核心术语表（50个关键概念）

A

AI生成内容（AIGC）：AI自动生成文本、图像、音频等内容的技术。

算法（Algorithm）：解决特定问题的步骤化指令集，AI的核心"思维规则"。

B

贝叶斯网络（Bayesian Network）：基于概率图模型的推理工具，用于医疗诊断等不确定性问题。

表征学习（Representation Learning）：自动学习数据特征表示的过程，深度学习核心优势。

C

计算机视觉（CV）：让机器"看懂"图像的技术，应用于人脸识别、自动驾驶等。

卷积神经网络（CNN）：擅长处理网格数据的深度学习模型，广泛用于图像识别。

D

深度学习（Deep Learning）：基于深层神经网络的机器学习子领域，推动AI第三次浪潮。

决策树（Decision Tree）：模拟人类决策过程的树状模型，用于分类和回归任务。

E

嵌入（Embedding）：将离散数据（如文字）转化为连续向量的技术，NLP基础。

强化学习（Reinforcement Learning）：通过环境反馈优化策略的学习范式，如AlphaGo。

F

联邦学习（Federated Learning）：分布式训练技术，保护数据隐私的同时协同建模。

生成对抗网络（GAN）：通过生成器与判别器博弈生成逼真数据的模型。

G

生成式AI（Generative AI）：能创造新内容的AI系统，如ChatGPT、Midjourney。

梯度下降（Gradient Descent）：优化模型参数的核心算法，最小化预测误差。

H

** hallucination（幻觉）**：AI生成与事实不符内容的现象，如虚构参考文献。

启发式搜索（Heuristic Search）：通过经验规则加速问题求解的方法。

I

推理（Inference）：AI模型利用训练好的参数进行预测的过程。

集成学习（Ensemble Learning）：组合多个模型提升性能，如随机森林。

J

监督学习（Supervised Learning）：使用标注数据训练模型的机器学习范式。

卷积（Convolution）：提取局部特征的数学操作，CNN的核心组件。

K

K均值聚类（K-Means）：将数据分为K个簇的无监督学习算法。

知识图谱（Knowledge Graph）：结构化存储实体关系的数据库，如Google知识面板。

L

大语言模型（LLM）：千亿参数规模的语言模型，如GPT-5、文心一言。

长短期记忆网络（LSTM）：处理序列数据的RNN变体，用于语音识别等。

M

机器学习（Machine Learning）：让计算机从数据中学习规律的AI核心技术。

多模态（Multimodal）：同时处理文本、图像、语音等多种数据类型的能力。

N

自然语言处理（NLP）：让机器理解人类语言的技术，包括翻译、摘要等任务。

神经网络（Neural Network）：模拟人脑神经元连接的计算模型，AI的"大脑"。

O

过拟合（Overfitting）：模型过度拟合训练数据导致泛化能力下降的现象。

优化器（Optimizer）：调整模型参数以最小化损失函数的工具，如Adam。

P

参数（Parameter）：模型训练过程中学习的变量，决定AI的"认知能力"。

主成分分析（PCA）：降维技术，保留数据主要特征同时减少维度。

Q

强化学习与人类反馈（RLHF）：通过人类偏好数据优化AI行为的技术。

迁移学习（Transfer Learning）：将一个任务的知识迁移到新任务的学习方法。

R

召回率（Recall）：衡量模型识别所有相关样本能力的指标。

检索增强生成（RAG）：结合外部知识库提升AI回答准确性的技术。

S

监督学习（Supervised Learning）：使用标注数据训练模型的机器学习范式。

支持向量机（SVM）：通过超平面实现分类的经典算法。

T

Transformer：基于自注意力机制的模型架构，支撑现代LLM发展。

迁移学习（Transfer Learning）：将预训练模型适配新任务的高效方法。

U

无监督学习（Unsupervised Learning）：从无标签数据中发现规律的学习范式。

欠拟合（Underfitting）：模型过于简单无法捕捉数据规律的现象。

V

向量数据库（Vector Database）：存储和检索嵌入向量的专用数据库，如Milvus。

视觉Transformer（ViT）：将Transformer应用于计算机视觉的模型。

W

权重（Weight）：神经网络中连接强度的参数，决定信息传递的重要性。

Word2Vec：将词语转化为向量的经典NLP技术。

X

协同过滤（Collaborative Filtering）：推荐系统常用技术，基于用户行为相似性推荐。

学习率（Learning Rate）：控制梯度下降步长的超参数，影响模型收敛效果。

Y

注意力机制（Attention Mechanism）：让模型聚焦关键信息的技术，如Transformer中的自注意力。

样本（Sample）：训练数据中的单个数据点，如一张图像或一段文本。

Z

正则化（Regularization）：防止过拟合的技术，如L1/L2正则化。

准确率（Accuracy）：模型正确预测样本占总样本的比例。