摘要：同事张口闭口“大模型微调”、“Agent工作流”，你微笑点头，却偷偷打开百度；

为什么你学了100种AI工具，依然成不了‘圈内人’？

同事张口闭口“大模型微调”、“Agent工作流”，你微笑点头，却偷偷打开百度；

老板要求用AIGC优化内容，你通宵调教GPT却始终拿捏不准“人设感”；

朋友圈的AI创业者晒出融资战报，评论区一片“SOTA”、“端到端”黑话狂欢，而你连缩写都认不全……

这不是能力问题，只是少了认知。

不懂行业黑话，等于主动缴纳“认知税”，在资源分配中永远慢人一步。

本文整理了部分比较常见的“行业黑话”，如果有缺漏的，欢迎大家在评论区留言补充。

01.基础概念篇

1.AI（Artificial Intelligence，人工智能）

让机器模拟人类智能的技术，涵盖学习、推理、决策等能力。

2.ML（Machine Learning，机器学习）

通过数据训练模型，让机器自动学习规律，而非直接编程。

3.DL（Deep Learning，深度学习）

一种基于多层神经网络的机器学习方法，擅长处理图像、语音等复杂数据。

4.NN（Neural Network，神经网络）

模仿人脑神经元结构的计算模型，是深度学习的核心。

5.AI Agent（AI智能体，能自主行动的AI）

一个能感知环境、自主决策、执行任务的“智能体”，可以理解为一个更主动的AI助手。例如：能自动订机票的旅行助手、能独立完成代码开发的AI程序员。

（与AGI相比，智能体专注于特定场景的任务执行，依赖预设规则或大模型支持，需要人工调优规则或数据。）

6. AGI（Artificial General Intelligence，通用人工智能）

具备人类水平，能够像人类一样具备跨领域学习和解决问题的能力，不是仅针对某一特定领域（目前尚未实现）。

02.应用领域篇

7.CV（Computer Vision，计算机视觉）

让机器“看懂”图像或视频（如人脸识别、自动驾驶）。

8.NLP（Natural Language Processing，自然语言处理）

处理和理解人类语言（如聊天机器人、翻译）。

9.GAN（Generative Adversarial Networks，生成对抗网络）

深度学习模型，由生成器和判别器对抗训练，生成逼真数据（如AI绘画）。

10.大模型（Large Model）

参数量巨大的、基于深度神经网络构建的机器学习的模型（如GPT4、文心一言），主要类别有大语言模型、视觉大模型、多模态大模型以及基础科学大模型等。

11.GAI（Generative AI，生成式AI）

能生成文本、图像、代码等内容的人工智能（如Midjourney、Stable Diffusion）。

03.开发与部署篇

12.训练（Training）

用数据调整模型参数的过程，类似“学习”。

13.推理（Inference）

用训练好的模型对新数据做预测，即“机器的思考过程”。

14.SOTA（State of the Art）

特指某一领域内目前表现最优的方法、模型或技术成果。

15.部署（Deployment）

将训练好的模型应用到实际场景（如上线到服务器）。

16.微调（Finetuning）

在预训练模型基础上用特定数据继续优化。

17.预训练模型（Pretrained Model）

已在海量数据上训练好的通用模型（如BERT、ResNet）。

04.行业热词篇

18.AIGC（AI Generated Content，AI生成内容）

指通过GAI技术实际生成的具体内容，例如AI创作的文本、图片、视频等成果。

19.算法偏见（Algorithmic Bias）

模型因训练数据或设计产生歧视性结果（如性别偏见）。

20.鲁棒性（Robustness）

模型在噪声或异常数据下的稳定性。

21.算力（Computing Power）

计算资源（如GPU），训练大模型的核心成本。

22.数据标注（Data Annotation）

为数据添加标签（如标记图片中的猫狗），是监督学习的关键步骤。

23.端到端（End-to-End）

输入到输出全流程由模型自动完成，无需人工干预。

术语是入场券，而术语背后的能力才是玩转AI的王牌。

未来，AI的发展会出现无穷变化，保持学习需要我们持续进行下去。

来源：肖博聊数智