一、基础核心概念
- 人工智能 (AI - Artificial Intelligence)
- 解释：让机器模仿人类的智能行为（如学习、推理、感知、决策）的科学技术。
- 机器学习 (ML - Machine Learning)
- 解释：AI的一个子领域。不通过明确编程，而是让算法从数据中自动学习规律和模式。
- 深度学习 (DL - Deep Learning)
- 解释：机器学习的进阶方法，使用多层神经网络（模仿人脑结构）来自动提取数据特征，尤其擅长图像、语音等复杂任务。
- 数据挖掘 (Data Mining)
- 解释：从海量数据中找出隐藏的、有用的模式和关联，常与机器学习结合使用。
- 大语言模型 (LLM - Large Language Model)
- 解释：使用海量文本和代码训练的超大规模深度学习模型（如ChatGPT），能理解和生成自然语言。
二、模型与算法
- 神经网络 (Neural Network)
- 解释：由大量相互连接的节点（模拟神经元）组成的计算系统，通过调整节点间的连接权重来学习。
- 监督学习 (Supervised Learning)
- 解释：使用带标签的数据（输入-输出对）训练模型，让模型学会将新输入映射到正确输出（如分类、回归）。
- 无监督学习 (Unsupervised Learning)
- 解释：使用无标签数据，让模型自己发现数据中的隐藏结构或分组（如聚类、降维）。
- 强化学习 (RL - Reinforcement Learning)
- 解释：通过"试错"和奖励/惩罚机制训练智能体（Agent），让它在环境中学习最优策略（如AlphaGo）。
- 生成对抗网络 (GAN - Generative Adversarial Network)
- 解释：由两个神经网络（生成器制造假数据，判别器判断真伪）互相博弈，最终生成极其逼真的新内容（如图片、视频）。
- Transformer
- 解释：一种革命性的神经网络架构，基于"自注意力机制"，能高效处理序列数据，是现代大语言模型的基石（BERT、GPT等的基础）。
- 扩散模型 (Diffusion Model)
- 解释：通过逐步给数据添加噪声，再学习逆向过程（去噪）来生成新数据的方法，是目前主流AI绘画（如Stable Diffusion）的核心技术。
三、训练与优化
- 训练集 / 测试集 (Training Set / Test Set)
- 解释：训练集用来教模型学习；测试集用来评估模型在未见过的数据上的表现。
- 过拟合 (Overfitting)
- 解释：模型在训练数据上表现完美，但对新数据预测很差（相当于死记硬背，没学到通用规律）。
- 欠拟合 (Underfitting)
- 解释：模型连训练数据的基本规律都没学好，表现不佳。
- 梯度下降 (Gradient Descent)
- 解释：一种优化算法，通过计算损失函数的斜率，反复微调模型参数，使模型的预测误差最小化。
- 反向传播 (Backpropagation)
- 解释：在神经网络中，将最终输出的误差反向传递回各层，计算每个参数对误差的贡献，从而更新参数。
- 损失函数 (Loss Function)
- 解释：衡量模型预测值与真实值之间差异的"评分表"，训练的目标就是让这个损失值尽可能小。
- 学习率 (Learning Rate)
- 解释：梯度下降中每次调整参数的步长大小。过大容易错过最优解，过小训练太慢。
四、数据与特征
- 特征 (Feature)
- 解释：用于预测的输入变量。例如，预测房价时的"面积"、"卧室数量"就是特征。
- 特征工程 (Feature Engineering)
- 解释：将原始数据加工成更能体现问题本质的特征的过程，对传统机器学习效果影响巨大（深度学习可自动化此过程）。
- 标注数据 (Labeled Data)
- 解释：已经标明正确答案的数据（如一张图片被标记为"猫"），用于监督学习。
- 嵌入 (Embedding)
- 解释：将文字、图像等离散的符号，映射到连续的数值向量空间。相似概念的向量在空间中也彼此接近。
五、应用技术领域
- 计算机视觉 (CV - Computer Vision)
- 解释：让计算机理解和解释图像、视频内容的技术，包括图像识别、目标检测、人脸识别等。
- 自然语言处理 (NLP - Natural Language Processing)
- 解释：让计算机理解、解释和生成人类语言的技术，包括翻译、情感分析、问答系统等。
- 语音识别 (Speech Recognition)
- 解释：将人类的语音信号转换为文本的技术（如语音助手、字幕生成）。
- 推荐系统 (Recommender System)
- 解释：根据用户的历史行为和偏好，主动推荐可能感兴趣的商品、视频或内容（如电商、短视频App）。
- 机器人学 (Robotics)
- 解释：结合AI进行感知、规划和控制的机器人设计与应用，如自动驾驶机器人、工业机械臂。
六、生成式AI特有名词
- 提示词 / 提示工程 (Prompt / Prompt Engineering)
- 解释：给AI模型（如ChatGPT、Midjourney）的输入指令。设计有效的提示词以获取理想输出的技术被称为提示工程。
- 幻觉 (Hallucination)
- 解释：大语言模型生成看似合理但实际上是虚构或错误的信息，这是当前生成式AI的常见缺陷。
- 涌现能力 (Emergent Ability)
- 解释：当模型规模（参数量、数据量）超过某个阈值后，突然出现的、小模型不具备的复杂能力（如上下文学习、推理链）。
- RAG (Retrieval-Augmented Generation)
- 解释：检索增强生成。在让大模型回答前，先从外部知识库检索相关文档，然后将这些文档和问题一起交给模型生成答案，可有效减少幻觉。
七、伦理与风险
- 算法偏见 (Algorithm Bias)
- 解释：由于训练数据本身包含社会偏见或数据不均衡，导致模型产生对特定群体的不公平、歧视性结果。
- 可解释性 (XAI - Explainable AI)
- 解释：研究如何让AI模型的内部决策过程变得能被人类理解和信任，避免"黑箱"效应。
- 对齐问题 (Alignment Problem)
- 解释：如何确保AI系统的目标、行为和人类的真实价值观、长远利益保持一致，避免产生不良后果。
- 强人工智能 / 通用人工智能 (AGI - Artificial General Intelligence)
- 解释：能够理解、学习和应用其智能解决任何问题的AI，像人类一样具有通用认知能力。目前尚未实现。
这个列表涵盖了从基础到前沿的主要术语，如果不全可以补充。