部分内容可能来自网络或者由AI生成。
如有雷同，纯属巧合，仅供学习参考之用。

一、基础概念类

中文术语英文术语英文缩写说明
大语言模型Large Language ModelLLM基于海量文本数据（网页文本、书籍文献、代码库等数万亿词汇量的多样化文本数据）训练，具备文本理解、内容生成、语言翻译、智能问答、代码编写等核心能力的大型人工智能模型，是RAG、Agent等大模型应用体系的核心基础与能力底座，也是检索系统的核心推理支撑。优势：通用能力强、适配场景广；劣势：训练成本高、易产生幻觉、对低算力设备不友好。
GPT大语言模型Generative Pre-trained TransformerGPT由OpenAI研发的基于Transformer架构的LLM，通过预训练和微调实现高质量文本生成。优势：生成能力强、生态完善、应用场景丰富；劣势：闭源、使用成本高、知识存在时效性、幻觉问题较明显。
Claude大语言模型Claude Large Language ModelClaude由Anthropic研发的LLM。优势：长文本处理能力突出、高安全性、对齐能力强、幻觉概率低于GPT；劣势：闭源、生成速度略慢、部分专业场景适配性不如专用模型。
Qwen大语言模型Qwen Large Language ModelQwen由阿里云研发的开源LLM。优势：开源可二次开发、支持多语言处理、高效推理、适配中文场景优化、成本较低；劣势：高端能力略逊于GPT和Claude、部分复杂任务表现一般。
DeepSeek大语言模型DeepSeek Large Language ModelDeepSeek由深度求索研发的LLM。优势：代码生成、数学推理领域表现突出、提供开源和闭源多种版本、适配科研和企业场景；劣势：生态完善度不足、多模态能力较弱。
Gemini大语言模型Gemini Large Language ModelGemini由Google研发的多模态LLM。优势：多模态能力强（支持文本、图像、音频等）、通用能力突出、与Google生态深度融合；劣势：闭源、部分场景生成效果不稳定、中文适配性一般。
Grok大语言模型Grok Large Language ModelGrok由X（原Twitter）研发的LLM。优势：实时信息获取能力强、对话交互自然、适配社交媒体场景；劣势：闭源、专业能力较弱、应用场景较单一。
词元/标记Token-自然语言被模型处理时的最小语义单位，可是字、词、子词，模型的输入输出均以Token为单位计量。
参数Parameter-模型学到的“知识”，是神经网络中的可调数值，通过训练数据不断优化。参数越多，模型表达能力越强，但也更易过拟合。当前趋势是：高质量数据+适度规模>盲目堆参数。
算力Computing Power-支撑大模型训练、推理的计算能力，主要由GPU/TPU等算力芯片提供，算力规模决定模型训练效率和落地可行性。
开源Open Source-模型的代码、权重、训练数据等相关资源向公众开放，允许开发者二次开发、修改和使用。
闭源Closed Source-模型的核心代码、权重等资源由开发方掌控，仅对外开放调用接口，不提供底层核心资源。
涌现/涌现能力Emergence/Emergent Ability-量变引发质变的关键现象，大模型在参数规模达到临界值后，自发产生的未经过显式训练的新能力，如多步推理、代码生成、创意写作。这解释了为何“更大模型更聪明”——智能不是线性增长，而是阶梯式跃迁。
泛化/泛化能力Generalization/Generalization Ability-模型将训练集中学到的知识，应用到未见过的新数据、新场景中的能力，泛化能力越强模型的实际应用价值越高。
位置编码Positional Encoding-为解决Transformer架构无法感知文本语序的问题，给每个Token添加的位置信息，使模型能理解文本的顺序语义。
嵌入层Embedding Layer-大模型的基础层，将离散的Token转换为连续的低维稠密向量，让模型能对自然语言进行数值化计算和语义理解。
人工智能Artificial IntelligenceAI研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学，是大模型、机器学习、深度学习等技术的统称。
机器学习Machine LearningML人工智能的一个分支，研究计算机如何在没有明确编程的情况下学习和改进，通过算法从数据中提取规律，实现自主优化，是大模型训练的核心基础。
深度学习Deep LearningDL机器学习的一个分支，基于多层神经网络构建模型，能自动学习数据的深层特征，无需人工手动特征工程，是大模型、CNN、RNN等技术的核心支撑。
神经网络Neural NetworkNN模拟人脑神经元结构构建的计算模型，由输入层、隐藏层、输出层组成，通过神经元之间的连接权重传递信息，是深度学习和大模型的核心架构基础。
监督学习Supervised Learning-机器学习的一种范式，使用带标注的训练数据（输入+对应标签）训练模型，让模型学习输入与标签之间的映射关系，适用于分类、回归等任务。
无监督学习Unsupervised Learning-机器学习的一种范式，使用无标注的训练数据，让模型自主挖掘数据中的内在规律和特征，适用于聚类、降维等任务，是大模型预训练的核心方式之一。
强化学习Reinforcement LearningRL机器学习的一种范式，通过“智能体与环境交互”学习，智能体通过执行动作获得奖励或惩罚，不断优化策略以最大化累积奖励，RLHF是其在大模型中的典型应用。
迁移学习Transfer Learning-将一个任务中训练得到的模型知识，迁移到另一个相关任务中，减少新任务的训练成本，提升模型性能，大模型的“预训练+微调”模式本质就是迁移学习。
通用人工智能Artificial General IntelligenceAGI具备与人类同等或超越人类的通用智能，能理解、学习人类所有任务和能力的人工智能，区别于当前的专用AI（如LLM），是人工智能领域的终极目标之一。
复杂系统Complex Systems-AI的本质是复杂系统，由大量相互作用的组件（如神经元）构成，整体行为无法从单个组件推导。大模型拥有数百亿参数，其输出是无数非线性交互的结果——微小输入变化可能导致巨大输出差异（“蝴蝶效应”），交通、金融、生态系统同理。
世界模型World Models-理想中的“AI常识库”，指AI对物理规律、社会规范、因果关系的内在理解。当前大模型并无真正世界模型，仅通过统计关联模拟现实。例如，它知道“火会烧伤人”，但不理解“热传导”原理。构建可靠世界模型，是通往AGI的核心挑战。
基础模型Foundation Model-AI时代的“操作系统”，在海量数据上预训练的通用模型（如LLM），可作为各类下游应用的基础。通过微调或提示工程，适配具体场景。它的出现标志着AI开发范式从“为每个任务训练一个模型”转向“一个大模型服务千行百业”。

二、核心架构类

中文术语英文术语英文缩写说明
Transformer架构Transformer Architecture-基于自注意力机制的深度学习架构，采用编码器-解码器结构，是目前绝大多数大语言模型的核心基础架构，解决了传统RNN难以处理长文本的问题。
注意力机制Attention Mechanism-让模型在处理文本时，能自动关注与当前内容相关的关键部分，分配不同的注意力权重，提升语义理解的准确性，是Transformer架构的核心。
自注意力机制Self-Attention Mechanism-注意力机制的核心形式，让文本序列中的每个Token都能与序列内其他所有Token计算注意力权重，捕捉文本内部的语义关联，是Transformer处理长文本的关键。
多头注意力Multi-Head Attention-将自注意力机制拆分为多个独立的注意力头，每个头捕捉文本不同维度的语义信息，最后拼接结果，提升模型的语义捕捉能力。
混合专家模型Mixture of ExpertsMoE将模型拆分为多个独立的“专家子模型”，输入数据仅由匹配的少数专家子模型处理，兼顾模型能力和训练/推理效率，是大模型规模扩展的核心技术之一。
卷积神经网络Convolutional Neural NetworkCNN深度学习架构之一，擅长处理网格结构数据（如图像），通过卷积操作提取局部特征，广泛应用于计算机视觉（CV）领域，部分多模态大模型会融合CNN提取图像特征。
循环神经网络Recurrent Neural NetworkRNN深度学习架构之一，具备时序记忆能力，可处理序列数据（如文本、音频），但存在梯度消失/爆炸问题，难以处理长文本，后被Transformer替代。
长短期记忆网络Long Short-Term MemoryLSTMRNN的改进版本，通过门控机制（输入门、遗忘门、输出门）解决RNN梯度消失/爆炸问题，能捕捉长序列中的长期依赖，适用于文本生成、语音识别等场景。
门控循环单元Gated Recurrent UnitGRULSTM的简化版本，合并了输入门和遗忘门，结构更简洁、计算效率更高，在时序任务中表现接近LSTM，适用于算力有限的场景。
生成对抗网络Generative Adversarial NetworkGAN由生成器和判别器组成的生成模型，通过两者对抗训练提升生成效果，广泛应用于图像生成、文本生成等场景，与LLM形成互补。
支持向量机Support Vector MachineSVM传统机器学习算法，通过寻找最优分类超平面实现分类任务，在小样本、高维数据场景中表现优秀，目前逐渐被深度学习模型替代，但仍用于部分简单分类场景。
扩散模型Diffusion Model-生成模型的一种，通过逐步向数据中添加噪声，再反向学习去噪过程，实现高质量内容生成，广泛应用于图像生成、文本生成等场景，与LLM结合可提升生成效果。
词嵌入Word Embeddings-词语的数字身份证，将词汇映射为低维向量，语义相近的词（如“国王”-“王后”）在向量空间中距离更近。Word2Vec、GloVe等模型通过分析词语共现模式学习嵌入，为NLP提供数学基础。
Token分词Tokenization-文本的最小处理单元，将句子切分为Token（词、子词或字符）。现代模型多用BPE（字节对编码），能高效处理未知词和多语言，是大模型处理文本的第一步。
上下文长度Context Length-AI的“短期记忆”容量，指单次推理能处理的最大Token数。从早期2K到如今200K+（如Claude-4），更长上下文支持分析整本书、长对话记忆，但代价是更高计算开销，扩展上下文仍是研究热点。

三、训练技术类

中文术语英文术语英文缩写说明
预训练Pre-training-打基础阶段，在海量无标注文本上自监督学习（如预测下一个词），模型由此掌握语言规律、世界知识。BERT、GPT均先预训练，再微调，是大模型具备通用能力的核心步骤。
微调Fine-tuning-专业化训练，用少量标注数据调整预训练模型，使其适应特定任务（如医疗问答）。相比从头训练，微调成本低、效果好，是企业落地主流方式，属于迁移学习的典型应用。
指令微调Instruction Fine-Tuning-以自然语言指令的形式构建训练数据，让模型学习理解各类指令并完成对应任务，提升模型的指令遵循能力和通用交互能力。
自监督学习Self-Supervised LearningSSL无需人工标注标签，通过从数据本身构造监督信号进行训练的方式，是大模型预训练阶段的核心学习方法。
思维链Chain-of-ThoughtCoT让AI“展示解题过程”，要求模型逐步推理（如“首先…其次…因此…”），显著提升复杂数学、逻辑问题的准确率，模拟人类思考，增强可解释性，是Agent实现复杂决策的核心技术之一。
少样本学习Few-shot Learning-举一反三的能力，LLM能通过提示中的几个示例快速理解新任务，无需修改参数。例如，给两三个翻译例子，就能翻译新句子，降低使用门槛，推动AI普及。
零样本学习Zero-shot Learning-模型在未见过任何任务示例的情况下，仅通过自然语言描述就能完成新任务的能力，是大模型通用能力的重要体现。
缩放定律Scaling Law-揭示大模型的性能与参数规模、训练数据量、算力投入之间的量化关系，为大模型的规模设计提供理论依据，也称为规模法则。
温度系数Temperature-模型推理阶段的核心参数，用于调节输出结果的随机性，系数越高输出越随机，越低输出越确定、保守。
错误案例Error Case-模型输出结果错误、不符合需求或存在问题的案例，提取后经人工修正可作为模型的学习数据，是模型迭代优化的重要素材。
模型迭代学习Model Iterative Learning-通过提取错误案例经人工修正后沉淀，将修正后的案例部分供给大模型继续训练学习，实现模型能力的持续优化提升。
人类反馈强化学习Reinforcement Learning from Human FeedbackRLHF教AI“做人”的核心技术，先训练奖励模型预测人类偏好，再用强化学习优化LLM以最大化

四、应用领域类

中文术语英文术语英文缩写说明
自然语言处理Natural Language ProcessingNLP人工智能的重要分支，专注于让计算机理解、处理和生成人类自然语言，涵盖文本分析、翻译、问答等核心场景，是LLM的核心应用领域。
计算机视觉Computer VisionCV让计算机具备“看见”和理解图像、视频的能力，涵盖图像识别、目标检测、图像生成等场景，多模态大模型的核心组成部分。
语音识别Speech RecognitionASR将人类语音信号转换为文本的技术，广泛应用于语音助手、实时字幕、语音输入等场景，是人机语音交互的核心支撑。
文本转语音Text-to-SpeechTTS将文本内容转换为自然、流畅的人类语音的技术，适用于语音播报、有声读物、语音助手等场景。
光学字符识别Optical Character RecognitionOCR将图像中的文字（如扫描件、照片中的文字）识别并转换为可编辑文本的技术，广泛应用于文档数字化、票据识别等场景。
命名实体识别Named Entity RecognitionNERNLP中的核心任务，用于识别文本中的命名实体（如人名、地名、机构名、时间等），为文本分析、信息提取提供基础。
聊天机器人Chatbot-基于AI技术实现与人自然对话的系统，可分为规则型、智能型，广泛应用于客户服务、智能助手等场景，LLM极大提升了其对话能力。
人工智能生成内容Artificial Intelligence Generated ContentAIGC利用人工智能技术生成文本、图像、音频、视频等各类内容的技术，核心依托LLM、扩散模型等，是当前AI应用的核心热点。
通用人工智能Artificial General IntelligenceAGI具备与人类同等或超越人类的通用智能，能理解、学习人类所有任务和能力的人工智能，区别于当前的专用AI（如LLM），是人工智能领域的终极目标之一。
提示工程Prompt Engineering-与AI高效沟通的艺术，通过设计指令（如“用表格总结”“分三点回答”）引导模型输出，好的提示=明确任务+背景信息+输出格式+示例。
思维链Chain-of-ThoughtCoT让AI“展示解题过程”，要求模型逐步推理（如“首先…其次…因此…”），显著提升复杂数学、逻辑问题的准确率，模拟人类思考，增强可解释性。
检索增强生成Retrieval-Augmented GenerationRAG给AI接入“外挂大脑”，用户提问时，先从知识库检索相关信息，再让LLM基于检索结果生成答案，可解决幻觉、知识陈旧问题，是企业落地的首选方案。
向量数据库Vector Database-AI的“长期记忆库”，专门存储和检索高维向量（如文本嵌入），支持语义搜索（如“找类似‘客户投诉处理流程’的文档”），Pinecone、Milvus是典型代表，是RAG的核心基础设施。
AI智能体AI Agent-从问答到行动的跃迁，能感知环境、制定计划、调用工具、执行任务的自主系统。例如，自动订机票的Agent会查航班、比价、填表、支付，代表AI从“被动响应”走向“主动做事”。

五、硬件与计算类

中文术语英文术语英文缩写说明
图形处理器Graphics Processing UnitGPU核心算力芯片，具备强大的并行计算能力，是大模型训练、推理的核心硬件支撑，广泛应用于AI、游戏、图形渲染等领域。
张量处理单元Tensor Processing UnitTPU由Google研发的专用AI芯片，专门针对张量运算优化，适用于大模型训练和推理，效率高于普通GPU，与Google生态深度融合。
现场可编程门阵列Field-Programmable Gate ArrayFPGA可编程的专用集成电路，可根据需求灵活配置硬件逻辑，兼顾算力和灵活性，适用于AI推理、边缘计算等场景。
专用集成电路Application-Specific Integrated CircuitASIC为特定任务（如AI推理、加密计算）专门设计的集成电路，算力高、功耗低，但灵活性差，无法后期修改配置。
边缘计算Edge Computing-将计算任务从云端迁移到终端设备（如手机、物联网设备）边缘，减少网络延迟、降低云端压力，适用于实时AI推理、隐私保护等场景。
联邦学习Federated Learning-分布式学习技术，多个参与方在不共享原始数据的前提下，共同训练模型，保护数据隐私，是AI隐私保护的核心技术之一。
云端人工智能Cloud AI-将AI计算任务部署在云端服务器，依托云端强大的算力支撑大模型训练和推理，用户通过网络调用AI服务，无需本地具备高性能硬件。

六、性能评估类

中文术语英文术语英文缩写说明
双语评估替换分数Bilingual Evaluation UnderstudyBLEU用于评估机器翻译、文本生成质量的指标，通过对比模型输出与参考文本的相似度打分，分数越高，生成质量越接近人类水平。
困惑度Perplexity-语言模型的“预测准确率”，值越低越好。困惑度为10，表示模型平均在10个词中选对下一个，主要用于监控模型训练过程。
轮次Epoch-模型训练的基本单位，指训练数据集中的所有样本被模型完整训练一次的过程，轮次越多，模型训练越充分，但也可能导致过拟合。
学习率Learning Rate-模型训练的核心超参数，控制模型参数更新的步长，学习率过高易导致训练不稳定，过低则训练速度慢、难以收敛。
机器学习运维Machine Learning OperationsMLOps将DevOps理念应用于机器学习领域，实现模型训练、部署、监控、迭代的自动化流程，提升模型落地效率和稳定性。
过拟合Overfitting-模型在训练集上表现极好，但在未见过的测试集上表现较差，本质是模型过度学习了训练集中的噪声和细节，泛化能力差。
欠拟合Underfitting-模型未能充分学习训练数据中的规律，在训练集和测试集上表现都较差，通常由模型复杂度不足、训练轮次不够导致。
模型压缩Model Compression-通过量化、剪枝、知识蒸馏等技术，减少模型的参数数量和内存占用，提升推理速度，使大模型能适配低算力设备。
量化Quantization-模型瘦身术，将32位浮点参数转为8位整数，大幅减少内存占用和推理延迟，使大模型能在手机、边缘设备运行。
剪枝Pruning-模型压缩技术之一，移除模型中权重较小、对模型性能影响不大的参数和神经元，减少模型体积，提升推理效率。
知识蒸馏Knowledge Distillation-将复杂的“教师模型”的知识迁移到简单的“学生模型”中，使学生模型在保持接近教师模型性能的同时，体积更小、推理更快。
基准测试Benchmarks-AI的“高考”，通过标准化测试集评估模型能力，常见的有MMLU（知识）、HumanEval（编程）、HellaSwag（常识），各厂商发布新模型必晒benchmark成绩。
鲁棒性Robustness-模型的抗干扰能力，面对错别字、语法错误、对抗攻击时仍能稳定输出，真实世界充满噪声，鲁棒性决定AI是否可用。
延迟Latency-模型的响应速度，指从输入指令到输出结果的时间，对话系统需<1秒，实时翻译要求更低，受模型大小、硬件、网络等因素影响。

七、伦理安全类

中文术语英文术语英文缩写说明
幻觉Hallucination-AI的“一本正经胡说八道”，指生成看似合理但虚假的信息，源于统计模型的本质——它在“补全概率最高”的文本，而非“陈述事实”，RAG和事实核查是主要缓解手段。
偏见Bias-AI放大社会不公，训练数据中包含的性别、种族等偏见，会导致模型输出歧视性内容，例如将“护士”默认关联女性，需通过数据清洗、公平性约束缓解。
对齐Alignment-让AI与人类价值观一致，确保其行为有益、诚实、无害，RLHF、宪法AI等技术为此服务，是AGI安全的核心议题。
红队测试Red Teaming-主动“找茬”，通过越狱、诱导等方式测试AI的安全漏洞，提前发现并修复问题，类似网络安全中的渗透测试。
可解释性AIExplainable AIXAI打开AI的“黑箱”，用SHAP、LIME等技术解释模型决策的原因，对医疗、金融等高风险领域至关重要，提升AI的可信度。
数据隐私Data Privacy-保护用户信息，防止训练数据泄露（如记住用户电话号码）、推理过程暴露隐私，差分隐私、联邦学习是保障数据隐私的关键技术。

八、其他类

中文术语英文术语英文缩写说明
应用程序接口Application Programming InterfaceAPI不同软件之间的交互接口，开发者可通过API调用大模型的能力（如文本生成、问答），快速集成AI功能到自身应用中。
软件开发工具包Software Development KitSDK为开发者提供的软件开发工具集合，包含API、示例代码、文档等，简化AI功能的集成和开发过程。
基准测试Benchmark-用于评估AI模型性能的标准化测试集或方法，与“基准测试（Benchmarks）”含义一致，是衡量模型能力的重要参考。
真实标签/真值Ground Truth-数据集中的真实答案或标签，用于训练模型、评估模型性能，是判断模型输出是否准确的核心参考标准。
流水线/流程Pipeline-将AI任务拆分为多个连续的步骤（如数据预处理、模型推理、结果后处理），形成自动化流程，提升任务执行效率和稳定性。
潜在空间Latent Space-数据在经过模型编码后的低维向量空间，其中相似的输入会映射到相近的向量，是生成模型、聚类等任务的核心基础。
# 人工智能
Logo
亚马逊云科技技术品牌专区

更多推荐

open-code-review Codex 插件教程：对话式调用评审技能指南

本文是一份面向新手的 **open-code-review Codex 插件教程**，教你在 Codex 中通过对话式方式调用 open-code-review 的 AI 代码评审技能。open-code-review 是阿里巴巴开源的 AI 代码评审工具，采用"确定性流水线 + LLM Agent"混合架构，内置多语言评审规则（NPE、线程安全、XSS、SQL 注入等），可在 Codex 里用一

avatar 亚马逊云科技技术品牌专区

OBS Studio 完整指南：免费开源录屏与直播软件从零上手

想做一场像模像样的直播，或者把屏幕内容录成教程视频，但一想到商用软件的订阅费就有些犹豫？其实你不需要花一分钱。OBS Studio 是一款免费开源的直播与录屏软件，支持 Windows、macOS 和 Linux，采集、混音、编码、推流、录制，一条流水线全包了。## 先搞清楚 OBS Studio 是什么OBS Studio 是一个"场景化"的采集合成工具：你把摄像头、窗口、浏览器、图片、

avatar 亚马逊云科技技术品牌专区

如何用MediaCrawler爬取小红书抖音数据？7大平台爬虫从安装到实战完整指南

MediaCrawler 是一个支持小红书、抖音、快手、B站、微博、百度贴吧、知乎的开源自媒体数据采集工具。它能按关键词、按帖子、按创作者主页三种方式抓取笔记/视频内容、评论甚至二级评论，并把结果存成 JSON、CSV、Excel 或数据库。适合做市场调研、竞品监控、内容选题的运营人员，以及想要现成爬虫框架而不想从零写 JS 逆向的开发者。## 从一次"手动抄数据"说起想象这个场景：你负责

avatar 亚马逊云科技技术品牌专区