想学AI但不知道从哪开始？先搞懂这20个词，你就入门了。

最近AI太火了，ChatGPT、Claude、Kimi……到处都是。但很多人想了解AI，却被一堆专业词汇劝退。

别担心，今天这篇文章，帮你把AI领域最常用的20个词汇讲清楚。既有通俗解释，又保证准确性，让你真正理解这些概念。

一、基础概念（必懂）

1AI（人工智能）

Artificial Intelligence，让机器模拟人类智能的技术总称。包括感知（看、听）、理解（语言、图像）、决策（推理、判断）、学习（从数据中改进）等能力。AI不是单一技术，而是一个包含机器学习、深度学习、自然语言处理等多个子领域的大家族。

比如：Siri能听懂你的话（语音识别+理解），ChatGPT能回答问题（语言生成+推理），特斯拉能自动驾驶（感知+决策），它们都是AI的不同应用。

2大模型（LLM）

Large Language Model，大型语言模型。基于Transformer架构，通过海量文本数据训练的深度学习模型。其核心特点是：参数量巨大（几十亿到上万亿）、训练数据量大（万亿级Token）、具备涌现能力（参数超过一定规模后突然出现新能力）。大模型能理解语言、生成文本、进行推理，是目前AI的主流形态。

比如：GPT-4约1.8万亿参数，Claude 3约2000亿参数，MiniMax M2.7也是大模型。它们能聊天、写代码、做分析，都是基于"读遍互联网"学到的语言规律。

3自然语言

Natural Language，人类日常交流使用的语言（中文、英文等），区别于形式化的编程语言（Python、Java等）。自然语言的特点是：有歧义、有上下文依赖、有文化背景。AI能处理自然语言（NLP），是它能和普通人交互的基础。以前必须学编程才能让电脑做事，现在直接"说人话"就行。

比如："帮我写一封请假邮件"是自然语言，AI能直接理解；而"def write_email(type=‘leave’)"是编程语言，只有程序员能看懂。

4Prompt（提示词）

用户输入给AI的指令或问题，是人与AI交互的核心方式。Prompt的质量直接影响AI输出的质量。好的Prompt包含：明确的角色设定、清晰的任务描述、具体的输出要求、必要的背景信息。Prompt工程（Prompt Engineering）已成为一门专门的技能。

差的提示词：“写个周报”（AI不知道写什么内容）
好的提示词：“你是一名销售，帮我写本周的周报，包含3个客户拜访（A公司、B公司、C公司）和2个成交案例（各5万元），字数300字”

5幻觉

Hallucination，大模型生成虚假或错误信息的现象。本质原因是：大模型是基于概率预测下一个词，而不是基于事实检索。当模型不确定时，它会"编造"听起来合理但实际错误的内容。这是大模型的固有问题，目前无法完全消除，只能通过RAG、引用来源等方式缓解。

比如：问AI"李白写过《静夜思》吗"，它可能说写过（对的）；但问"李白写过《哈利波特》读后感吗"，它可能也会一本正经地编一个。重要信息必须核实。

6Token（词元）

大模型处理和计费的基本单位。文本被切分成Token后再输入模型处理。Token不是简单的"字"或"词"，而是根据词频统计得出的子词单元。常见词可能是1个Token，生僻词可能被拆成多个Token。中文约1.5-2个字=1个Token，英文约4个字母=1个Token。Token数量影响处理速度、费用、上下文长度。

比如："你好世界"约等于3-4个Token；"Artificial Intelligence"约等于3个Token。API调用按Token计费，通常每1000个Token几分钱。

二、模型与供应商（怎么选）

7模型供应商

开发和提供AI模型的公司或组织。不同供应商的模型在能力侧重、上下文长度、多模态支持、价格策略、数据合规等方面各有差异。选择时需考虑场景需求、成本预算、数据安全、响应速度等因素。

国外：OpenAI（ChatGPT）、Anthropic（Claude）、Google（Gemini）
国内：MiniMax（长文本、Agent）、智谱AI（中文优化）、Kimi（免费、长上下文）、DeepSeek（编程强、性价比高）

8上下文

Context Window，模型一次能处理的最大Token数量，包括输入和输出。上下文决定了能读多长的文档、能记住多少对话历史、能处理多复杂的任务。上下文越长，能做的事情越多，但成本也越高。不同模型上下文差异很大，从几千到上百万Token不等。

比如：Claude支持200K Token（约15万汉字），能读一本书；Kimi支持20万字，能分析完整合同；ChatGPT免费版只有8K，聊几轮就忘了前面的内容。

9训练

Training，让模型从数据中学习的过程。大模型训练分三个阶段：预训练（海量无标注数据，学习语言规律）、监督微调（高质量问答数据，学习对话能力）、强化学习（人类反馈，对齐人类偏好）。训练需要大量算力、海量数据、专业技术。

比如：GPT-4的训练用了约25000张A100显卡，耗时数月，花费上亿美元。训练完成后模型就"定型"了，后续通过微调适应特定任务。

10算力

Computing Power，训练和运行AI模型所需的计算资源，主要指GPU（图形处理器）及其配套设施。算力是AI发展的核心瓶颈之一：训练需要算力，推理（运行）也需要算力。算力成本包括硬件采购、电力消耗、运维成本。

比如：训练一个大模型可能需要几千张H100（每张约3万美元），运行一个热门AI服务每月电费可能就几十万。这也是为什么AI服务要收费。

三、核心能力（AI能做什么）

11Agent（智能体）

具备自主规划、工具调用、任务执行能力的AI系统。与普通对话AI不同，Agent不只是回答问题，而是能"做事"：拆解任务、调用工具（搜索、API、代码执行）、多轮迭代、自我纠错。Agent是AI从"对话"走向"行动"的关键形态。

比如：你告诉Agent"帮我订明天去北京的机票"，它会：1.查询航班信息 2.比较价格 3.调用订票API 4.完成支付（需你确认）。

12多模态

Multimodal，模型处理多种类型输入/输出的能力：文本、图像、音频、视频。多模态让AI不仅能"读写"，还能"看、听、画、说"。技术原理是将不同模态映射到统一的向量空间，实现跨模态理解和生成。

比如：你发一张发票照片给GPT-4o，它能识别金额、日期、公司名；发一段录音，它能转成文字；描述一个场景，它能生成图片。

13Skill（技能）

Anthropic推出的"可插拔能力扩展包"，是Claude的核心功能之一。一个Skill本质上是一个SKILL.md文件，封装了完成特定任务的指令集。相比零散的Prompt，Skill是标准化、可复用、可迁移的AI能力单元。用户可以通过"/skill-name"直接调用，无需每次重复写提示词。Skill将"提示词工程"升级为"能力工程"。

比如：skill-creator（创建管理Skill）、code-reviewer（代码审查）、translator（翻译）。安装后，你说"帮我审查代码"，Claude会自动加载对应Skill完成任务。

14RAG（检索增强生成）

Retrieval-Augmented Generation，结合检索和生成的技术方案。原理：先把用户问题转化为向量，在知识库中检索相关内容，再把检索结果和问题一起喂给大模型生成答案。优点：答案有据可查（减少幻觉）、知识可更新、支持私有数据。

比如：公司的AI客服用RAG连接了产品手册。你问"怎么退货"，系统先在手册里搜"退货"，找到相关条款，再让AI基于这些条款回答你——而不是凭空编造。

四、工具与使用（怎么接入）

15API

Application Programming Interface，程序调用AI服务的接口。通过API，开发者可以把AI能力集成到自己的应用中，而不是依赖AI官方的网页或App。API调用流程：1.获取API Key 2.发送请求（Prompt+参数）3.接收响应。API按调用次数或Token量计费。

比如：你公司的OA系统里有个AI助手，能帮你写邮件、查流程——这个助手是通过API调用背后的AI模型（如ChatGPT或MiniMax）。

16MCP（模型上下文协议）

Model Context Protocol，由Anthropic推出的开放协议，让AI模型能安全地连接外部数据源和工具。MCP解决了"AI无法访问你的本地数据"的问题：通过MCP Server，AI可以读本地文件、连数据库、调用API，同时保持安全隔离。

比如：用Claude配MCP，它可以：直接读你电脑里的Excel文件分析数据、连接公司的数据库查询信息——都不用你手动复制粘贴。

五、行业术语（了解即可）

17AIGC

AI Generated Content，AI生成的内容。区别于PGC（专业生产内容）和UGC（用户生产内容），AIGC是由AI创作的内容。特点：生产成本低、生成速度快、可定制化强，但质量和原创性存在争议。

比如：用ChatGPT写的周报、用Midjourney画的图、用AI写的代码，都是AIGC。现在网上很多文章、图片其实是AI生成的。

18生成式AI

Generative AI，能"创造"新内容的AI。与"判别式AI"（如人脸识别、垃圾邮件分类）相对。生成式AI学习数据的分布规律，然后生成符合该分布的新数据：文本、图像、音频、视频、代码等。大模型是生成式AI的代表。

比如：ChatGPT生成文章、Midjourney生成图片、Suno生成音乐，它们都是生成式AI。而人脸识别是判别式AI。

19OCR（光学字符识别）

Optical Character Recognition，从图像中提取文字的技术。原理：图像预处理→字符定位→字符识别→后处理校正。OCR是AI落地最成熟的应用之一，准确率已超过99%。结合多模态大模型，不仅能识别文字，还能理解语义、提取结构化信息。

比如：拍一张发票照片，AI能识别出金额、日期、公司名，自动录入财务系统；拍一张名片，能识别姓名、电话，自动存入通讯录。

20温度（Temperature）

控制大模型输出随机性的参数，取值0-2。温度低（如0.1）：输出更确定、更一致、更保守，适合需要准确答案的场景。温度高（如1.0）：输出更多样、更有创意、更随机，适合需要创意的场景。温度影响的是模型从概率分布中采样的方式。

比如：写公文、回答事实性问题用低温度（0.1-0.3），保证准确稳定；写小说、头脑风暴用高温度（0.7-1.0），增加创意和多样性。

总结一下：

这20个词汇，覆盖了AI的基础概念、模型原理、核心能力、使用方式和行业术语。理解了这些，你就能看懂大部分AI相关的文章，和别人聊AI也不会露怯了。

AI不是魔法，是技术。理解原理，才能用好工具。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】