确率大幅提升。GPT 的 o1、o3 系列就是靠这个。代价是回答变慢了——因为它在"演算草稿纸"。
人话：能自己写代码、自己测试、自己修 bug 的 AI。不是给你建议，而是真的打开编辑器、写文件、跑测试、发现问题、改代码，循环往复直到跑通。
关键：Cursor、GitHub Copilot 现在都有这功能。开发者说它是"不会累的实习生"——快是快，但写出来的代码还是要人 review，不然它可能给你埋坑。
人话：AI 自己设计自己的下一代，然后下一代再设计下一代，像滚雪球一样越滚越聪明，不需要人类插手。
关键：这是科幻片里的情节，但已经有人在搞了。乐观派说"这是通往 AGI 的捷径"，悲观派说"这是人类丧失控制权的开始"。反正暂时还没发生，但值得关注。
人话：一个 AI 能在几乎所有任务上都比普通人强——不是只会聊天，而是能写小说、做手术、谈判合同、设计芯片，样样精通。
关键：OpenAI 的 Sam Altman 说 AGI 就是"一个中等水平的人类同事"。但到底什么算 AGI，连专家都吵不清楚。有人说是 2027 年，有人说还得十年。反正现在市面上的 AI 都是"窄 AI"——只会特定的事，离 AGI 还远。
人话：开源就是把模型的代码、权重全部公开，谁都能下载、改、商用。比如 Meta 的 Llama。闭源就是黑盒，你只能用 API，看不到里面怎么运作的。比如 OpenAI 的 GPT。
关键：开源让研究者和创业公司低成本起步，但闭源公司说"开源不安全、容易被坏人利用"。2026 年这场辩论还在打，而且越来越政治化。
人话：衡量 AI 学得好不好的"成绩单分数"。分数越低，说明模型越靠谱。如果分数不降反升，说明模型在"死记硬背"而不是"真正学会"——这就是 overfitting（过拟合）。
关键：训练模型的人整天盯着这个数。它就像炒股盯 K 线，数值一跳，工程师就要去调参数。
人话：模型训练完之后，存下来的那堆数字。你可以把它理解为 AI 的"记忆"——它从数据里学到的所有东西，最终都压缩成了这些数字。
关键：一个模型动辄几百亿个权重。这些权重文件就是模型的本体，你把权重下载下来，就拥有了这个模型。这也是为什么大模型公司最怕权重泄露——权重丢了，就等于模型被复制了。
人话：让一个已经学会"通用技能"的模型，再去学"专业技能"。比如一个模型已经学会了英语语法，再让它学法语就会快很多——因为底层语言能力是相通的。
关键：这是微调和蒸馏的前提。没有迁移学习，每个模型都得从零开始学，成本会贵到没人能玩。
| 术语 | 一句话记住它 |
|---|---|
| LLM | 会接话的超级大脑 |
| Agent | 能帮你办事的 AI |
| 幻觉 | AI 在编瞎话 |
| RAG | 让 AI 先查资料再回答 |
| 微调 | 给通用模型补专业课 |
| 蒸馏 | 让小模型偷师大模型 |
| Token | AI 的"文字积木" |
| 推理 | 模型实际干活的时候 |
| 训练 | 给 AI 喂数据让它学习 |
| RLHF | 人类打分，AI 越练越好 |
| Compute | 算力 = GPU + 电 + 钱 |
| 扩散 | 从雪花屏画出新图片 |
| MCP | AI 的通用 USB-C 接口 |
| MoE | 大模型但只用一小部分专家 |
| 思维链 | 让 AI 把草稿写出来 |
| 编程 Agent | 自己写代码修 bug 的 AI |
| AGI | 啥都会的超级 AI（还没来） |
| 权重 | AI 的"记忆文件" |
看完这篇 glossary，你再去听那些 AI 会议、播客、产品发布会，基本不会懵了。
但有一个忠告：黑话知道的再多，也不如动手用一次 AI。打开 ChatGPT、Claude、Kimi，随便问几个问题，比背 100 个定义都管用。
术语是地图，AI 是土地。拿着地图不走路，永远到不了目的地。
收藏了这篇 glossary，下次开会有人蹦黑话，你就微笑点头，心里默念："这哥们儿说的是 LLM 在做 RAG 增强的微调，底层用了 MoE 架构，推理时按 token 计费。" 然后你可以问一句："你们 validation loss 降到多少了？" 对方直接愣住。
来源参考：TechCrunch 2026 年度 AI Glossary 2026-07-04 整理
