AI高频术语词典
本词典涵盖AI领域100+核心术语，按分类整理，包含简称、全称、IPA音标及通俗解释。
适用场景：学习参考、文档附录、团队培训
一、基础概念
| 简称 | 全称 | 全称读音（IPA） | 通俗解释 |
|---|---|---|---|
| AI | Artificial Intelligence | /ˌɑːrtɪˈfɪʃəl ɪnˈtelɪdʒəns/ | 让机器模仿人类智能的系统，能看、听、说、决策 |
| AGI | Artificial General Intelligence | /ˌɑːrtɪˈfɪʃəl ˈdʒenrəl ɪnˈtelɪdʒəns/ | 通用人工智能，在大多数认知任务上达到或超越人类水平的AI |
| ANI | Artificial Narrow Intelligence | /ˌɑːrtɪˈfɪʃəl ˈnæroʊ ɪnˈtelɪdʒəns/ | 弱人工智能，只在特定任务上表现优秀（如下棋、识图） |
| ML | Machine Learning | /məˈʃiːn ˈlɜːrnɪŋ/ | 机器学习，让机器通过数据自主学习，而非靠硬编码规则 |
| DL | Deep Learning | /diːp ˈlɜːrnɪŋ/ | 深度学习，使用多层神经网络的机器学习子集，擅长图像/语音 |
| NLP | Natural Language Processing | /ˈnætʃərəl ˈlæŋɡwɪdʒ ˈprɑːsesɪŋ/ | 自然语言处理，让计算机理解和生成人类语言的技术 |
| NLU | Natural Language Understanding | /ˈnætʃərəl ˈlæŋɡwɪdʒ ˌʌndərˈstændɪŋ/ | 自然语言理解，NLP的子领域，侧重理解语义和意图 |
| NLG | Natural Language Generation | /ˈnætʃərəl ˈlæŋɡwɪdʒ ˌdʒenəˈreɪʃən/ | 自然语言生成，NLP的子领域，侧重生成人类可读的文本 |
| GenAI | Generative AI | /ˈdʒenərətɪv eɪ aɪ/ | 生成式AI，能创造新内容（文字/图片/音视频）的AI分支 |
| CV | Computer Vision | /kəmˈpjuːtər ˈvɪʒən/ | 计算机视觉，让机器理解和处理图像/视频的技术 |
| DS | Data Science | /ˈdeɪtə ˈsaɪəns/ | 数据科学，从数据中提取洞察和知识的跨学科领域 |
| DA | Data Analytics | /ˈdeɪtə əˈnælətɪks/ | 数据分析，检查、清洗和建模数据以发现有用信息 |
二、模型架构
| 简称 | 全称 | 全称读音（IPA） | 通俗解释 |
|---|---|---|---|
| LLM | Large Language Model | /lɑːrdʒ ˈlæŋɡwɪdʒ ˈmɑːdəl/ | 大语言模型，ChatGPT等AI助手的核心技术 |
| Transformer | Transformer | /trænsˈfɔːrmər/ | 几乎所有现代大模型的基础架构，核心是「自注意力」机制 |
| BERT | Bidirectional Encoder Representations from Transformers | /ˌbaɪdɪˈrekʃənl ɪnˈkoʊdər ˌreprɪzenˈteɪʃənz frəm trænsˈfɔːrmərz/ | 谷歌出品的双向编码器模型，擅长「理解」类任务 |
| GPT | Generative Pre-trained Transformer | /ˈdʒenərətɪv priː ˈtreɪnd trænsˈfɔːrmər/ | OpenAI的生成式模型系列，擅长「续写」和对话 |
| MoE | Mixture of Experts | /ˈmɪkstʃər əv ˈekspɜːrts/ | 混合专家模型，只激活部分参数推理，效率更高 |
| ANN | Artificial Neural Network | /ˌɑːrtɪˈfɪʃəl ˈnʊrəl ˈnetwɜːrk/ | 人工神经网络，模拟生物神经元的计算结构 |
| CNN | Convolutional Neural Network | /kənˈvɑːlʊʃənl ˈnʊrəl ˈnetwɜːrk/ | 卷积神经网络，擅长处理图像数据的网络结构 |
| RNN | Recurrent Neural Network | /rɪˈkɜːrənt ˈnʊrəl ˈnetwɜːrk/ | 循环神经网络，擅长处理序列数据（如文本、时间序列） |
| GAN | Generative Adversarial Network | /ˈdʒenərətɪv ˌædvərˈseərɪəl ˈnetwɜːrk/ | 生成对抗网络，生成器与判别器相互博弈来提升效果 |
| VAE | Variational Autoencoder | /ˌveriˈeɪʃənl ˌɔːtoʊɪnˈkoʊdər/ | 变分自编码器，用于生成和表示学习的生成模型 |
| Diffusion Model | Diffusion Model | /dɪˈfjuːʒən ˈmɑːdəl/ | 扩散模型，通过「去噪」生成图像/视频的核心技术 |
| Foundation Model | Foundation Model | /faʊnˈdeɪʃən ˈmɑːdəl/ | 基础模型，在大规模数据上预训练、可适配多种任务的模型 |
| Agent | AI Agent | /eɪ aɪ ˈeɪdʒənt/ | AI智能体，能自主执行多步骤任务的AI系统 |
三、训练方法
| 简称 | 全称 | 全称读音（IPA） | 通俗解释 |
|---|---|---|---|
| Training | Training | /ˈtreɪnɪŋ/ | 训练，让模型从数据中学习规律的过程 |
| Inference | Inference | /ˈɪnfərəns/ | 推理，使用训练好的模型对新数据进行预测的过程 |
| SFT | Supervised Fine-Tuning | /ˈsuːpərvaɪzd ˈfaɪn ˈtuːnɪŋ/ | 监督微调，用标注数据对预训练模型进行针对性优化 |
| RL | Reinforcement Learning | /ˌriːɪnˈfɔːrsmənt ˈlɜːrnɪŋ/ | 强化学习，通过试错和奖励反馈来学习最优策略 |
| RLHF | Reinforcement Learning from Human Feedback | /ˌriːɪnˈfɔːrsmənt ˈlɜːrnɪŋ frəm ˈhjuːmən ˈfiːdbæk/ | 人类反馈强化学习，让模型学习人类偏好，ChatGPT成功的关键 |
| DPO | Direct Preference Optimization | /dɪˈrekt ˈprefrəns ˌɑːptɪmaɪˈzeɪʃən/ | 直接偏好优化，RLHF的简化替代方案 |
| LoRA | Low-Rank Adaptation | /loʊ ræŋk ˌædæpˈteɪʃən/ | 低秩适应，极省显存的微调方法 |
| RAG | Retrieval-Augmented Generation | /rɪˈtriːvəl ɔːɡˈmentɪd ˌdʒenəˈreɪʃən/ | 检索增强生成，先搜资料库再回答，解决幻觉问题 |
| CoT | Chain of Thought | /tʃeɪn əv θɔːt/ | 思维链，让模型分步推理，提高逻辑正确率 |
| Distillation | Knowledge Distillation | /ˈnɑːlɪdʒ ˌdɪstɪˈleɪʃən/ | 知识蒸馏，用大模型教小模型，实现模型轻量化 |
| Instruction Tuning | Instruction Tuning | /ɪnˈstrʌkʃən ˈtuːnɪŋ/ | 指令微调，训练模型理解并遵循人类指令 |
| Transfer Learning | Transfer Learning | /trænsˈfɜːr ˈlɜːrnɪŋ/ | 迁移学习，将已学知识应用到新任务上 |
| Self-Supervised Learning | Self-Supervised Learning | /self ˈsuːpərvaɪzd ˈlɜːrnɪŋ/ | 自监督学习，从数据自身构造监督信号进行学习 |
| AutoML | Automated Machine Learning | /ˈɔːtəmeɪtɪd məˈʃiːn ˈlɜːrnɪŋ/ | 自动化机器学习，自动完成模型选择和超参数调优 |
四、评估指标
| 简称 | 全称 | 全称读音（IPA） | 通俗解释 |
|---|---|---|---|
| Accuracy | Accuracy | /ˈækjərəsi/ | 准确率，分类正确的样本占总样本的比例 |
| Precision | Precision | /prɪˈsɪʒən/ | 精确率，预测为正的样本中实际为正的比例 |
| Recall | Recall | /rɪˈkɔːl/ | 召回率，实际为正的样本中被正确预测的比例 |
| F1 Score | F1 Score | /ef wʌn skɔːr/ | F1分数，精确率和召回率的调和平均数 |
| BLEU | BLEU | /bluː/ | 双语评估替补，机器翻译质量的自动评估指标 |
| ROUGE | ROUGE | /ruːʒ/ | 面向召回，文本摘要质量的评估指标 |
| Benchmark | Benchmark | /ˈbentʃmɑːrk/ | 基准测试，用于评估AI模型性能的标准任务和数据集 |
| Cross-Validation | Cross-Validation | /krɔːs ˌvælɪˈdeɪʃən/ | 交叉验证，将数据集分成多份轮流训练和验证 |
| Overfitting | Overfitting | /ˌoʊvərˈfɪtɪŋ/ | 过拟合，模型过度学习训练数据，在新数据上表现差 |
| Underfitting | Underfitting | /ˌʌndərˈfɪtɪŋ/ | 欠拟合，模型未能学习到数据中的规律 |
五、输入输出
| 简称 | 全称 | 全称读音（IPA） | 通俗解释 |
|---|---|---|---|
| Token | Token | /ˈtoʊkən/ | 词元/标记，模型处理的最小文本单位 |
| Prompt | Prompt | /prɑːmpt/ | 提示/指令，用户输入给模型的问题或描述 |
| Completion | Completion | /kəmˈpliːʃən/ | 补全/回答，模型输出的结果文本 |
| Context | Context Window | /ˈkɑːntekst ˈwɪndoʊ/ | 上下文窗口，模型一次能处理的最大token数量 |
| Hallucination | Hallucination | /həˌluːsɪˈneɪʃən/ | 幻觉，模型编造不存在的事实 |
| Embedding | Embedding | /ɪmˈbedɪŋ/ | 嵌入/向量化，将文字/图像转为数学向量 |
| Parameters | Parameters | /pəˈræmɪtərz/ | 参数，模型中可学习的权重，规模用B（十亿）表示 |
| Attention | Attention Mechanism | /əˈtenʃən ˈmekənɪzəm/ | 注意力机制，让模型关注输入中的重要部分 |
| Cache | KV Cache | /keɪʃ/ | 键值缓存，存储中间计算结果以加速推理 |
| Label | Label | /ˈleɪbəl/ | 标签，监督学习中的正确答案（标注） |
| Logits | Logits | /ˈloʊdʒɪts/ | 逻辑值，模型最后一层输出的原始分数（未归一化） |
六、数据结构
| 简称 | 全称 | 全称读音（IPA） | 通俗解释 |
|---|---|---|---|
| Structured Data | Structured Data | /ˈstrʌktʃərd ˈdeɪtə/ | 结构化数据，有固定格式的数据（如表格） |
| Unstructured Data | Unstructured Data | /ʌnˈstrʌktʃərd ˈdeɪtə/ | 非结构化数据，无固定格式（如文本、图片、视频） |
| Semi-Structured Data | Semi-Structured Data | /ˈsemaɪ ˈstrʌktʃərd ˈdeɪtə/ | 半结构化数据，介于两者之间（如JSON、XML） |
| Dataset | Dataset | /ˈdeɪtəset/ | 数据集，用于训练/评估的样本集合 |
| Big Data | Big Data | /bɪɡ ˈdeɪtə/ | 大数据，规模巨大、传统工具难以处理的数据集 |
| Labeled Data | Labeled Data | /ˈleɪbəld ˈdeɪtə/ | 标注数据，带有正确答案标签的数据 |
| Unlabeled Data | Unlabeled Data | /ʌnˈleɪbəld ˈdeɪtə/ | 无标注数据，未标记的原始数据 |
七、工程部署
| 简称 | 全称 | 全称读音（IPA） | 通俗解释 |
|---|---|---|---|
| API | Application Programming Interface | /ˌæplɪˈkeɪʃən ˈproʊɡræmɪŋ ˈɪntərfeɪs/ | 应用程序接口，让不同软件相互通信的协议 |
| LLMOps | Large Language Model Operations | /lɑːrdʒ ˈlæŋɡwɪdʒ ˈmɑːdəl ɑːps/ | 大语言模型运维，LLM的全生命周期管理 |
| MLOps | Machine Learning Operations | /məˈʃiːn ˈlɜːrnɪŋ ɑːps/ | 机器学习运维，ML模型的开发、部署和维护流程 |
| GPU | Graphics Processing Unit | /ˈɡræfɪks ˈprɑːsesɪŋ ˈjuːnɪt/ | 图形处理器，AI训练的核心硬件（并行计算能力强） |
| TPU | Tensor Processing Unit | /ˈtensər ˈprɑːsesɪŋ ˈjuːnɪt/ | 张量处理器，谷歌专为AI设计的芯片 |
| FPGA | Field-Programmable Gate Array | /fiːld ˈproʊɡræməbəl ɡeɪt əˌreɪ/ | 现场可编程门阵列，可重构的AI加速硬件 |
| Cloud Computing | Cloud Computing | /klaʊd kəmˈpjuːtɪŋ/ | 云计算，按需租用计算资源而非自建机房 |
| Model Hub | Model Hub | /ˈmɑːdəl hʌb/ | 模型中心，共享预训练模型的平台（如Hugging Face） |
| Vector Database | Vector Database | /ˈvektər ˈdeɪtəbeɪs/ | 向量数据库，存储和检索Embedding向量的数据库 |
| Quantization | Quantization | /ˌkwɑːntɪˈzeɪʃən/ | 量化，将模型参数从高精度转为低精度以减小体积 |
| Pruning | Pruning | /ˈpruːnɪŋ/ | 剪枝，移除模型中不重要的连接以压缩模型 |
八、热门产品
| 简称 | 全称 | 全称读音（IPA） | 通俗解释 |
|---|---|---|---|
| ChatGPT | ChatGPT | /ˈtʃætˈdʒiːˈpiːˈtiː/ | OpenAI的对话AI产品，基于GPT架构 |
| GPT-4o | GPT-4 Omni | /ˈdʒiː piː tiː fɔːr ˈɑːmni/ | GPT-4全能版，支持实时语音和图像理解 |
| Claude | Claude | /klɔːd/ | Anthropic出品，长上下文、安全性高的模型 |
| Gemini | Gemini | /ˈdʒemɪnaɪ/ | Google多模态模型，原生支持文字/图像/视频 |
| Llama | Llama | /ˈlɑːmə/ | Meta开源模型系列，开源社区最流行 |
| Qwen | Qwen | /tʃjuːˈen/ | 阿里通义千问，中文能力强、开源 |
| DeepSeek | DeepSeek | /diːp siːk/ | 深度求索，高性价比、开源MoE架构 |
| Mistral | Mistral | /ˈmɪstrəl/ | 欧洲开源模型，「小体积强性能」著称 |
| DALL-E | DALL-E | /ˈdɔːli/ | OpenAI的图片生成模型，文字遵从度高 |
| SD | Stable Diffusion | /ˈsteɪbəl dɪˈfjuːʒən/ | 最流行的开源图片生成模型 |
| Sora | Sora | /ˈsɔːrə/ | OpenAI的视频生成模型（尚未全面开放） |
九、风险与治理
| 简称 | 全称 | 全称读音（IPA） | 通俗解释 |
|---|---|---|---|
| Bias | Bias | /ˈbaɪəs/ | 偏见，因训练数据问题导致的歧视性输出 |
| Automation Bias | Automation Bias | /ˌɔːtəˈmeɪʃən ˈbaɪəs/ | 自动化偏见，人类过度相信AI输出而忽视自身判断 |
| Model Drift | Model Drift | /ˈmɑːdəl drɪft/ | 模型漂移，模型因环境变化而性能下降 |
| Prompt Injection | Prompt Injection | /prɑːmpt ɪnˈdʒekʃən/ | 提示注入，黑客通过特殊指令操控AI输出 |
| Data Poisoning | Data Poisoning | /ˈdeɪtə ˈpɔɪzənɪŋ/ | 数据投毒，攻击者在训练数据中注入恶意样本 |
| Jailbreak | Jailbreak | /ˈdʒeɪlbreɪk/ | 越狱，绕过AI的安全限制使其输出违规内容 |
| XAI | Explainable AI | /ɪkˈspleɪnəbəl eɪ aɪ/ | 可解释AI，让人理解AI的决策逻辑 |
| Guardrails | Guardrails | /ˈɡɑːrdreɪlz/ | 护栏/安全围栏，限制AI输出的安全机制 |
| Alignment | Alignment | /əˈlaɪnmənt/ | 对齐，确保AI行为符合人类价值观和意图 |
| Black Box | Black Box | /blæk bɑːks/ | 黑箱，内部推理过程不可见的系统 |
| Responsible AI | Responsible AI | /rɪˈspɑːnsəbəl eɪ aɪ/ | 负责任AI，确保AI有益、安全、合乎伦理的实践 |
十、开发工具
| 简称 | 全称 | 全称读音（IPA） | 通俗解释 |
|---|---|---|---|
| PyTorch | PyTorch | /ˈpaɪtɔːrtʃ/ | Meta出品的主流深度学习框架，动态计算图 |
| TensorFlow | TensorFlow | /ˈtensərfloʊ/ | Google出品的主流深度学习框架 |
| Scikit-learn | Scikit-learn | /ˈsaɪkɪt lɜːrn/ | Python经典机器学习库，适合传统ML算法 |
| Jupyter | Jupyter Notebook | /ˈdʒuːpɪtər ˈnoʊtbʊk/ | 交互式编程环境，数据科学常用 |
| Google Colab | Google Colab | /ˈɡuːɡəl ˈkoʊlæb/ | 谷歌免费云端GPU编程环境 |
| Hugging Face | Hugging Face | /ˈhʌɡɪŋ feɪs/ | 模型和数据集的共享平台，AI的「GitHub」 |
| LangChain | LangChain | /læŋ tʃeɪn/ | 用于构建LLM应用的开源框架（RAG、Agent等） |
附录：发音速查表
| 常见难词 | 音标 | 读音要点 |
|---|---|---|
| Transformer | /trænsˈfɔːrmər/ | 重音在 for，不是 trans |
| Reinforcement | /ˌriːɪnˈfɔːrsmənt/ | ri 和 en 之间轻微停顿 |
| Hallucination | /həˌluːsɪˈneɪʃən/ | 重音在 nei |
| Embedding | /ɪmˈbedɪŋ/ | 开头是 ɪm，不是 em |
| Quantization | /ˌkwɑːntɪˈzeɪʃən/ | 注意 kwan 的发音 |
📅 生成日期：2026年5月
📝 版本：v2.0