AI术语问答
来源：qademo 生态用户上传，upload_a9736ed128ba4eaa。
三、术语问答（每词含一句话解释 + 一句话场景）
| 术语 | 一句话解释 | 一句话应用场景 |
|---|---|---|
| 监督学习 | 用带答案的样本训练模型学会从输入映射到输出。 | 垃圾邮件分类：给一批“是/否垃圾”的邮件，让模型学会自动识别。 |
| 无监督学习 | 只给数据不给答案，让模型自己发现结构或规律。 | 客户分群：根据购买行为自动把用户分成几类，用于差异化营销。 |
| 强化学习 | 智能体通过试错和奖励信号学习最优策略。 | 围棋AI（AlphaGo）：走对了得高分，走错了扣分，最终学会赢棋。 |
| 过拟合 | 模型把训练数据中的噪音也背下来了，导致对新数据表现差。 | 诊断模型只记了某医院患者特征，换一家医院就不会看病了。 |
| 嵌入（Embedding） | 把文字、图像等变成一串数字向量，让计算机理解相似性。 | 推荐系统：把用户和商品都转成向量，推荐和用户向量最接近的商品。 |
| Transformer | 一种靠“注意力机制”捕捉长距离依赖的神经网络架构，是大模型的基础。 | ChatGPT、BERT等几乎所有现代大语言模型的底座。 |
| 幻觉（Hallucination） | 模型编造出看似合理但实际错误的信息。 | 问“谁是某部小众电影的导演”，AI可能编一个名字，且很自信。 |
| 提示词工程 | 设计最优的输入文本，引导模型输出想要的结果。 | 写“你是一个资深产品经理，请用四象限分析功能优先级”比直接问“怎么排优先级”效果好。 |
| RAG（检索增强生成） | 先查外部知识库，再把检索到的信息结合问题一起发给LLM，减少幻觉。 | 客服机器人：先搜索产品手册，再根据手册内容生成回答。 |
| 微调 | 在预训练大模型基础上，用少量特定数据进一步训练，让其适应特定任务。 | 通用模型微调成法律咨询专用模型。 |
二、100个AI常用术语表（补充90个）
原有10个（监督学习、无监督学习、强化学习、过拟合、嵌入、Transformer、幻觉、提示词工程、RAG、微调）。以下按字母/拼音序补充90个，每个一行，包含术语和一句话解释。可直接合并到“术语问答库”。
- AI对齐（Alignment）：确保AI系统的目标与人类价值观一致。
- Attention（注意力）：在Transformer中，让模型聚焦于输入序列中相关部分的技术。
- Autoencoder（自编码器）：一种神经网络，学习将输入压缩再重建，用于降维或生成。
- Backpropagation（反向传播）：训练神经网络时，从输出端向输入端逐层计算梯度并更新参数的方法。
- Bagging（自举汇聚法）：并行训练多个模型然后平均，降低方差（如随机森林）。
- Batch（批次）：一次训练时输入模型的一组样本数量。
- BERT（双向编码器表示）：Google的预训练语言模型，擅长理解任务（如情感分类）。
- Bias（偏差）：模型预测值与真实值之间的系统性误差；也指标注数据中的社会偏见。
- Boosting（提升法）：串行训练多个弱模型，每个纠正前一个的错误（如XGBoost）。
- Capsule Network（胶囊网络）：一种试图保留空间层次关系的神经网络，改善CNN对姿态变化的处理。
- Chain-of-Thought（思维链）：提示模型写出中间推理步骤，提高复杂问题准确率。
- ChatGPT：OpenAI基于GPT的对话模型，通过RLHF优化。
- CLIP：OpenAI的多模态模型，能同时理解图像和文本。
- Clustering（聚类）：无监督学习，将数据分组为簇，簇内相似、簇间不同。
- CNN（卷积神经网络）：擅长处理网格状数据（如图像），通过卷积核提取局部特征。
- Collaborative Filtering（协同过滤）：推荐算法，利用“用户-物品”交互矩阵，寻找相似用户或物品。
- Cost Function（成本函数）：同“损失函数”，衡量模型预测与真实标签的差距。
- Cross-Entropy（交叉熵）：常用分类损失函数，测量两个概率分布的差异。
- Data Augmentation（数据增强）：通过对原数据做变换（旋转、裁剪、噪声）来增加训练样本多样性。
- Dataset（数据集）：用于训练、验证或测试模型的数据集合。
- Decision Tree（决策树）：树形结构模型，内部节点是特征测试，叶子节点是输出。
- Deep Learning（深度学习）：使用深层神经网络的机器学习分支。
- Diffusion Model（扩散模型）：从纯噪声开始，逐步去噪还原成图像，DALL·E 2、Stable Diffusion等使用。
- Dropout：训练时随机丢弃部分神经元，防止过拟合的正则化技术。
- Early Stopping（早停）：当验证集性能不再提升时提前结束训练，防止过拟合。
- Embedding（嵌入）：将离散变数（词、用户ID）映射到连续向量空间。
- Epoch（周期）：整个训练数据集完整通过模型一次。
- Exploding Gradient（梯度爆炸）：深层网络中梯度变得极大，导致数值不稳定。
- Feature Engineering（特征工程）：从原始数据中提取或变换出更有预测力的特征。
- Feature Map（特征图）：卷积层输出的激活值矩阵。
- Few-shot Learning（少样本学习）：模型在仅看到少量例子后就能泛化到新任务。
- Fine-tuning（微调）：在预训练模型基础上用少量特定数据继续训练以适应下游任务。
- GAN（生成对抗网络）：一个生成器伪造数据，一个判别器鉴别真伪，两者对抗训练。
- Gated Recurrent Unit（门控循环单元）：LSTM的简化变体，参数更少但效果接近。
- Gradient（梯度）：损失函数对参数的偏导数，指示参数更新的方向。
- Gradient Descent（梯度下降）：沿梯度反方向更新参数，使损失最小化。
- Graph Neural Network（图神经网络）：处理图结构数据（社交网络、分子结构）的神经网络。
- Ground Truth（真实标签）：训练集中正确的输出值。
- Hallucination（幻觉）：模型生成看似合理但错误的信息。
- Hard Negative Mining（难负例挖掘）：在训练中挑选模型最容易混淆的负例，提高区分能力。
- Hyperparameter（超参数）：模型训练前需要人为设定的参数（如学习率、层数），不能从数据中学习。
- ImageNet：大型图像分类数据集，每年ILSVRC比赛，推动深度学习兴起。
- Inference（推理）：模型训练完成后对新数据预测的过程。
- Jupyter Notebook：交互式计算环境，常用于数据分析与模型探索。
- K-Means：经典聚类算法，通过迭代更新簇中心，将样本分成K个簇。
- KNN（K近邻）：一种非参数分类/回归算法，预测时找最近的K个训练样本。
- Knowledge Distillation（知识蒸馏）：用一个大型教师模型教一个紧凑学生模型。
- L1/L2 Regularization（L1/L2正则化）：在损失函数中添加权重的绝对值之和（L1）或平方和（L2），防止过拟合。
- Label（标签）：监督学习中的输出值，即要预测的目标。
- LangChain：一个开源框架，用于构建基于大语言模型的应用程序，支持链、Agent等。
- Latent Space（潜在空间）：模型学习到的低维表示空间，保留了数据的关键特征。
- Learning Rate（学习率）：梯度下降中参数更新的步长大小。
- Linear Regression（线性回归）：预测连续值的线性模型，形式为 y = wx + b。
- Logistic Regression（逻辑回归）：用于二分类的线性模型，输出概率。
- Loss Function（损失函数）：衡量模型预测与真实值的差距。
- LSTM（长短时记忆网络）：一种RNN变体，通过门控机制解决长期依赖问题。
- Machine Learning（机器学习）：让计算机从数据中学习规律而非显式编程。
- Masked Language Model（掩码语言模型）：类似BERT，随机掩盖一些词然后预测，用于双向上下文理解。
- Mean Squared Error（均方误差）：回归任务常用损失函数，计算预测与真实值差值的平方平均。
- Meta-Learning（元学习）：学习如何学习，让模型快速适应新任务。
- Model（模型）：从数据中学到的映射函数，通常由参数定义。
- Multi-modal（多模态）：涉及多种数据形式（文本、图像、音频）的AI模型。
- Naive Bayes（朴素贝叶斯）：基于贝叶斯定理且假设特征独立的分类器。
- Neural Network（神经网络）：由多层神经元（节点）组成的计算图，每层通过非线性激活。
- Neuron（神经元）：神经网络的基本单元，对输入加权求和后加偏置，再经激活函数。
- Normalization（归一化）：将特征缩放到相似范围（如0~1或均值0方差1），加速训练收敛。
- One-hot Encoding（独热编码）：将类别特征转为二进制向量，只有一个元素为1。
- Overfitting（过拟合）：模型在训练集上表现太好，但在新数据上差。
- PCA（主成分分析）：无监督线性降维方法，找最大化方差的方向。
- Perceptron（感知机）：最简单的神经网络，用于二分类线性可分数值。
- Pooling（池化）：下采样操作（最大/平均池化），减少特征图尺寸，增强平移不变性。
- Precision（精确率）：TP/(TP+FP)，预测为正的样本中实际为正的比例。
- Pre-trained Model（预训练模型）：已在大规模数据上训练好的模型，可微调用于下游任务。
- Prompt（提示）：输入给语言模型的指令或上下文，引导生成方向。
- QLoRA：一种高效微调方法，量化+低秩适应，降低显存需求。
- Quantization（量化）：将模型参数从高精度（FP32）转为低精度（INT8），减少存储和加速。
- Recall（召回率）：TP/(TP+FN)，实际为正的样本中被正确预测的比例。
- Recurrent Neural Network（RNN）：具有循环连接的网络，处理序列数据（如文本、时间序列）。
- Reinforcement Learning（强化学习）：智能体通过与环境互动获得奖励信号，学习最优策略。
- ReLU（线性整流单元）：激活函数 f(x)=max(0,x)，简单且解决梯度消失问题。
- ResNet（残差网络）：引入跳跃连接，允许训练极深网络（上百层）。
- Reward Hacking（奖励破解）：智能体找到预期奖励定义的漏洞，而不是真正完成任务。
- RLHF（人类反馈强化学习）：用人类偏好数据训练奖励模型，再通过强化学习优化语言模型。
- Sigmoid：S型激活函数，输出(0,1)，常用于二分类输出层。
- Softmax：将输出向量转换成概率分布（和为1），用于多分类。
- Stable Diffusion：开源的文本到图像生成模型，基于潜在扩散模型。
- Supervised Learning（监督学习）：使用带标签的数据训练模型进行预测。
- Support Vector Machine（SVM）：寻找最大化类间间隔的超平面进行分类或回归。
- Temperature（温度系数）：控制语言模型随机性的参数，值越高输出越多样，值越低越确定。
- Tensor：多维数组，深度学习框架（TensorFlow, PyTorch）中的基本数据结构。
- Test Set（测试集）：最终评估模型性能的数据，训练过程中不可见。
- Token：语言模型处理的最小文本单元，可以是词、子词或字符。
- Training Set（训练集）：用于模型参数学习的数据。
- Transfer Learning（迁移学习）：将在一个任务上学到的知识应用到另一个相关任务。
- Underfitting（欠拟合）：模型太简单，连训练数据的规律都没学会。
- Validation Set（验证集）：用于调参和选择模型的数据，不参与训练但会参与比较。
- Vanishing Gradient（梯度消失）：深层网络中梯度变得极小，导致浅层参数几乎不更新。
- Variational Autoencoder（变分自编码器）：生成模型，学习潜在空间的概率分布。
- Weight（权重）：神经网络中连接两个神经元的参数，控制信息传递强度。
- Zero-shot Learning（零样本学习）：模型在没有见过任何样例的情况下，依靠语义描述识别新类别。
你可以将这些术语按字母或自定义分类（如基础、神经网络、训练技术、生成模型等）在知识库中做标签分组。