引言
人工智能（AI）领域发展迅速，涌现出大量专业术语。理解这些核心名词是深入学习AI技术、跟踪行业动态的基础。本文旨在梳理人工智能领域一些常见且重要的名词，并提供清晰、易懂的解释，帮助初学者和从业者快速建立知识框架。
1. 基础概念
人工智能 (Artificial Intelligence, AI)
指由机器（尤其是计算机系统）所展示的智能。其目标是让机器能够模拟人类的认知功能，如学习、推理、解决问题、感知和理解语言。
机器学习 (Machine Learning, ML)
人工智能的一个子领域，其核心是让计算机系统无需显式编程，就能通过数据和经验自动改进其性能。算法通过从数据中识别模式来进行"学习"。
深度学习 (Deep Learning, DL)
机器学习的一个分支，其模型结构受生物神经网络启发，由多个处理层（深度神经网络）组成。它能够从大量数据中自动学习数据的层次化特征表示，在图像识别、自然语言处理等领域取得突破性进展。
神经网络 (Neural Network)
一种模仿生物神经网络结构和功能的计算模型，由大量相互连接的节点（神经元）组成。它是深度学习的核心架构。
2. 核心技术与模型
自然语言处理 (Natural Language Processing, NLP)
人工智能的一个分支，专注于让计算机理解、解释、操纵和生成人类语言。应用包括机器翻译、情感分析、聊天机器人等。
计算机视觉 (Computer Vision, CV)
人工智能的一个分支，旨在让计算机从数字图像或视频中获取高层次的理解。任务包括图像分类、目标检测、人脸识别等。
大语言模型 (Large Language Model, LLM)
一种基于深度学习的自然语言处理模型，通过在海量文本数据上进行训练，能够生成连贯、合乎语境的文本，并执行问答、摘要、翻译等多种语言任务。例如 GPT、Claude、LLaMA 等。
生成式人工智能 (Generative AI)
一类能够生成全新内容（如文本、图像、音频、代码）的人工智能模型。它与仅进行分类或预测的"判别式"模型相对。大语言模型和扩散模型都属于生成式AI。
Transformer 架构
一种基于自注意力机制（Self-Attention）的神经网络架构，于2017年提出。它彻底改变了NLP领域，成为当今绝大多数先进大语言模型（如GPT、BERT）的核心基础。
强化学习 (Reinforcement Learning, RL)
一种机器学习范式，智能体（Agent）通过与环境互动，根据其行动获得的奖励或惩罚来学习最优策略。常用于游戏AI、机器人控制等领域。
3. 训练与评估相关
训练 (Training)
使用带标签（监督学习）或不带标签（无监督学习）的数据，通过优化算法调整模型内部参数的过程，目的是让模型学习数据中的规律。
推理 (Inference)
训练好的模型接收新输入数据并产生预测或输出的过程。这是模型投入实际使用的阶段。
过拟合 (Overfitting)
指模型在训练数据上表现非常好，但在未见过的测试数据上表现很差的现象。这意味着模型过度记忆了训练数据的噪声和细节，而非学习到通用的规律。
损失函数 (Loss Function)
一种衡量模型预测输出与真实值之间差异的函数。训练过程的目标就是最小化这个损失函数。
准确率 (Accuracy) / 精确率 (Precision) / 召回率 (Recall)
评估分类模型性能的常用指标：
- 准确率：正确预测的样本数占总样本数的比例。
- 精确率：在所有被预测为正类的样本中，真正为正类的比例（查得准不准）。
- 召回率：在所有真实为正类的样本中，被正确预测为正类的比例（查得全不全）。
4. 数据与工程相关
数据集 (Dataset)
用于训练、验证或测试模型的数据集合。通常分为训练集、验证集和测试集。
特征工程 (Feature Engineering)
利用领域知识从原始数据中提取、构造对机器学习模型有用的特征（变量）的过程。好的特征能显著提升模型性能。
提示工程 (Prompt Engineering)
针对大语言模型等生成式AI，设计和优化输入提示（Prompt）以引导模型产生更准确、更符合期望的输出的技术和实践。
微调 (Fine-tuning)
在一个已经预训练好的大型模型基础上，使用特定领域或任务的小规模数据集进行额外训练，使模型适应新任务的过程。这比从头训练更高效。
幻觉 (Hallucination)
大语言模型生成看似合理但事实上不正确或毫无根据的信息的现象。这是当前LLM面临的主要挑战之一。
5. 伦理与治理
人工智能伦理 (AI Ethics)
研究人工智能的设计、开发、部署和使用中产生的道德问题、社会影响和责任的领域。核心议题包括公平性、透明度、问责制和隐私。
算法偏见 (Algorithmic Bias)
由于训练数据或算法设计本身存在偏见，导致AI系统对特定群体（如种族、性别）产生不公平或歧视性结果的现象。
可解释人工智能 (Explainable AI, XAI)
致力于使AI模型（特别是复杂的"黑盒"模型）的决策过程和结果对人类而言是可理解、可解释、可信任的技术和研究领域。
总结
本文列举了人工智能领域从基础概念到前沿技术，再到工程实践和伦理治理的常见名词。掌握这些术语是深入AI世界的敲门砖。随着技术不断发展，新的概念会持续涌现，建议读者结合实践，持续关注和学习。