AI术语大白话词典：30个概念一看就懂【AI认知启蒙篇】第5篇

乐想屋

253人浏览 · 2026-05-17 11:00:49

乐想屋 · 2026-05-17 11:00:49 发布

乐想屋｜专注AI零基础入门教程。用大白话教你学会AI工具、AI绘画、AI办公，100篇系列文章带你从AI小白到熟练使用。适合职场人、普通人、学生等零基础人群。

"欢迎来到【AI小白从0到1】模块一·AI认知启蒙篇系列，这是第5篇"

每次看AI文章，是不是总有一种读外语的感觉？

刚搞懂GPT是什么，"龙虾"出来了。刚知道龙虾是干什么的，Vibe Coding又刷屏了。朋友圈里人人都在聊MCP、A2A、Context Engineering，你点进去看了三行，关掉了。

这篇文章只做一件事：用大白话把你最常碰到的30个AI术语讲明白。不需要技术背景，每个概念都有一句话总结加一个生活类比。看完能记住，记住能用上。

第一组：地基概念

先搞懂这5个，后面的才看得懂。

1. 人工智能（AI）

一句话：让机器模仿人类思考和决策的技术统称。

AI不是某一个具体产品，而是一个大方向。人脸识别、语音助手、推荐算法，都是这个方向下的具体应用。你用的每一个"智能"功能，背后都有AI的影子。

2. 机器学习（Machine Learning）

一句话：让机器通过大量数据自己"悟出"规律，而不是靠人一条条写死规则。

教小孩认猫，不是背"四条腿、有胡须、会喵喵叫"的定义，而是给他看一千张猫的照片——看多了自然会认。机器学习就是这个"看多了自然会"的过程。

3. 深度学习（Deep Learning）

一句话：机器学习的升级版，通过模拟人脑神经网络的方式处理更复杂的问题。

如果机器学习是小学数学，深度学习就是高等数学。它通过层层递进的网络结构，从简单特征一步步提炼出高级特征——先识别线条，再识别形状，最后认出这是一张人脸。

4. 大语言模型（LLM）

一句话：用海量文本训练出来的超大AI模型，能理解并生成人类语言。

把它想象成一个读过全互联网图书馆的超级学霸。它没有真正"理解"世界，但它见过太多文字，所以能在对话里表现得像是什么都懂。ChatGPT、DeepSeek、通义千问背后都是大语言模型。

5. 参数（Parameters）

一句话：模型内部的调节单元，数量越多，模型能记住的规律越复杂。

想象一个调音台上有几百亿个旋钮，每个旋钮的位置共同决定输出的"音色"。训练模型就是调这几百亿个旋钮，直到输出结果最接近正确答案。顶尖模型的参数量已经到了万亿级别。

第二组：日常高频术语

每天用AI都会碰到，搞懂了用起来更顺手。

6. Token

一句话：AI处理文本的最小单位，大约相当于一个英文词或半个中文词。

AI读文章不是一个字一个字读，而是一个token一个token读。"hello"是1个token，"你好"通常是2个token。之所以要了解它，是因为AI的收费和使用限制都以token计算——每次调用AI，本质上就是在"花token"。

7. Prompt（提示词）

一句话：你输入给AI的指令或问题，决定了它往哪个方向回答。

Prompt就是你给出租车司机说的目的地。说"去机场"，往东开；说"去火车站"，往西开。同样的AI，给不同的prompt，结果可以天差地别。"会写prompt"在某种意义上就是"会用AI"——当然，到了2026年，这件事正在被更系统的方法升级（见第18条）。

8. 上下文窗口（Context Window）

一句话：AI一次能"看到"的内容长度上限，超出的部分它就参考不到了。

想象你和一个人聊天，但他只能记住最近5分钟说过的话，之前的全忘了。AI的上下文窗口就是这个"记忆容量"。2024年主流是128K token，2026年已有模型做到百万甚至千万token级别，长文处理能力大幅跃升。

9. 幻觉（Hallucination）

一句话：AI信心满满地说出完全错误或凭空编造的内容。

就像一个学生考试不会做某道题，但不敢空着，于是用通顺的语言瞎编了一个答案——看起来像模像样，但完全是错的。AI也会这样，它宁可编一个"听起来合理"的答案，也不会说"我不知道"。2026年了，这个问题依然没被根治，验证意识依然是使用AI的必备习惯。

10. 训练（Training）vs 推理（Inference）

一句话：训练是"学习阶段"，推理是"应用阶段"。

新员工入职看了十万份方案是训练；学完之后面对新任务实时写方案是推理。训练要烧掉几个月的GPU和几亿的成本；推理则是你每次问AI问题时它实时运算给出答案的过程——你为推理付费，按token算钱。

11. 开源 vs 闭源

一句话：开源是代码公开谁都能用，闭源是只卖服务不公开技术。

开源像菜谱公开的餐厅——你可以学了自己做、改良、开分店；闭源像配方保密的可口可乐——你只能买成品喝。2026年的格局是：Llama、Qwen、DeepSeek走开源路线卷到极致，GPT系列和Claude坚持闭源。两条路线的竞争已经白热化。

12. 多模态（Multimodal）

一句话：AI能同时处理文字、图片、音频、视频等多种形式的信息。

早期AI只会"看字"，多模态AI既能看字又能看图，还能听声音、看视频——像一个人同时有了阅读、视觉和听觉能力。2026年主流模型基本都是多模态的，给AI发张照片问"这是什么"已经是最普通的操作。

第三组：2026年爆火新词

不懂这些，你在AI圈的对话会跟不上。

13. Agent（智能体）

一句话：能自主规划步骤、调用工具、完成复杂任务的AI系统，是2026年最核心的AI范式。

普通AI像一个只能回答问题的客服，Agent像一个能帮你订机票、查天气、发邮件、整理日程的全能助理。它不只是告诉你"怎么做"，它真的帮你做。2026年AI的主线战场，已经从"谁的模型更聪明"转向"谁的Agent更能干活"。

14. 龙虾 / OpenClaw

一句话：2026年初爆火的开源AI智能体工具，能自主操控电脑完成各种任务，因logo是龙虾而得名。

如果说ChatGPT是"只能说不能做"的参谋，龙虾就是"说完就动手干"的行动派。它能自己打开浏览器查资料、整理文件、写代码跑程序——你描述需求，它替你完成操作。圈里说"养虾"，就是在部署和使用OpenClaw，像养电子宠物一样，有趣又实用。

15. Skill（技能）

一句话：提前写好的"操作说明书"，让AI Agent在特定任务上表现得更稳定、更专业。

新员工入职有岗位SOP，Skill就是给AI写的SOP。比如你写一个"做周报"的Skill，里面规定了去哪取数据、格式是什么、注意事项有哪些。AI按照这套说明执行，不会乱来，每次输出标准化的结果。Skill是让Agent从"偶尔靠谱"变成"稳定靠谱"的关键一步。

16. MCP（模型上下文协议）

一句话：让AI能连接外部工具和数据的标准化接口，相当于AI世界的USB-C。

以前每家手机充电线都不一样，出门要带一堆线。USB-C统一之后，一根线走天下。MCP做的是同样的事——以前每个AI想调用外部工具，比如读日历、查数据库、操作钉钉，都得单独写适配代码。有了MCP，AI想连什么工具，插上就能用。这就是为什么2026年的AI能轻松调用几十种外部服务。

17. Vibe Coding（氛围编程）

一句话：用自然语言描述你想要什么，AI帮你把代码写出来，你不需要懂编程。

以前盖房子要自己搬砖砌墙，现在你只需要告诉包工头"我想要三室一厅、朝南、有飘窗"，AI帮你把房子盖好。Vibe Coding的精髓是"凭感觉编程"——你不需要知道代码怎么写，只要能说清楚想要什么效果。这个词由Andrej Karpathy在2025年提出，2026年已经是全民实践。

18. Context Engineering（上下文工程）

一句话：系统性地设计喂给AI的背景信息，让它在复杂任务中持续表现出色。

如果Prompt Engineering是"怎么问一个好问题"，Context Engineering就是"怎么给AI布置一个完整的工作环境"。你不只是告诉新员工"帮我做个方案"，而是给他公司背景、过去的成功案例、老板的偏好、项目预算限制——全套信息到位，他做出来的东西质量自然不同。2026年的高手，已经从"写好一句prompt"进化到"搭建整套context系统"。

19. Deep Research（深度研究）

一句话：AI自主进行多轮搜索、阅读、分析，最终输出一份完整研究报告的能力。

以前问AI复杂问题，它基于"记忆"直接回答，质量参差不齐。Deep Research模式下，AI会像真正的研究员那样——先搜索十几个网页，阅读相关内容，交叉验证信息，再花几分钟整理出一份有引用、有逻辑的报告。它直接解决了"AI靠记忆容易瞎编"的老问题。

20. A2A（智能体对智能体协议）

一句话：让不同公司开发的AI Agent能互相对话、协作的通信标准。

MCP解决的是"AI怎么连接工具"，A2A解决的是"AI怎么和另一个AI配合干活"。就像两个不同公司的员工要合作，得先有共同的沟通方式。A2A就是给不同Agent制定的"协作语言"，让你的私人AI助理能直接和商家的AI客服对接办事，不需要你当中间传话人。

第四组：技术内核

了解这些，你对AI的理解就超过了90%的人。

21. Transformer

一句话：当前所有大语言模型的底层架构，2017年诞生后彻底改变了AI的能力上限。

以前的AI读文章像从左到右逐字扫描的慢读者，Transformer像能一眼扫完全篇、同时捕捉所有重要信息之间关系的速读高手。GPT里的T，就是Transformer。

22. Embedding（向量嵌入）

一句话：把文字转化成数字坐标，让机器能用数学方式理解词与词之间的关系。

给每个词一个GPS坐标。意思相近的词坐标靠近——"猫"和"狗"离得近，"猫"和"经济学"离得远。这样机器就能"算"出哪些内容相关。RAG能正常工作，前提就是靠Embedding来匹配问题和知识库内容。

23. RAG（检索增强生成）

一句话：让AI在回答前先去查资料，基于真实内容生成答案，减少瞎编。

闭卷考试容易蒙，开卷考试答案就靠谱多了。RAG就是让AI"开卷"——先去你指定的知识库里搜相关内容，找到后再组织语言回答。企业把AI接入内部文档，让它只说有据可查的话，用的就是RAG。

24. Fine-tuning（微调）

一句话：在已训练好的大模型基础上，用特定领域数据再训练一轮，让它在某个方向更专业。

一个全科医生已经学过所有医学知识，但你想让他成为心脏外科专家，于是让他专门研读两年心脏外科的病例。这个"再专攻"的过程就是微调。成本比从头训练低得多，效果却能非常显著。企业用自己的业务数据对通用模型做微调，让它变成"懂行业"的专属AI，是目前落地最成熟的技术路径之一。

25. MoE（混合专家模型）

一句话：把一个大模型拆成多个"专家"，每次只激活最相关的几个来回答问题，既省算力又保持能力。

一家医院有100个科室的医生，但患者来了不需要100个医生同时会诊——挂号后只找相关的2-3个科室就行。DeepSeek能以极低成本跑出顶尖效果，核心原因就在于用了MoE架构：总参数量虽大，但每次推理只激活一小部分，算力消耗大幅降低。

26. 温度（Temperature）

一句话：控制AI回答随机性的参数，温度高则创意更强但不稳定，温度低则输出更确定但保守。

像一个"冒险程度"旋钮。调到最低（接近0），AI每次回答几乎一模一样，四平八稳；调到最高，AI天马行空，但可能说出奇怪的东西。写小说、做头脑风暴适合高温度；做数据分析、写法律文书适合低温度。大多数产品已经帮你预设好了，但了解这个概念，你就能理解为什么同一个问题问两次，AI有时会给出不同答案。

第五组：实用应用层

直接影响你怎么用AI、用好AI。

27. API（应用程序接口）

一句话：让你的程序能调用AI能力的标准化插座——插上就能用。

你家不需要自己建发电厂，有电源插座就能用电。API就是AI公司提供的"插座"——你的App通过API接上去，就能直接使用它的AI能力。Vibe Coding做出来的应用想接入AI，基本都是通过API实现的。对普通用户来说，不需要自己写API，但知道这个词是什么意思，你就能看懂大多数AI产品的介绍文档。