AI 核心词汇表

人工智能技术日新月异，研究者们不断突破技术边界的同时，也持续识别新兴安全风险。本词汇表将定期更新，纳入最新术语与概念，助您紧跟AI发展浪潮。

---

AI代理（AI Agent）

AI代理指利用人工智能技术代替人类执行一系列复杂任务的工具，其能力远超基础聊天机器人。例如，它可处理报销、预订餐厅或机票、编写和维护代码等。不过，这一新兴领域仍存在诸多不确定性：不同语境下，“AI代理”的定义可能差异显著，且支撑其功能的基础设施尚在建设中。其核心理念是自主系统——通过调用多个AI模型完成多步骤任务。

---

思维链（Chain of Thought）

人类解答简单问题时（如“长颈鹿和猫谁更高？”）无需深入思考，但复杂问题（如“农场中鸡和牛共有40个头和120条脚，求数量”）往往需要纸笔辅助，通过中间步骤推导答案。
在AI领域，思维链推理指大语言模型将问题拆解为多个中间步骤，以提升结果准确性。虽然耗时更长，但在逻辑或编程任务中，答案正确率显著提高。此类“推理模型”基于传统大语言模型，通过强化学习优化分步思考能力。

---

深度学习（Deep Learning）

深度学习是机器学习的分支，其算法采用多层人工神经网络（ANN）结构，可捕捉数据间复杂关联，性能远超线性模型或决策树等简单系统。其设计灵感源自人脑神经元网络。

核心特点：

1. 自动特征提取：无需人工定义数据特征，算法可自行识别关键模式。
2. 自我优化：通过反复试错调整输出，逐步提升性能。
3. 高成本与数据依赖：需百万级数据量训练，耗时较长，开发成本较高。

---

微调（Fine Tuning）

指在已有AI模型基础上，通过输入特定领域的新数据，优化其面向特定任务的性能。例如，许多初创公司以大语言模型（LLM）为起点，结合自身专业知识对模型微调，开发垂直领域的商业产品。

---

大语言模型（Large Language Model, LLM）

DeepSeek、ChatGPT、Claude、Gemini等AI助手均基于大语言模型。用户与AI对话时，实则是与LLM交互——模型直接处理请求，或借助联网搜索、代码解释器等工具辅助响应。

技术原理：

• LLM是包含数十亿参数（权重）的深度神经网络，通过分析海量书籍、文章与对话数据，构建语言的“多维映射”。
• 生成回复时，模型根据输入预测最可能的词汇序列，逐词迭代直至完成。

---

神经网络（Neural Network）

神经网络是深度学习的算法基础，也是生成式AI爆发式增长的核心。其多层结构模仿人脑神经元连接，虽概念源于1940年代，但直到GPU（图形处理器）普及后，其潜力才真正释放。GPU擅长处理多层网络训练，推动AI在语音识别、自动驾驶、药物研发等领域的突破。

---

权重（Weights）

权重是AI训练的核心参数，决定不同输入特征对模型输出的影响程度。训练初期，权重随机分配；随着优化，模型逐步调整权重，使输出更接近目标值。

示例：房价预测模型中，卧室数量、是否带车库等特征的权重，反映了历史数据中这些因素对房价的影响强度。