目录

• 1. 引言：为什么 AI 术语让人头疼
• 2. 常见术语解释
  • 2.1 AI、机器学习、深度学习
  • 2.2 模型、参数、训练、推理
  • 2.3 大语言模型、生成式 AI
  • 2.4 提示词、Token
  • 2.5 微调、RAG
  • 2.6 蒸馏、量化
  • 2.7 Agent、多模态
• 3. 常见误区澄清
  • 3.1 误区一：AI 真的「理解」或「有意识」
  • 3.2 误区二：AI 的回答一定正确
  • 3.3 误区三：模型参数越大越好
  • 3.4 误区四：微调一定能解决所有知识更新问题
  • 3.5 误区五：AI 会取代所有人类工作
• 4. 给入门者的一条学习建议
• 5. 总结

1. 引言：为什么 AI 术语让人头疼

刚接触 AI 时，很多人都有同样的感觉：满屏都是「大模型」「微调」「Token」「RAG」「Agent」，每个字都认识，连在一起却看不懂。更让人困惑的是，同一篇文章里可能既有「训练」又有「推理」，既有「微调」又有「蒸馏」，看起来都像在说“让模型变强”，但具体区别却讲不清楚。

这种混乱通常来自三个原因：

• 翻译和混用：很多术语直接从英文翻译过来，不同的文章采用不同译法。例如 Prompt 有人叫“提示词”，有人叫“指令”；Fine-tuning 有人叫“微调”，也有人直接说“精调”。
• 概念层层嵌套：AI、机器学习、深度学习、大语言模型本来就是层层包含的关系。如果不先搞清楚层级，很容易越看越乱。
• 技术更新太快：每隔几个月就会出现新的名词，比如 RAG、Agent、多模态。新词还没消化，新的概念又来了。

其实，AI 领域的术语并没有想象中那么难。很多词只是把「训练」「调用」「查找资料」这些日常概念换了个名字。理解了它们背后的场景和类比，术语就会变得清晰。

本文面向 AI 入门者，分成三部分：先解释最常见的术语，帮你建立基础框架；再澄清五个流传很广的误区，避免被错误信息带偏；最后给出一条最小入门路径，让你知道从哪里开始。你不用一次记住所有概念，可以先建立整体感觉，再逐步深入。

2. 常见术语解释

2.1 AI、机器学习、深度学习

这三个词经常被混用，但它们是层层包含的关系：

• 人工智能（AI，Artificial Intelligence）：最宽泛的概念，指让机器表现出类似人类的智能行为，比如识别文字、回答问题、下棋、开车。需要强调的是，AI 并不一定都要“学习”，早期很多 AI 系统靠人工编写规则运行，例如一套专家系统可以按照“如果发烧且咳嗽，则怀疑感冒”这样的规则给出建议。
• 机器学习（Machine Learning）：实现 AI 的一种方法。不同于传统编程「人写规则、机器执行」，机器学习是「人给数据、机器从数据中学习规律」。比如要识别猫和狗，传统做法是人工描述“猫有尖耳朵、狗有长嘴”等规则；机器学习则是喂给它大量标注好的猫狗图片，让它自己总结特征。
• 深度学习（Deep Learning）：机器学习的一个分支，使用多层神经网络来处理复杂数据。所谓“深度”，指神经网络的层数较多。今天我们看到的大语言模型、图像生成模型，本质上都建立在深度学习之上。

可以这样理解：AI 是目标，机器学习是实现目标的一条路径，深度学习是这条路径上目前最常用、效果最好的工具。如果再把范围缩小一点，机器学习内部除了深度学习，还有决策树、支持向量机、随机森林等传统方法；深度学习内部又有卷积神经网络、循环神经网络、Transformer 等不同结构。入门阶段不必深究这些名词，只要记住“AI ⊇ 机器学习 ⊇ 深度学习”这个包含关系即可。

2.2 模型、参数、训练、推理

这四个词描述的是一套完整的“从学到用”过程。

• 模型（Model）：可以理解为「学到的知识和规则」的集合体。训练结束后，模型就是一个能根据输入给出输出的程序或文件。你可以把它想象成一个函数：输入一段文字，输出一段预测结果。
• 参数（Parameter）：模型内部可调整的数字。模型学到的知识，很大程度上就存储在这些参数里。平时说的「70B 参数」，指的是模型大约有 700 亿个参数。参数越多，模型理论上能记住和表达的规律越复杂，但运行成本也越高。
• 训练（Training）：让模型从海量数据中学习的过程。训练时，模型会先随机预测，再拿自己的预测和正确答案比较，根据差距不断调整参数，以减少预测错误。这个过程可能持续数周甚至数月，需要大量算力。
• 推理（Inference）：训练完成后，让模型根据新输入生成结果的过程。比如你向 ChatGPT 提问，它生成回答，就是一次推理。推理通常只需要一台或几台服务器，速度比训练快得多，成本也低很多。

用考试来类比：训练相当于学生平时刷题学习，推理相当于考试时答题。平时总说「大模型」，指的是参数规模很大的模型。补充一点：日常使用模型时我们做的是推理，并不参与训练；而“微调”则是针对特定任务再做一轮小型训练，这个下文会讲到。

2.3 大语言模型、生成式 AI

• 大语言模型（LLM，Large Language Model）：专门处理文本的大规模模型，以“预测下一个词”为核心训练目标。它擅长理解、生成、总结、翻译文字。比如输入“今天天气真”，模型会根据海量文本中学到的规律，预测下一个词很可能是“好”“热”“冷”等，再从候选中选一个输出，如此反复就生成了一段文字。
• 生成式 AI（Generative AI）：能生成新内容的 AI 的统称，包括生成文字、图片、音频、视频等。大语言模型是生成式 AI 中最受关注的一类，但并不是全部；像 Midjourney、Stable Diffusion 这样的文生图模型也属于生成式 AI。

与“生成式”相对的是“判别式”。判别式模型的主要任务是判断和分类，例如判断一封邮件是不是垃圾邮件、一张图片里有没有猫。需要注意的是，并非所有 AI 都是生成式 AI。比如推荐系统、人脸识别也属于 AI，但它们的主要任务是判断和分类，而不是生成新内容。入门者可以把“生成式 AI”简单理解为“会创作新东西的 AI”，而传统 AI 更多是“会做判断的 AI”。

2.4 提示词、Token

• 提示词（Prompt）：你输入给模型的话，用来引导模型生成你想要的回答。提示词可以是简单的一句话，也可以包含角色设定、背景信息、输出格式等完整结构。例如「你是一名资深编辑，请把下面这段文字改得更精炼」。提示词的质量直接影响输出效果，所以有了「提示词工程」这个说法。
• Token：模型处理文本时的最小单位。一个 Token 不一定是完整单词：英文中一个常见单词大约等于 1 到 2 个 Token，大约 4 个字符算一个 Token；中文里一个字通常算 1 到 2 个 Token。例如“人工智能”可能被切分成 2 个 Token，“ChatGPT”可能被切成 2 到 3 个 Token。

Token 很重要，是因为模型的输入和输出长度、计费方式都按 Token 计算。上下文窗口（Context Window）指模型一次能处理的 Token 总量上限，它既包含你的输入，也包含模型的输出。比如某模型上下文窗口是 8K Token，意味着“你的提问 + 模型回答”加起来不能超过约 8000 个 Token。超过这个限制时，就需要截断或压缩输入内容。

2.5 微调、RAG

这是两个经常让入门者混淆的概念，因为它们都用来「让模型更懂某个领域」。

• 微调（Fine-tuning）：在已经训练好的基础模型上，针对特定任务再做一轮训练，调整模型的部分参数。相当于让通用模型「进修」某个专业。例如一个通用模型经过医疗问答数据微调后，会更擅长使用医学表达、遵循诊断格式。微调又分为全参微调和像 LoRA 这样的轻量微调，前者调整全部参数、成本高，后者只调整少量参数、成本低。
• RAG（Retrieval-Augmented Generation）：检索增强生成。它不修改模型本身，而是在回答前先从外部知识库检索相关资料，再把资料和问题一起交给模型生成答案。相当于让模型「开卷考试」。一个典型 RAG 流程是：把公司文档切分并存入向量库 → 用户提问时先检索相关片段 → 把检索到的片段和问题一起拼进提示词 → 模型基于这些资料生成带出处的回答。

一句话区分：微调改变模型本身，RAG 只改变模型拿到的参考资料。两者的选择可以这样判断：

场景	更适合的方式
补充随时变化的外部知识、公司内部资料	RAG
需要引用来源、答案可追溯	RAG
改变模型的写作风格、输出格式、稳定某种行为	微调
数据体量大但不想重训模型	RAG
想让模型在窄领域表现更稳定，且数据质量高	微调

实际项目中两者也常常结合使用：先用 RAG 提供最新资料，同时用微调优化模型的格式与表达风格。

2.6 蒸馏、量化

这两个词和「模型太大、太贵」有关，目的都是让模型更轻、更省钱。

• 蒸馏（Distillation）：用一个大的「教师模型」去指导一个小模型学习，让小模型在较小规模下尽量接近大模型的效果。训练时，大模型会输出“软标签”或思维过程，小模型模仿这些输出，从而比直接从原始数据学习获得更好的效果。
• 量化（Quantization）：降低模型参数的存储精度，比如把 16 位浮点数压缩成 8 位甚至 4 位，从而减少显存占用、加快推理速度。例如一个原本需要 16GB 显存才能加载的模型，经过 4 位量化后可能只需要 4GB 左右，普通电脑也能运行。

两者的区别在于：蒸馏改变模型结构或训练方式，量化只是压缩数值精度。实际部署时常常两者配合使用：先蒸馏出一个小模型，再量化它以进一步降低运行门槛。对入门者来说，只要知道这两个词都是“让模型更小更便宜”的技术即可。

2.7 Agent、多模态

• Agent（智能体）：能自主完成多步骤任务的 AI 系统。它不只是回答一句话，而是会规划步骤、调用工具、观察结果、调整行动。一个完整的 Agent 通常包含四部分：大模型作为“大脑”、记忆系统保存中间结果、工具调用能力操作外部应用、规划与反思机制拆解任务。比如「帮我整理这周邮件并生成周报」，Agent 会自己调用邮件工具读取邮件、筛选重点、写入报告，中途如果信息不足还会继续查询。
• 多模态（Multimodal）：指模型能同时处理多种类型的信息，如文字、图片、音频、视频。早期的模型大多只处理文字，现在越来越多的模型支持「看图说话」「听音识别」等能力。例如你把一张截图发给模型，问它“这个报错是什么意思”，它能同时理解图片里的文字和布局，再给出解释，这就是多模态能力。

3. 常见误区澄清

3.1 误区一：AI 真的「理解」或「有意识」

这是最大的误区。大语言模型本质上是基于统计规律预测下一个词，它并不像人一样真正理解语义，也没有自我意识。

它回答得流畅，是因为在海量文本中学会了「这句话之后通常接什么」的规律。当它说「我理解你的意思」，只是在生成一段符合语境的文字，并不代表它产生了主观体验。把 AI 拟人化，容易高估它的能力，也容易忽视它的错误。

需要注意的是，“不理解语义”不代表“没有用”。模型通过统计规律能完成翻译、总结、编程等大量任务。我们在使用它时，可以把它看作一个非常高效的模式匹配工具，而不是一个会思考、有情感的人。这样既能充分利用它的能力，又不会盲目相信它的每一句话。

3.2 误区二：AI 的回答一定正确

AI 会「一本正经地胡说八道」，这种现象叫幻觉（Hallucination）。当模型不知道答案时，也可能生成看似合理、实际错误的内容。幻觉可能表现为编造不存在的人物、引用错误的法规、给出不存在的论文链接，甚至把两个真实事件拼成一个虚假故事。

因此，对 AI 的回答要保持核实习惯，尤其是涉及事实、数据、法律、医疗等场景的内容。一个实用的做法是：让 AI 提供信息来源，或把关键结论拿到权威网站交叉验证；涉及重要决策时，把 AI 的回答当作“草稿”而不是“定论”。AI 是高效的工具，但不是真理来源。

3.3 误区三：模型参数越大越好

参数多通常意味着更强的能力上限，但并不绝对。参数规模越大，训练和运行成本越高、速度越慢，部署难度也越大。

实际选择时，更应关注「够不够用」而不是「是不是最大」。一个 7B 的小模型经过良好微调，在特定任务上可能比一个通用 70B 模型表现更好、成本更低。此外，同一时期的模型还受数据质量、训练策略、对齐方式等因素影响，单纯比参数规模并不能决定最终效果。合适的才是最好的。

3.4 误区四：微调一定能解决所有知识更新问题

很多人以为模型不了解最新知识，就一定要微调。其实，如果只是想让模型查询外部资料或最新信息，RAG 往往更简单、更灵活、成本更低。微调需要准备高质量训练数据、消耗算力并反复实验，而 RAG 只需要更新知识库，模型本身不用重新训练。

微调更适合改变模型的风格、格式或稳定某种行为；RAG 更适合补充随时变化的外部知识。两者可以结合使用，但不能互相替代。如果你只是想“让模型能回答公司的制度、产品价格、最新新闻”，优先考虑 RAG；如果模型“知道怎么回答但格式总是不对、语气不稳”，再考虑微调。

3.5 误区五：AI 会取代所有人类工作

AI 确实会替代一部分重复性、规则性强的工作内容，但它更主要的作用是提升效率、改变工作方式。历史经验表明，新技术淘汰旧岗位的同时，也会创造新岗位。汽车取代了马车夫，却创造了司机、修理工、驾校教练等职业；AI 也会类似，它会替代“只会机械执行”的部分，但会放大“会判断、会提问、会整合”的人的价值。

对个人而言，更有价值的心态是：把 AI 当作协作工具，学会提出好问题、判断结果好坏、把 AI 嵌入到自己的工作中。会用 AI 的人，会比不用 AI 的人更有竞争力。与其焦虑“会不会被取代”，不如思考“我怎么用它把工作做得更好”。

4. 给入门者的一条学习建议

面对大量术语，不必一开始就追求全部记住。更有效的顺序是：

• 先动手：注册一个 AI 产品，直接用它写文案、翻译、总结文章，建立直观感受。先体会“它能做什么、它什么时候不靠谱”，然后再去理解背后的名词。
• 再学概念：遇到不懂的词再查，结合你刚才的使用场景理解，比死记硬背效果好得多。比如当你发现长文输入会被截断，再去看“上下文窗口”和“Token”，就很容易理解。
• 最后动手实践：如果你对技术感兴趣，可以尝试调用现成的模型 API，写一个简单的问答程序，这比只读教程更能帮助你理解 Token、Prompt、RAG 等概念。比如先做一个“粘贴文档并提问”的小工具，然后再引入向量库，你会直观感受到 RAG 每一步在做什么。

如果你需要一个最小学习路径，可以参考下面的顺序：

1. 使用一个主流 AI 聊天产品，连续使用一周，记录它好用和出错的地方。
2. 弄清「模型、训练、推理、Token、上下文窗口」这五个基础词。
3. 搞懂「微调 vs RAG」这对最容易混淆的概念。
4. 了解「Agent」和「多模态」这两个当前最热的方向。
5. 如果继续深入，再学习提示词工程和简单的 API 调用。

学习 AI 的难点往往不是某个概念有多深奥，而是信息太多、缺乏体系。抓住「模型是怎么训练出来的」「模型是怎么生成答案的」这两条主线，大部分术语都能串起来。不要试图一次学完所有内容，建立大框架、按需深入，是入门阶段最有效率的方式。

5. 总结

本文梳理了 AI 入门阶段最常见的术语，包括 AI、机器学习、深度学习、模型、参数、训练、推理、大语言模型、生成式 AI、提示词、Token、微调、RAG、蒸馏、量化、Agent、多模态等，并澄清了「AI 有意识」「回答一定正确」「参数越大越好」「微调能解决一切知识更新」「AI 会取代所有工作」等常见误区。

回顾这些术语，可以归为两条主线：一是“模型怎么来”，涉及训练、参数、微调、蒸馏、量化；二是“模型怎么用”，涉及推理、提示词、Token、RAG、Agent、多模态。抓住这两条线，大部分概念都能找到自己的位置。

理解这些词，不是为了记住定义，而是为了在阅读和使用 AI 时不再被术语挡住。下一篇我们将继续讲解提示词工程的基础技巧，帮你写出更有效的提问。