AI · AI基础
AI术语表：生成式AI名词解释
简短回答
这份术语表解释了使用生成式AI时会遇到的约60个名词，按主题分组：模型与训练、文本与大语言模型、图像与视频生成、音频、安全与法律。每个词条都有通俗的释义和简短的例子，没有技术背景也能看懂模型说明、设置面板或新闻报道。
模型与训练
这些名词说明模型是什么，又是怎么构建出来的，适用于文本、图像、视频和音频模型。
| 术语 | 含义 | 例子 |
|---|---|---|
| 人工智能（AI） | 能完成通常需要人类智能才能完成的任务的软件 | 翻译、人脸解锁、对话助手 |
| 机器学习 | 从样本中学习规律、而不是遵循人工编写规则的AI | 用带标签的邮件训练出的垃圾邮件过滤器 |
| 神经网络 | 由许多层简单的相连单元构成、连接强度靠学习得到的模型 | 所有现代图像和语言模型的核心 |
| 模型 | 训练好的网络本身，即一个存着学到的数字的文件，加上运行它的代码 | 聊天机器人这样的应用会运行一个或多个模型 |
| 参数（权重） | 模型内部由训练调整的数字 | 7B 模型大约有70亿个参数 |
| 训练数据 | 模型用来学习的样本 | 网页文本、获得授权的书籍、图片和说明文字的配对 |
| 预训练 | 在广泛数据上进行的第一个、也是规模最大的训练阶段 | 在网络规模的文本上学习预测下一个 token |
| 微调（fine-tuning） | 在较小的专门数据集上继续训练现有模型 | 用客服回答训练一个基础模型 |
| LoRA | 低秩适配（low-rank adaptation）：一个小型附加文件，不改动原始权重，就能低成本地微调模型 | 图像模型的画风或角色 LoRA |
| 基础模型（foundation model） | 许多产品和微调版本所基于的大型通用模型 | 同时支撑聊天、搜索和编程工具的一个 LLM |
| 开放权重模型 | 权重可以下载并自行运行的模型，但许可证仍可能限制用途 | 在自己的电脑上运行开源模型 |
| 推理（inference） | 运行训练好的模型以得到输出 | 你每次点击生成的时候 |
| 量化（quantization） | 用更少的位数存储权重，让模型更小更快，质量略有损失 | 一个能在笔记本上运行的4位版本模型 |
| 多模态模型 | 能处理多种类型数据的模型，比如文字和图像 | 针对一张照片提问 |
文本与大语言模型
在聊天应用、API 设置和 LLM 相关文章里常见的名词。
| 术语 | 含义 | 例子 |
|---|---|---|
| 大语言模型（LLM） | 经过训练、用来预测下一个文本 token 的大型神经网络 | ChatGPT、Claude、Gemini、DeepSeek、Qwen 背后的模型 |
| token | 模型读写文字的单位：一个词、词的一部分或一个符号 | unbelievable 可以是3个 token：un、bel、ievable |
| 上下文窗口（context window） | 模型一次最多能处理的 token 数，输入加输出 | 聊得很长，开头的内容开始被忘掉 |
| Transformer | 基于注意力机制的神经网络设计，几乎所有 LLM 都在用 | GPT 的意思是生成式预训练 Transformer |
| 注意力（attention） | 让每个 token 权衡前面哪些 token 对自己重要的步骤 | 在一句关于行李箱的话里，把 it 和 trophy 联系起来 |
| 嵌入（embedding） | 表示语义的一串数字，意思相近的文字会得到相近的数字 | 查找与某个问题相似的文档 |
| 提示词（prompt） | 你给模型的输入 | 用两句话总结这封邮件 |
| 系统提示词 | 应用或开发者在对话之前设定的隐藏指令 | 你是一家自行车店礼貌的客服 |
| temperature（温度） | 控制输出随机程度的设置 | 提取数据时调低，头脑风暴时调高 |
| 幻觉（hallucination） | 模型自信地说出的虚假或编造的内容 | 引用了一篇并不存在的论文 |
| RAG（检索增强生成） | 先检索文档，再把最相关的段落放进提示词 | 根据你的手册回答问题的帮助机器人 |
| 知识截止日期 | 模型没有训练数据的起始日期 | 它不知道上个月发生的事 |
| 推理模式 | 模型在给出最终答案之前先写出中间步骤的模式 | 在一些聊天应用里显示为“思考中” |
| 工具调用（function calling） | 模型请求应用运行某个工具，并读取结果 | 调用计算器或联网搜索 |
| AI智能体（agent） | 模型为实现目标而规划并执行多个工具操作的系统 | 在多个网站上调研并预订方案 |
图像与视频生成
Midjourney、Stable Diffusion、FLUX、Veo、Kling、Runway、Seedance 等图像和视频工具里出现的设置与技术。不同工具的叫法略有差异。
| 术语 | 含义 | 例子 |
|---|---|---|
| 扩散模型（diffusion model） | 从随机噪声出发，一步步去掉噪声来生成图像的模型 | 大多数文生图工具 |
| 潜空间（latent space） | 一种压缩的内部表示，模型在其中工作，而不是在原始像素上 | 潜扩散先生成一个小的潜变量，再解码成图像 |
| 文生图（text-to-image） | 根据文字提示词生成图像 | 日落时分蓝墙前的一辆红色自行车 |
| 图生图（image-to-image） | 在输入图像的引导下生成新图像 | 把草图变成完成的插画 |
| 局部重绘（inpainting） | 只重新生成图像中被蒙版选中的区域 | 把桌上的咖啡杯换成一盆植物 |
| 反向提示词（negative prompt） | 描述要避免内容的文字 | blurry, extra fingers, watermark |
| 种子（seed） | 起始的随机数；相同种子和设置会得到相似的结果 | 沿用同一个种子，对提示词做小幅修改 |
| 引导系数（CFG） | 输出在多大程度上遵循提示词，而不是追求自然 | 过高会出现生硬的色彩和伪影 |
| ControlNet | 用姿势、边缘或深度图引导扩散模型的附加模块 | 保持角色的准确姿势 |
| 深度图（depth map） | 灰度图，亮度代表与镜头的距离 | 用于视差视频和 ControlNet |
| 超分放大（upscaling） | 用模型放大图像并补出合理的细节 | 把512像素的图像放大4倍 |
| 文生视频（text-to-video） | 根据文字提示词生成视频片段 | 一只纸船漂过下雨的街道 |
| 图生视频（image-to-video） | 把静态图片变成动起来的片段 | 让产品照片缓缓旋转 |
| 首尾帧 | 给出起始图和结束图，让模型补全中间的运动 | 首帧门是关着的，尾帧门是开着的 |
音频与语音
| 术语 | 含义 | 例子 |
|---|---|---|
| 语音转文字（ASR） | 自动语音识别：把语音音频转成文字 | 转写会议或视频 |
| Whisper | OpenAI 推出的一个被广泛使用的开源语音识别模型系列 | 生成多种语言的字幕 |
| 文字转语音（TTS） | 把文字转成语音音频 | 把文章朗读出来 |
| 声音克隆（voice cloning） | 根据一段样本模仿特定人声音的 TTS 模型 | 经本人同意，用创作者自己的声音做配音 |
| 说话人分离（diarization） | 标注录音中谁在什么时候说话 | 访谈文字稿里的说话人1和说话人2 |
| 词错误率（WER） | 文字稿中出错词的占比，用来衡量 ASR 的质量 | WER 为5%，意味着每20个词大约错1个 |
| SRT 和 VTT | 纯文本字幕格式，每行字幕都带有时间戳 | 把字幕上传到视频平台 |
安全、标识与法律
各国规定不同，也经常变化。本节只是一般性信息，不构成法律意见。
| 术语 | 含义 | 例子 |
|---|---|---|
| 深度伪造（deepfake） | 逼真的、由AI生成或篡改的媒体，呈现不真实的人物或事件 | 一段政客说出他从没说过的话的视频 |
| 内容凭证（C2PA） | 一种开放标准，附上经过签名的、关于文件如何制作和编辑的信息 | 一张显示用AI工具编辑过的照片 |
| 隐形水印 | 嵌入像素或音频中的隐藏信号，之后可由软件检测出来 | 生成器给它生成的每张图片做上标记 |
| 显式标识与隐式标识 | 中国标识规则中的两类：人们看得见的可见标识，以及藏在元数据或水印里的隐含标识 | 视频上的AI生成标签，加上元数据字段 |
| 欧盟《人工智能法》透明度义务 | 欧盟的规定：人们与AI交谈时必须被告知，AI生成的内容和深度伪造必须可被识别 | 聊天机器人声明自己是机器人 |
| 训练数据版权 | 用受版权保护的作品做训练是否被允许的法律问题，各国不同 | 多个国家的诉讼和政策报告 |
| 护栏（guardrails） | 拦截有害请求或输出的规则和过滤器 | 拒绝提供制造武器的说明 |
| 越狱（jailbreak） | 精心设计的提示词，让模型无视其安全规则 | 用角色扮演的花招绕过拒绝 |
| 提示词注入（prompt injection） | 藏在网页或文件里的指令，劫持读取它的AI | 一个让AI智能体把你的数据发到别处的网页 |
| 偏见（bias） | 输出中系统性的不公平，常来自有偏差的训练数据 | 某种职业的图片只出现一种性别 |
容易混淆的术语
新闻报道和产品页面里，有几组词常被混用。分清区别，通常会改变你该怎么做。
| 对比 | 区别 | 为什么重要 |
|---|---|---|
| 模型与应用 | 模型负责生成；应用添加界面、系统提示词、工具和存储 | 用同一个模型的两个应用，表现可能不同 |
| token 与词 | 一个词可能是一个或多个 token；计数因语言而异 | 价格和上限都以 token 计 |
| 参数与上下文窗口 | 参数是模型学到的东西；上下文窗口是它此刻能看到的东西 | 再大的模型也会忘记长对话的开头 |
| 微调与 RAG | 微调改变模型；RAG 在提问时把文档交给它 | 对经常变化的事实，通常用 RAG 更容易 |
| 开放权重与开源 | 开放权重指可以下载；开源还意味着训练代码和数据也在开放许可证下公开 | 商用之前先读许可证 |
| 水印与标签 | 水印是技术信号；标签是人们能读懂的披露 | 有些法律两者都要求 |
想深入了解任何一个词，可以看本栏目的相关文章，比如大语言模型的工作原理、token 和上下文窗口，以及扩散模型的工作原理。
常见问题
AI、机器学习和深度学习有什么区别？
AI是整个领域。机器学习是AI中从样本里学习的那部分。深度学习是机器学习中使用多层神经网络的那部分，现代生成式模型都属于它。
LLM 和聊天机器人有什么区别？
LLM 是生成文字的模型。聊天机器人是围绕一个或多个模型构建的应用，加上了聊天界面、指令、记忆功能，以及联网搜索之类的工具。
AI模型说的开源是什么意思？
这个词的用法比较宽松。往往只是指权重可以下载。完全开放的模型还会在开放许可证下公开训练代码和数据细节。商用和署名规则请查看许可证。
模型名称里的 7B 或 70B 是什么意思？
这是参数的大致数量，单位是十亿。数字越大通常能力越强，运行所需的内存和算力也越多。
提示词工程是真正的技能吗？
是的，就实际意义而言，指的是写出清晰具体的指令、给出示例，并提供合适的上下文。模型对日常说法的理解一直在进步，但清晰的输入仍能带来更可靠的输出。