[人工智能]AI 黑话50词 — — 快速入门

1. 核心概念

1. 人工智能 (AI)：全称artificial intelligence。目标是让机器能像人一样思考、学习的广义科学。好比“会学习的机器”。
2. 机器学习 (ML)：全称machine learning。AI的核心实现方法，让机器从数据中自动学习规律，而无需显式编程。好比“从经验中学习”。
3. 深度学习 (DL)：全称Deep Learning。机器学习的一个分支，使用类似人脑的“神经网络”来学习，特别擅长处理图像、语音等复杂数据。好比“用多层神经网络进行复杂学习”。
4. 神经网络 (Neural Network)：受大脑启发的计算模型，由大量互联的“神经元”（节点）组成，是深度学习的基础。好比“人工神经元组成的网络”。
5. 算法 (Algorithm)：解决问题的一套明确指令和步骤。在机器学习（ML）中，就是学习数据模式的具体数学方法。好比“菜谱”。
6. 模型 (Model)：算法从数据中学到的“规律”或“函数”的最终结果。训练好后，可以用来做预测。好比“背完答案的学生”。
7. 训练 (Training)：让模型从数据中学习的过程。好比“学生刷题学习”。
8. 推理/预测 (Inference/Prediction)：用训练好的模型对新数据做出判断。好比“学生参加考试”。
9. 数据集 (Dataset)：用来训练或测试模型的数据集合。通常分为训练集、验证集和测试集。好比“教材、模拟卷和真题”。

2. 模型训练与评估

10. 特征 (Feature)：描述数据的属性或变量，是模型的输入。例如，预测房价时，“面积”、“地段”就是特征。好比“解题的关键信息点”。
11. 标签 (Label)：在监督学习中，数据对应的正确答案或结果。好比“标准答案”。
12. 损失函数 (Loss Function)：衡量模型预测与真实标签之间差距的函数。训练的目标就是最小化这个损失。好比“扣分规则”。
13. 梯度下降 (Gradient Descent)：通过计算损失函数的“梯度”（坡度），找到最快降低损失的方向，来优化模型参数的核心算法。好比“蒙眼下山，用脚试探最陡的方向走”。
14. 反向传播 (Backpropagation)：神经网络中高效计算梯度的方法。误差从输出层向输入层反向传播，用于更新权重。好比“考后复盘，从最后一道错题倒推哪里基础没学好”。
15. 前向传播 (Forward Propagation)：数据从神经网络的输入层流向输出层，并得出预测结果的过程。好比“正式考试答题”。
16. 权重 (Weight)：神经网络中连接的重要性系数，在训练中不断调整。好比“神经元之间连接的强弱”。
17. 过拟合 (Overfitting)：模型过度记忆了训练数据的细节和噪声，导致在新数据上表现很差。好比“死记硬背了所有习题，但不会解新题型”。
18. 欠拟合 (Underfitting)：模型太简单，连训练数据的基本模式都没学好。好比“没学好基础知识，连练习题都做不对”。
19. 泛化 (Generalization)：模型在未见过的新数据上表现良好的能力，是机器学习的终极目标。好比“举一反三的能力”。
20. 验证集 (Validation Set)：训练时用来调参和防止过拟合的“模拟考”数据，不参与最终训练。
21. 测试集 (Test Set)：完全留到最后，用于最终评估模型泛化能力的“高考”数据，训练中绝不能碰。
22. 准确率 (Accuracy)：分类正确的样本占总样本的比例。最直观的指标，但在类别不平衡时可能失真。
23. 监督/半监督/自监督/无监督学习：监督（全有答案）→ 半监督（答案+无答案）→ 自监督（自己造答案）→ 无监督（完全无答案）。

• 监督学习 (Supervised Learning)：最常见的范式。模型从 “带标准答案” 的数据中学习输入到输出的映射。好比 学生刷带答案的习题册，学习解题方法。用于图像分类、房价预测等任务。
• 无监督学习 (Unsupervised Learning)：模型从 “完全没有答案” 的数据中学习，目标是发现其内在结构或分组。好比 学生面对一堆杂乱资料，自己整理出不同主题的文件夹。用于客户细分、数据聚类等。
• 半监督学习 (Semi-supervised Learning)：介于监督与无监督之间。利用 “少量带答案习题”+“大量无答案资料” 共同学习，以提升效果。好比 学生用一本习题册掌握基础，再通过阅读海量书籍来深化理解。
• 自监督学习 (Self-supervised Learning)：无监督学习的一种高明变体。模型通过 “自己给数据出题”（如挖空预测）来构造标签进行学习。好比 学生通过完成文章的“完形填空”来掌握语言规律，无需老师给答案。是大模型预训练的核心技术。

24. 召回率 (Recall)：所有真实的正例中，被模型正确找出的比例。关注“查得全不全”。
25. F1分数 (F1 Score)：精确率和召回率的调和平均数，是综合衡量指标。

3. 神经网络与架构

26. 卷积神经网络 (CNN)：全称convolutional neural network。专为处理图像等网格数据设计的网络，通过“卷积核”提取局部特征。视觉领域的基石。
27. 循环神经网络 (RNN)：全称Recurrent Neural Network。专为处理序列数据（如文本、时间序列）设计的网络，具有“记忆”能力。处理前后有关联的数据。
28. 长短期记忆网络 (LSTM)：RNN的改进版，能更好地捕捉长距离依赖，缓解原始RNN的“遗忘”问题。
29. Transformer：完全基于“自注意力机制”的架构，彻底改变了自然语言处理领域，并行效率极高。GPT、BERT的基石。
30. 自注意力机制 (Self-Attention)：让序列中的每个元素都能直接关注到序列中所有其他元素，并动态计算其重要性。好比“读句子时，让每个词都看看上下文其他词来决定自己的意思”。
31. 生成对抗网络 (GAN)：全称 generative adversarial network。包含一个生成器和一个判别器，两者相互对抗、共同进步，用于生成逼真数据。好比“造假币 vs 验钞机”。
32. 大语言模型 (LLM)：全称 large language model。基于海量文本训练的、参数巨大的Transformer模型，如GPT系列，具有强大的理解和生成能力。
33. 分词 (Tokenization)：将文本切分成模型能处理的基本单元（Tokens）的过程。中文可能是词或字，英文可能是单词或子词。
34. 词向量/嵌入 (Word Embedding)：将词语映射为高维空间中的稠密向量，使得语义相近的词在空间中也靠近。“让机器理解词语的意思”。
35. 微调 (Fine-tuning)：在一个预训练好的大模型基础上，用特定领域的小数据继续训练，使其适应新任务。“给通才专家做专项培训”。
36. 提示工程 (Prompt Engineering)：通过精心设计输入提示（Prompt），来引导大语言模型生成更符合期望的输出。“学会向AI正确提问”。
37. 多模态模型 (Multimodal Model)：能同时理解和处理文本、图像、声音等多种类型信息的模型。“全能型AI”。

4. 实践与应用

38. 参数 (Parameter)：模型内部可以通过学习来调整的变量，如权重和偏置。参数数量常代表模型复杂度。
39. 超参数 (Hyperparameter)：训练开始前人为设定的参数，如学习率、网络层数。“训练前的设置选项”。
40. 学习率 (Learning Rate)：控制每次参数更新步长的超参数。太大容易震荡，太小收敛慢。“下山的步幅”。
41. 批次 (Batch)：由于内存限制，训练时通常将数据分成小批喂给模型。一批数据的大小叫批次大小。饭太多，一口吃不下，需要多吃几口。
42. 端到端 (End-to-End, E2E)： 描述的是一种设计方法，就是从一端到另一端，没有任何中间环节。AI系统直接从输入数据中学习，并产生期望的输出，而不需要人为地分解成多个步骤。举个例子：要教AI认猫，传统方法是先教它认识耳朵、胡须等多个模块，而端到端是直接给它看无数张猫和不是猫的图片，让它自己从像素中悟出“猫”的整体概念。
43. 周期 (Epoch)：整个训练集被完整训练一遍。
44. 优化器 (Optimizer)：实现梯度下降算法的具体工具（如Adam、SGD），负责更新模型参数。
45. 正则化 (Regularization)：防止过拟合的技术（如L1/L2正则化、Dropout），给模型增加一些约束，让其更简单、更泛化。“防止学生钻牛角尖，鼓励掌握通用解法”。
46. Dropout：训练时随机“丢弃”一部分神经元，是一种有效的正则化方法，让网络不过度依赖某些局部特征。
47. 归一化 (Normalization)：将数据或网络层的输出调整到标准范围（如均值为0，方差为1），加速训练并提升稳定性。
48. GPU/显卡：因为其并行计算能力极强，是训练深度学习模型的主要硬件，比CPU快得多。
49. 部署 (Deployment)：将训练好的模型集成到实际应用中（如网站、APP）提供服务的过程。
50. Token (在LLM语境下)：大语言模型处理文本的基本单位。可以是一个词、一个字或一个子词。注意：Token数量直接影响API调用成本和文本长度限制。