AI关键词库
查一个词，不只看一句定义，也能顺着前置概念、相关概念和推荐文章继续学习。可按中文名称、英文全称、缩写或分类快速定位。
按知识板块浏览
从基础概念进入模型、应用、算力、产品与安全，也可以直接搜索熟悉的缩写或工具名。
AI基础、历史与认知
11 个词条AI 的定义、边界、发展路径、技术路线及相关基础学科。
人工智能
Artificial Intelligence · AI人工智能是让机器围绕人设定的目标，对信息作出预测、推荐、生成或决策的一类技术与系统。
人工智能
Artificial Intelligence · AI白话类比
可以把它看成一组能力不同的“机器助手”：有的只会识别照片，有的能写文字，有的还能调用工具完成任务。这个类比只说明它能承担部分认知工作，并不表示机器拥有人的意识和完整理解。
技术定义
人工智能通常指基于数据、规则或学习模型构建的机器系统。系统接收文本、图像、声音、传感器数据等输入，经过表示、计算和推断，输出预测、推荐、生成内容或影响现实与虚拟环境的决策。不同AI系统的目标、能力范围和可靠性差异很大。
概念边界
人工智能不等于机器人，也不等于大语言模型；固定规则的自动化程序是否属于AI，需要看它是否承担感知、学习、推断或决策等任务。
概念关系
站内推荐阅读
- 什么是人工智能直接讲解“人工智能”的定义、机制或实际用法。
- 人工智能（AI）编年史 ，持续更新中...直接讲解“人工智能”的定义、机制或实际用法。
狭义人工智能
Artificial Narrow Intelligence · ANI · 弱人工智能狭义人工智能是在限定任务和环境中表现出智能能力、但不能像人一样跨领域通用学习的AI。
狭义人工智能
Artificial Narrow Intelligence · ANI · 弱人工智能白话类比
它像一位专项能力很强的选手：围棋程序能下棋，语音识别能听写，推荐系统会排序，但把它临时调去做另一份工作，原来的本领通常不能直接迁移。
技术定义
狭义人工智能围绕明确任务、输入范围和评价目标设计，依赖特定数据、模型、规则与运行条件。它可以在单项任务上超过多数人，却缺少跨任务自主迁移、持续理解开放环境和形成通用目标的完整能力。今天实际部署的AI系统基本都属于这一范围。
概念边界
“狭义”不是能力弱，而是适用边界明确；一个参数很多、能处理多种内容的大模型，也不因此自动成为通用人工智能。
概念关系
站内推荐阅读
- 什么是人工智能把“狭义人工智能”放进“AI基础定义与发展脉络”的完整脉络中继续理解。
- 一文看懂什么是通用人工智能（AGI）把“狭义人工智能”放进“AI基础定义与发展脉络”的完整脉络中继续理解。
通用人工智能
Artificial General Intelligence · AGI · 强人工智能通用人工智能指能够跨领域理解、学习和解决多种陌生问题，并较灵活迁移能力的设想型AI。
通用人工智能
Artificial General Intelligence · AGI · 强人工智能白话类比
如果狭义AI像只负责一个工位的熟练员工，通用人工智能更像能换部门、学新流程、把旧经验迁移到新问题的人。这个比喻描述的是能力范围，不代表它必须复制人的情感或生理结构。
技术定义
通用人工智能通常被用来描述一种跨任务系统：它能在较少专门改造的情况下理解新情境、学习新知识、规划行动，并把一个领域形成的能力迁移到另一个领域。目前行业对判定标准并无统一结论，也没有得到普遍认可的已实现系统。
概念边界
通用人工智能不是“更大的大语言模型”的同义词，也不能仅凭单次考试、聊天体验或某项榜单成绩作出判断。
概念关系
站内推荐阅读
- 一文看懂什么是通用人工智能（AGI）直接讲解“通用人工智能”的定义、机制或实际用法。
- 什么是人工智能把“通用人工智能”放进“AI基础定义与发展脉络”的完整脉络中继续理解。
图灵测试
Turing Test查看“核心定义”中的概念关系和站内阅读入口。
图灵测试
Turing Test人工智能三要素
Three Pillars of AI · 数据、算法、算力 · 数据算法算力算法、数据和算力共同决定AI系统能学到什么、怎样计算，以及能否在可接受成本内运行。
人工智能三要素
Three Pillars of AI · 数据、算法、算力 · 数据算法算力白话类比
训练一个AI模型有点像经营厨房：数据是食材，算法是处理食材的方法，算力是炉灶、设备和后厨产能。食材再多，方法和设备不合适也做不好；设备再强，也不能弥补错误食材。
技术定义
数据为模型提供样本、知识和反馈，算法定义表示、学习、优化与推断过程，算力则提供训练和运行这些计算所需的芯片、内存、网络、存储与能源。三者相互制约，最终还要接受任务目标、工程实现和安全治理的约束。
概念边界
“三要素”是理解AI工程的基础框架，不是完整成功公式；产品需求、人才、评测、部署和治理同样会决定系统能否落地。
概念关系
站内推荐阅读
- 什么是人工智能把“人工智能三要素”放进“AI基础定义与发展脉络”的完整脉络中继续理解。
- 算法 | Algorithm把“人工智能三要素”放进“AI基础定义与发展脉络”的完整脉络中继续理解。
- 算力 | computation把“人工智能三要素”放进“AI基础定义与发展脉络”的完整脉络中继续理解。
- 大数据 | Big data把“人工智能三要素”放进“AI基础定义与发展脉络”的完整脉络中继续理解。
人工智能发展史
History of Artificial Intelligence · AI发展史 · 人工智能发展历程查看“发展历史”中的概念关系和站内阅读入口。
人工智能发展史
History of Artificial Intelligence · AI发展史 · 人工智能发展历程概念关系
站内推荐阅读
- 什么是人工智能把“人工智能发展史”放进“AI基础定义与发展脉络”的完整脉络中继续理解。
- 一文看懂什么是通用人工智能（AGI）把“人工智能发展史”放进“AI基础定义与发展脉络”的完整脉络中继续理解。
- 人工智能（AI）编年史 ，持续更新中...把“人工智能发展史”放进“AI基础定义与发展脉络”的完整脉络中继续理解。
生成式人工智能
Generative Artificial Intelligence · 生成式AI · Generative AI生成式人工智能学习数据中的结构和规律，再根据输入生成文字、图像、声音、视频或代码等新内容。
生成式人工智能
Generative Artificial Intelligence · 生成式AI · Generative AI白话类比
它像读过大量作品后按要求交稿的创作者：不是从资料库里原样找一份答案，而是依据学到的模式逐步组织新结果。不过“新生成”不代表事实一定正确，也不代表内容没有版权和安全风险。
技术定义
生成式人工智能使用生成模型学习数据分布或条件关系，在提示、样例、图像、音频等条件下，对可能的输出进行建模并采样。自回归语言模型、扩散模型和生成对抗网络都是常见技术路径，输出质量受训练数据、模型结构、条件信息和生成策略共同影响。
概念边界
它不等于所有人工智能，也不只包括大语言模型；分类、预测和排序系统通常不是以生成新内容为主要目标。
概念关系
站内推荐阅读
- 一文全面看懂什么是大模型（LLM）把“生成式人工智能”放进“生成式AI与内容生成”的完整脉络中继续理解。
- AI图片生成入门：从提示词到工作流把“生成式人工智能”放进“生成式AI与内容生成”的完整脉络中继续理解。
- AI视频生成入门：能力边界、流程和常见误区把“生成式人工智能”放进“生成式AI与内容生成”的完整脉络中继续理解。
生成式模型
Generative Model · 生成模型查看“技术路线”中的概念关系和站内阅读入口。
生成式模型
Generative Model · 生成模型概念关系
站内推荐阅读
- 生成式模型 | Generative model直接讲解“生成式模型”的定义、机制或实际用法。
- 一文全面看懂什么是大模型（LLM）把“生成式模型”放进“生成式AI与内容生成”的完整脉络中继续理解。
- AI图片生成入门：从提示词到工作流把“生成式模型”放进“生成式AI与内容生成”的完整脉络中继续理解。
神经科学与AI
Neuroscience and AI · 神经科学查看“基础学科”中的概念关系和站内阅读入口。
神经科学与AI
Neuroscience and AI · 神经科学概念关系
站内推荐阅读
- AI为什么需要神经科学基础？直接讲解“神经科学与AI”的定义、机制或实际用法。
心理学与AI
Psychology and AI · 心理学查看“基础学科”中的概念关系和站内阅读入口。
心理学与AI
Psychology and AI · 心理学概念关系
站内推荐阅读
- AI为什么需要心理学基础？直接讲解“心理学与AI”的定义、机制或实际用法。
物理学与AI
Physics and AI · 物理学 · AI与物理世界查看“基础学科”中的概念关系和站内阅读入口。
物理学与AI
Physics and AI · 物理学 · AI与物理世界概念关系
站内推荐阅读
- AI为什么需要物理学基础？直接讲解“物理学与AI”的定义、机制或实际用法。
数学、统计与优化
13 个词条支撑模型表示、概率推断和训练优化的数学概念。
标量
Scalar标量是只用一个数值表示大小的量，常被用作模型中的分数、系数、损失或超参数。
标量
Scalar白话类比
温度计上的“25度”就是一个标量：它只回答有多高，不描述朝哪个方向。与之相比，风速如果还要说明风向，就更适合用向量表示。
技术定义
标量是零阶张量，可由单个数值表示。在机器学习中，学习率、损失值、概率、权重系数和评价指标都可能是标量；标量也可以与向量、矩阵或张量进行加法、乘法和缩放等运算。
概念边界
标量不是“很小的数”，也不限定为整数；它与向量的区别在于表示结构，而不是数值大小。
概念关系
站内推荐阅读
- 标量 | scalar直接讲解“标量”的定义、机制或实际用法。
向量
Vector向量是一组有顺序的数，AI用它表示对象的特征、方向、状态或在某个空间中的位置。
向量
Vector白话类比
描述一套房子时，可以用“面积、楼层、距离地铁、采光”组成一排数字。每个数字只说明一个维度，合在一起就形成这套房子的向量，系统也就能据此比较两套房子的相似与差异。
技术定义
向量是线性代数中的基本对象，可表示为一维数值数组。机器学习把样本特征、模型状态以及文字、图像等对象编码为向量，再通过点积、距离、矩阵运算等方法完成相似度计算、变换、分类与优化。向量各维度的含义可能由人定义，也可能由模型学习。
概念边界
向量不等于嵌入；嵌入是一种把对象映射成向量的表示方法，而向量本身只是数学形式。
概念关系
站内推荐阅读
- 向量 | vector直接讲解“向量”的定义、机制或实际用法。
- 词嵌入 | Word embedding把“向量”放进“线性代数与表示基础”的完整脉络中继续理解。
矩阵
Matrix查看“线性代数”中的概念关系和站内阅读入口。
矩阵
Matrix概念关系
站内推荐阅读
- 矩阵 | Matrix直接讲解“矩阵”的定义、机制或实际用法。
- 线性代数（linear algebra）把“矩阵”放进“线性代数与表示基础”的完整脉络中继续理解。
- 向量 | vector把“矩阵”放进“线性代数与表示基础”的完整脉络中继续理解。
张量
Tensor查看“线性代数”中的概念关系和站内阅读入口。
张量
Tensor概念关系
站内推荐阅读
- 张量 | Tensor直接讲解“张量”的定义、机制或实际用法。
- 线性代数（linear algebra）把“张量”放进“线性代数与表示基础”的完整脉络中继续理解。
- 向量 | vector把“张量”放进“线性代数与表示基础”的完整脉络中继续理解。
线性代数
Linear Algebra查看“线性代数”中的概念关系和站内阅读入口。
线性代数
Linear Algebra概念关系
站内推荐阅读
- 线性代数（linear algebra）直接讲解“线性代数”的定义、机制或实际用法。
- 向量 | vector把“线性代数”放进“线性代数与表示基础”的完整脉络中继续理解。
- 矩阵 | Matrix把“线性代数”放进“线性代数与表示基础”的完整脉络中继续理解。
概率论
Probability Theory查看“概率统计”中的概念关系和站内阅读入口。
概率论
Probability Theory概念关系
站内推荐阅读
- 概率论（Probability theory）直接讲解“概率论”的定义、机制或实际用法。
- 数理统计（Mathematical statistics）把“概率论”放进“概率统计基础”的完整脉络中继续理解。
- 后验概率（Posterior probability）把“概率论”放进“概率统计基础”的完整脉络中继续理解。
数理统计
Mathematical Statistics · 统计学查看“概率统计”中的概念关系和站内阅读入口。
数理统计
Mathematical Statistics · 统计学概念关系
站内推荐阅读
- 数理统计（Mathematical statistics）直接讲解“数理统计”的定义、机制或实际用法。
- 概率论（Probability theory）把“数理统计”放进“概率统计基础”的完整脉络中继续理解。
- 后验概率（Posterior probability）把“数理统计”放进“概率统计基础”的完整脉络中继续理解。
后验概率
Posterior Probability · 后验查看“概率统计”中的概念关系和站内阅读入口。
后验概率
Posterior Probability · 后验概念关系
站内推荐阅读
- 后验概率（Posterior probability）直接讲解“后验概率”的定义、机制或实际用法。
- 最大后验概率（Maximum a posteriori estimation | MAP）直接讲解“后验概率”的定义、机制或实际用法。
- 数理统计（Mathematical statistics）把“后验概率”放进“概率统计基础”的完整脉络中继续理解。
最优化
Optimization · 优化问题查看“优化方法”中的概念关系和站内阅读入口。
最优化
Optimization · 优化问题概念关系
站内推荐阅读
- 粒子群优化算法（Particle Swarm Optimization | PSO）直接讲解“最优化”的定义、机制或实际用法。
- 约束优化（Constrained optimization）直接讲解“最优化”的定义、机制或实际用法。
- 随机梯度下降法（Stochastic gradient descent | SGD）把“最优化”放进“模型优化与梯度方法”的完整脉络中继续理解。
梯度
Gradient查看“优化方法”中的概念关系和站内阅读入口。
梯度
Gradient概念关系
站内推荐阅读
- 随机梯度下降法（Stochastic gradient descent | SGD）直接讲解“梯度”的定义、机制或实际用法。
- 约束优化（Constrained optimization）把“梯度”放进“模型优化与梯度方法”的完整脉络中继续理解。
- 反向传播算法| Backpropagation把“梯度”放进“模型优化与梯度方法”的完整脉络中继续理解。
梯度下降
Gradient Descent · GD查看“优化方法”中的概念关系和站内阅读入口。
梯度下降
Gradient Descent · GD概念关系
站内推荐阅读
- 随机梯度下降法（Stochastic gradient descent | SGD）直接讲解“梯度下降”的定义、机制或实际用法。
- 约束优化（Constrained optimization）把“梯度下降”放进“模型优化与梯度方法”的完整脉络中继续理解。
- 反向传播算法| Backpropagation把“梯度下降”放进“模型优化与梯度方法”的完整脉络中继续理解。
随机梯度下降
Stochastic Gradient Descent · SGD查看“优化方法”中的概念关系和站内阅读入口。
随机梯度下降
Stochastic Gradient Descent · SGD概念关系
站内推荐阅读
- 随机梯度下降法（Stochastic gradient descent | SGD）直接讲解“随机梯度下降”的定义、机制或实际用法。
- 约束优化（Constrained optimization）把“随机梯度下降”放进“模型优化与梯度方法”的完整脉络中继续理解。
- 反向传播算法| Backpropagation把“随机梯度下降”放进“模型优化与梯度方法”的完整脉络中继续理解。
损失函数
Loss Function · 代价函数 · 目标函数查看“优化方法”中的概念关系和站内阅读入口。
损失函数
Loss Function · 代价函数 · 目标函数概念关系
站内推荐阅读
- 约束优化（Constrained optimization）把“损失函数”放进“模型优化与梯度方法”的完整脉络中继续理解。
- 随机梯度下降法（Stochastic gradient descent | SGD）把“损失函数”放进“模型优化与梯度方法”的完整脉络中继续理解。
- 反向传播算法| Backpropagation把“损失函数”放进“模型优化与梯度方法”的完整脉络中继续理解。
数据、特征与评测
15 个词条数据准备、特征表示、实验设计和效果判断。
数据集
Dataset · 训练数据数据集是为训练、验证、测试或评估AI系统而组织的一组样本及其相关信息。
数据集
Dataset · 训练数据白话类比
它像一套整理过的练习册：题目是输入，部分题目带标准答案或标注，还要按训练、模拟考试和最终考试分开使用。题量很大却重复、错误或偏科，照样会把学习方向带偏。
技术定义
数据集由样本、字段、标签、来源、许可、划分和质量说明等部分组成，可包含文本、图像、音频、表格或多模态数据。模型训练使用数据学习参数，验证集帮助选择方案和调节设置，测试集用于在相对独立的数据上估计泛化表现。
概念边界
数据集不是随手收集的文件堆，也不等于训练集；同一批数据若存在泄漏、偏差、重复或授权问题，会直接影响评测与使用风险。
概念关系
站内推荐阅读
- AI 数据集最常见的6大问题（附解决方案）直接讲解“数据集”的定义、机制或实际用法。
- 训练集、验证集、测试集（含 分割方法+交叉验证）把“数据集”放进“数据、特征与数据划分”的完整脉络中继续理解。
- 大模型的常用数据指令格式：ShareGPT 和 Alpaca把“数据集”放进“数据、特征与数据划分”的完整脉络中继续理解。
训练集、验证集与测试集
Training, Validation and Test Sets · 训练集 · 验证集查看“数据处理”中的概念关系和站内阅读入口。
训练集、验证集与测试集
Training, Validation and Test Sets · 训练集 · 验证集概念关系
站内推荐阅读
- 训练集、验证集、测试集（含 分割方法+交叉验证）直接讲解“训练集、验证集与测试集”的定义、机制或实际用法。
- AI 数据集最常见的6大问题（附解决方案）把“训练集、验证集与测试集”放进“数据、特征与数据划分”的完整脉络中继续理解。
- 特征工程 | Feature Engineering把“训练集、验证集与测试集”放进“数据、特征与数据划分”的完整脉络中继续理解。
数据清洗
Data Cleaning数据清洗是识别并处理缺失、错误、重复、异常和格式不一致的数据，使其更适合训练与分析。
数据清洗
Data Cleaning数据标注
Data Labeling · 数据标签 · 人工标注数据标注是为原始样本补充类别、位置、文本答案或其他目标信息，使模型获得可学习的监督信号。
数据标注
Data Labeling · 数据标签 · 人工标注数据质量
Data Quality数据质量描述数据是否准确、完整、一致、及时、相关并足以支撑预定的AI任务。
数据质量
Data Quality特征
Feature · 数据特征查看“特征工程”中的概念关系和站内阅读入口。
特征
Feature · 数据特征概念关系
站内推荐阅读
- 特征工程 | Feature Engineering直接讲解“特征”的定义、机制或实际用法。
- 分类特征 | categorical feature直接讲解“特征”的定义、机制或实际用法。
- AI 数据集最常见的6大问题（附解决方案）把“特征”放进“数据、特征与数据划分”的完整脉络中继续理解。
分类特征
Categorical Feature · 类别特征分类特征是取值表示有限类别而非连续数量的输入特征，例如城市、颜色或设备类型。
分类特征
Categorical Feature · 类别特征白话类比
“红、黄、蓝”是不同类别，不能因为给它们编号1、2、3，就认为蓝色一定比红色大两倍。分类特征需要保留类别关系，而不是误当成普通连续数字。
技术定义
分类特征的取值来自有限或可枚举集合，可分为无序类别和有序类别。模型使用前常通过独热编码、词表索引、目标编码或嵌入表示进行处理；高基数、未知类别和稀有类别需要单独设计策略。
概念边界
分类特征不等于分类任务；它是输入数据的类型，既可用于分类模型，也可用于回归、排序等任务。
概念关系
站内推荐阅读
- 分类特征 | categorical feature直接讲解“分类特征”的定义、机制或实际用法。
特征工程
Feature Engineering查看“特征工程”中的概念关系和站内阅读入口。
特征工程
Feature Engineering概念关系
站内推荐阅读
- 特征工程 | Feature Engineering直接讲解“特征工程”的定义、机制或实际用法。
- AI 数据集最常见的6大问题（附解决方案）把“特征工程”放进“数据、特征与数据划分”的完整脉络中继续理解。
- 训练集、验证集、测试集（含 分割方法+交叉验证）把“特征工程”放进“数据、特征与数据划分”的完整脉络中继续理解。
向量化
Vectorization · 特征向量化向量化是把类别、文字、图像或其他对象转换成可供模型计算的数值向量。
向量化
Vectorization · 特征向量化模型评测
Model Evaluation · 模型评价 · 实验评估查看“评测指标”中的概念关系和站内阅读入口。
模型评测
Model Evaluation · 模型评价 · 实验评估概念关系
站内推荐阅读
- 训练集、验证集、测试集（含 分割方法+交叉验证）把“模型评测”放进“模型评测与分类指标”的完整脉络中继续理解。
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“模型评测”放进“模型评测与分类指标”的完整脉络中继续理解。
准确率
Accuracy查看“评测指标”中的概念关系和站内阅读入口。
准确率
Accuracy概念关系
站内推荐阅读
- 分类模型评估指标——准确率、精准率、召回率、F1、ROC曲线、AUC曲线直接讲解“准确率”的定义、机制或实际用法。
- 构建RAG系统的核心策略：从60%到94%准确率直接讲解“准确率”的定义、机制或实际用法。
- 训练集、验证集、测试集（含 分割方法+交叉验证）把“准确率”放进“模型评测与分类指标”的完整脉络中继续理解。
精确率
Precision · 查准率查看“评测指标”中的概念关系和站内阅读入口。
精确率
Precision · 查准率概念关系
站内推荐阅读
- 训练集、验证集、测试集（含 分割方法+交叉验证）把“精确率”放进“模型评测与分类指标”的完整脉络中继续理解。
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“精确率”放进“模型评测与分类指标”的完整脉络中继续理解。
召回率
Recall · 查全率查看“评测指标”中的概念关系和站内阅读入口。
召回率
Recall · 查全率概念关系
站内推荐阅读
- 分类模型评估指标——准确率、精准率、召回率、F1、ROC曲线、AUC曲线直接讲解“召回率”的定义、机制或实际用法。
- 训练集、验证集、测试集（含 分割方法+交叉验证）把“召回率”放进“模型评测与分类指标”的完整脉络中继续理解。
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“召回率”放进“模型评测与分类指标”的完整脉络中继续理解。
F1分数
F1 Score · F1查看“评测指标”中的概念关系和站内阅读入口。
F1分数
F1 Score · F1概念关系
站内推荐阅读
- 分类模型评估指标——准确率、精准率、召回率、F1、ROC曲线、AUC曲线直接讲解“F1分数”的定义、机制或实际用法。
- 训练集、验证集、测试集（含 分割方法+交叉验证）把“F1分数”放进“模型评测与分类指标”的完整脉络中继续理解。
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“F1分数”放进“模型评测与分类指标”的完整脉络中继续理解。
过拟合与欠拟合
Overfitting and Underfitting · 过拟合 · 欠拟合查看“实验方法”中的概念关系和站内阅读入口。
过拟合与欠拟合
Overfitting and Underfitting · 过拟合 · 欠拟合概念关系
站内推荐阅读
- AI 数据集最常见的6大问题（附解决方案）把“过拟合与欠拟合”放进“数据、特征与数据划分”的完整脉络中继续理解。
- 训练集、验证集、测试集（含 分割方法+交叉验证）把“过拟合与欠拟合”放进“数据、特征与数据划分”的完整脉络中继续理解。
- 特征工程 | Feature Engineering把“过拟合与欠拟合”放进“数据、特征与数据划分”的完整脉络中继续理解。
机器学习与神经网络
25 个词条经典机器学习范式、算法和神经网络结构。
算法
Algorithm算法是为解决一类问题而定义的步骤和计算规则，规定输入怎样被处理并得到输出。
算法
Algorithm白话类比
做菜配方可以帮助理解算法：原料对应输入，处理顺序和火候对应计算步骤，成品对应输出。但真正的AI算法还会用数学形式描述学习、误差和更新方式，并由程序反复执行。
技术定义
算法把问题转化为一组可执行过程。在AI中，它可以负责搜索、排序、分类、优化、训练或推断；机器学习算法还会利用数据调整模型参数，使系统在未见样本上产生预期输出。算法的正确性、效率和适用假设需要分别评估。
概念边界
算法不等于模型：算法描述怎样学习或计算，模型是经过结构设定和数据训练后得到的具体参数化对象。
概念关系
站内推荐阅读
- 算法 | Algorithm直接讲解“算法”的定义、机制或实际用法。
- 机器学习 （ machine learning | ML）把“算法”放进“机器学习基础路线”的完整脉络中继续理解。
机器学习
Machine Learning · ML机器学习让系统从数据中训练出模型，再用这个模型对未见过的输入作出预测、分类或生成。
机器学习
Machine Learning · ML白话类比
传统规则像把每条判断标准都写进员工手册，机器学习更像给出大量案例和结果，让系统从案例中归纳判断方式。它学到的是数据里的规律，因此案例偏了，判断也可能跟着偏。
技术定义
机器学习是一类从输入数据训练模型的方法。训练过程依据目标函数和反馈调整模型，使其在与训练数据分布相近的新样本上完成预测、分类、排序、生成或决策。监督学习、无监督学习和强化学习使用的反馈形式不同。
概念边界
机器学习是人工智能的重要实现路径，但人工智能不只包含机器学习；机器学习也不是把数据交给程序后自动得到可靠结论。
概念关系
站内推荐阅读
- 机器学习 （ machine learning | ML）直接讲解“机器学习”的定义、机制或实际用法。
- 训练集、验证集、测试集（含 分割方法+交叉验证）把“机器学习”放进“机器学习基础路线”的完整脉络中继续理解。
监督学习
Supervised Learning查看“学习范式”中的概念关系和站内阅读入口。
监督学习
Supervised Learning概念关系
站内推荐阅读
- 监督学习 | Supervised learning直接讲解“监督学习”的定义、机制或实际用法。
- 无监督学习 （Unsupervised learning | UL）直接讲解“监督学习”的定义、机制或实际用法。
- 算法 | Algorithm把“监督学习”放进“机器学习基础路线”的完整脉络中继续理解。
无监督学习
Unsupervised Learning查看“学习范式”中的概念关系和站内阅读入口。
无监督学习
Unsupervised Learning概念关系
站内推荐阅读
- 无监督学习 （Unsupervised learning | UL）直接讲解“无监督学习”的定义、机制或实际用法。
- 算法 | Algorithm把“无监督学习”放进“机器学习基础路线”的完整脉络中继续理解。
- 机器学习 （ machine learning | ML）把“无监督学习”放进“机器学习基础路线”的完整脉络中继续理解。
半监督学习
Semi-supervised Learning半监督学习同时使用少量带标签数据和大量无标签数据，以降低标注成本并提升模型表现。
半监督学习
Semi-supervised Learning自监督学习
Self-supervised Learning自监督学习从数据本身构造训练目标，让模型在没有逐条人工标签时学习可迁移的表示。
自监督学习
Self-supervised Learning强化学习
Reinforcement Learning · RL查看“学习范式”中的概念关系和站内阅读入口。
强化学习
Reinforcement Learning · RL概念关系
站内推荐阅读
- 强化学习（Reinforcement learning | RL）直接讲解“强化学习”的定义、机制或实际用法。
- 算法 | Algorithm把“强化学习”放进“机器学习基础路线”的完整脉络中继续理解。
- 机器学习 （ machine learning | ML）把“强化学习”放进“机器学习基础路线”的完整脉络中继续理解。
迁移学习
Transfer Learning查看“学习范式”中的概念关系和站内阅读入口。
迁移学习
Transfer Learning概念关系
站内推荐阅读
- 迁移学习 | Transfer learning直接讲解“迁移学习”的定义、机制或实际用法。
- 算法 | Algorithm把“迁移学习”放进“机器学习基础路线”的完整脉络中继续理解。
- 机器学习 （ machine learning | ML）把“迁移学习”放进“机器学习基础路线”的完整脉络中继续理解。
分类
Classification · 分类任务查看“经典任务”中的概念关系和站内阅读入口。
分类
Classification · 分类任务概念关系
站内推荐阅读
- 一文看完大模型微调技术：微调背景、分类和微调全流程介绍直接讲解“分类”的定义、机制或实际用法。
- 分类模型评估指标——准确率、精准率、召回率、F1、ROC曲线、AUC曲线直接讲解“分类”的定义、机制或实际用法。
- 逻辑回归 | Logistic regression把“分类”放进“机器学习任务与经典方法”的完整脉络中继续理解。
回归
Regression · 回归任务查看“经典任务”中的概念关系和站内阅读入口。
回归
Regression · 回归任务概念关系
站内推荐阅读
- 线性回归 | linear regression直接讲解“回归”的定义、机制或实际用法。
- 逻辑回归 | Logistic regression直接讲解“回归”的定义、机制或实际用法。
- 决策树 | Decision tree把“回归”放进“机器学习任务与经典方法”的完整脉络中继续理解。
聚类
Clustering · 聚类任务聚类是在缺少预设标签时，根据样本相似性把对象自动分成若干组的机器学习任务。
聚类
Clustering · 聚类任务白话类比
整理一箱混合纽扣时，可以按颜色、大小或孔数分堆。聚类也在找“自然分组”，但最终分法取决于选了哪些特征、怎样衡量距离以及采用什么算法。
技术定义
聚类属于无监督学习，目标是在给定特征空间和相似度定义下，使同一簇内样本更接近、不同簇之间更分离。常见方法包括K均值、层次聚类和基于密度的聚类，结果需要结合任务语义与稳定性评估。
概念边界
聚类得到的组不自动等于真实类别，也不会自行解释每一组的业务含义；簇数、尺度和距离度量都会改变结果。
概念关系
站内推荐阅读
- K均值聚类 | k-means clustering直接讲解“聚类”的定义、机制或实际用法。
线性回归
Linear Regression线性回归用输入特征的加权和来预测连续数值，是理解回归与模型拟合的基础算法。
线性回归
Linear Regression白话类比
估算房价时，可以给面积、楼层和地段分别乘一个影响系数，再加上基础价格。线性回归正是学习这些系数，但现实关系若明显弯曲或相互影响，简单直线就可能不够。
技术定义
线性回归假设目标值可由特征的线性组合加上误差项表示，通常通过最小化残差平方和估计系数。它可扩展为带正则化的岭回归和Lasso，并可通过残差、共线性与泛化误差检查适用性。
概念边界
“线性”指参数组合形式，不代表输入只能是一条直线；加入多项式特征后仍可用线性回归拟合非线性曲线。
概念关系
站内推荐阅读
- 线性回归 | linear regression直接讲解“线性回归”的定义、机制或实际用法。
逻辑回归
Logistic Regression查看“经典算法”中的概念关系和站内阅读入口。
逻辑回归
Logistic Regression概念关系
站内推荐阅读
- 逻辑回归 | Logistic regression直接讲解“逻辑回归”的定义、机制或实际用法。
- 线性回归 | linear regression把“逻辑回归”放进“机器学习任务与经典方法”的完整脉络中继续理解。
- 决策树 | Decision tree把“逻辑回归”放进“机器学习任务与经典方法”的完整脉络中继续理解。
决策树
Decision Tree查看“经典算法”中的概念关系和站内阅读入口。
决策树
Decision Tree概念关系
站内推荐阅读
- 决策树 | Decision tree直接讲解“决策树”的定义、机制或实际用法。
- 逻辑回归 | Logistic regression把“决策树”放进“机器学习任务与经典方法”的完整脉络中继续理解。
- 线性回归 | linear regression把“决策树”放进“机器学习任务与经典方法”的完整脉络中继续理解。
K近邻
K-nearest Neighbors · KNN · K近邻算法K近邻根据新样本周围最接近的K个已知样本，完成分类或数值预测。
K近邻
K-nearest Neighbors · KNN · K近邻算法白话类比
新搬来一家餐馆，若附近几家相似餐馆大多是面馆，可以先推测它也属于这一类。K近邻就是参考“邻居”，但距离怎么算、看几个邻居会直接影响判断。
技术定义
K近邻是一种基于实例的非参数方法。预测时计算查询样本与训练样本的距离，选取最近的K个邻居，并用多数投票或距离加权完成分类，用均值或加权均值完成回归。特征缩放和高维距离退化是常见问题。
概念边界
K近邻中的K是邻居数量，不是类别数量；它训练阶段简单，但预测时可能需要较多存储和距离计算。
概念关系
站内推荐阅读
- K邻近算法（k-nearest neighbors | KNN）直接讲解“K近邻”的定义、机制或实际用法。
朴素贝叶斯
Naive Bayes · 朴素贝叶斯分类器朴素贝叶斯是一类基于贝叶斯定理并假设特征条件独立的概率分类算法。
朴素贝叶斯
Naive Bayes · 朴素贝叶斯分类器白话类比
判断一封邮件是否垃圾邮件时，可以分别观察“促销词”“大量链接”“陌生发件人”各自出现的概率，再把证据合起来。它暂时把这些线索看作彼此独立，因此计算快，却简化了现实关系。
技术定义
朴素贝叶斯根据类别先验概率和各特征在类别条件下的似然，计算样本属于每个类别的后验概率。常见变体包括高斯、伯努利和多项式朴素贝叶斯，分别适合连续特征、二值特征和计数特征。
概念边界
“朴素”来自条件独立假设，不表示算法随意或一定较差；当特征高度相关或概率模型不匹配时，输出概率可能不可靠。
概念关系
站内推荐阅读
- 朴素贝叶斯 （Naive Bayes Classifier | NBC）直接讲解“朴素贝叶斯”的定义、机制或实际用法。
K均值聚类
K-means Clustering · K-means · K均值K均值聚类把样本迭代分配给K个中心，使各样本到所属中心的平方距离尽量小。
K均值聚类
K-means Clustering · K-means · K均值白话类比
给一群住户选K个集中取货点：先试放几个点，再让每户选择最近地点，然后把取货点移到该组住户的平均位置，重复到变化很小。
技术定义
K均值先初始化K个质心，再交替执行样本分配与质心更新，优化簇内平方和。它适合数值型、近似球状且尺度可比较的簇；初始化、特征缩放、异常值和K值选择都会影响最终结果。
概念边界
K均值不是任意形状聚类的通用答案，也不能直接处理没有数值距离含义的类别；K必须预先给定或通过评估选择。
概念关系
站内推荐阅读
- K均值聚类 | k-means clustering直接讲解“K均值聚类”的定义、机制或实际用法。
集成学习
Ensemble Learning集成学习把多个模型的结果组合起来，以降低单个模型的偏差、方差或偶然错误。
集成学习
Ensemble Learning白话类比
重要判断不只问一个人，而是让多位经验不同的人独立给出意见，再投票或加权汇总。前提是意见之间有差异；一群犯同样错误的人并不会因为人数多就更可靠。
技术定义
集成学习通过投票、平均或学习型组合器整合多个基学习器。Bagging并行训练不同样本上的模型以降低方差，Boosting按顺序纠正前序错误，Stacking再训练一个模型融合多个输出。
概念边界
集成不保证优于最强单模型；模型高度相关、数据泄漏或融合方式不当，可能只增加计算成本而不提升泛化。
概念关系
站内推荐阅读
- 集成学习 | Ensemble Learning直接讲解“集成学习”的定义、机制或实际用法。
人工神经网络
Artificial Neural Network · ANN · 神经网络人工神经网络由相互连接的计算单元和可学习参数组成，通过训练把输入映射为需要的输出。
人工神经网络
Artificial Neural Network · ANN · 神经网络白话类比
它可以粗略看成一张多层的调音台：每条输入信号经过不同旋钮被放大、减弱和组合，最后形成输出。训练就是根据结果不断调旋钮，而不是让程序员逐条写死判断规则。
技术定义
人工神经网络通常由输入层、一个或多个隐藏层和输出层构成。每层对输入执行加权组合、偏置和非线性变换，参数通过数据与优化算法学习。不同连接方式形成前馈网络、卷积网络、循环网络和Transformer等结构。
概念边界
它只是在部分思想上受到生物神经系统启发，并不是人脑的数字复制；单个“神经元”也是数学计算单元，不具备意识。
概念关系
站内推荐阅读
- 人工神经网络（Artificial Neural Network | ANN）直接讲解“人工神经网络”的定义、机制或实际用法。
- 前馈神经网络（Feedforward neural network | FNN）直接讲解“人工神经网络”的定义、机制或实际用法。
- 卷积神经网络（Convolutional Neural Networks | CNN）直接讲解“人工神经网络”的定义、机制或实际用法。
深度学习
Deep Learning · DL深度学习使用多层神经网络从数据中逐层学习表示，并完成识别、预测或生成任务。
深度学习
Deep Learning · DL白话类比
识别一张照片时，可以想象信息经过多道加工工位：前面关注边缘和颜色，中间组合出纹理和局部形状，后面再形成对物体的判断。真实网络并不会按人写好的清单逐层识别，但会在训练中形成不同层次的表示。
技术定义
深度学习是机器学习的一类方法，核心是具有多个计算层的人工神经网络。网络通过前向计算得到输出，再根据损失和反向传播计算梯度，更新大量参数。它能从原始或较少加工的数据中学习复杂表示，但通常需要较多数据、算力和工程控制。
概念边界
深度学习不等于所有机器学习，也不是网络层数越多就一定越好；模型结构、数据质量、训练方法和任务匹配同样重要。
概念关系
站内推荐阅读
- 深度学习 （ Deep Learning | DL）直接讲解“深度学习”的定义、机制或实际用法。
- 人工神经网络（Artificial Neural Network | ANN）把“深度学习”放进“神经网络与深度学习”的完整脉络中继续理解。
反向传播
Backpropagation · 反向传播算法查看“训练机制”中的概念关系和站内阅读入口。
反向传播
Backpropagation · 反向传播算法概念关系
站内推荐阅读
- 反向传播算法| Backpropagation直接讲解“反向传播”的定义、机制或实际用法。
- 人工神经网络（Artificial Neural Network | ANN）把“反向传播”放进“神经网络与深度学习”的完整脉络中继续理解。
- 深度学习 （ Deep Learning | DL）把“反向传播”放进“神经网络与深度学习”的完整脉络中继续理解。
卷积神经网络
Convolutional Neural Network · CNN查看“神经网络”中的概念关系和站内阅读入口。
卷积神经网络
Convolutional Neural Network · CNN概念关系
站内推荐阅读
- 卷积神经网络（Convolutional Neural Networks | CNN）直接讲解“卷积神经网络”的定义、机制或实际用法。
- 人工神经网络（Artificial Neural Network | ANN）把“卷积神经网络”放进“神经网络与深度学习”的完整脉络中继续理解。
- 深度学习 （ Deep Learning | DL）把“卷积神经网络”放进“神经网络与深度学习”的完整脉络中继续理解。
循环神经网络
Recurrent Neural Network · RNN查看“神经网络”中的概念关系和站内阅读入口。
循环神经网络
Recurrent Neural Network · RNN概念关系
站内推荐阅读
- 循环神经网络 （ Recurrent Neural Network | RNN）直接讲解“循环神经网络”的定义、机制或实际用法。
- 人工神经网络（Artificial Neural Network | ANN）把“循环神经网络”放进“神经网络与深度学习”的完整脉络中继续理解。
- 深度学习 （ Deep Learning | DL）把“循环神经网络”放进“神经网络与深度学习”的完整脉络中继续理解。
长短期记忆网络
Long Short-term Memory · LSTM查看“神经网络”中的概念关系和站内阅读入口。
长短期记忆网络
Long Short-term Memory · LSTM概念关系
站内推荐阅读
- 长短期记忆网络（Long short-term memory | LSTM）直接讲解“长短期记忆网络”的定义、机制或实际用法。
- 人工神经网络（Artificial Neural Network | ANN）把“长短期记忆网络”放进“神经网络与深度学习”的完整脉络中继续理解。
- 深度学习 （ Deep Learning | DL）把“长短期记忆网络”放进“神经网络与深度学习”的完整脉络中继续理解。
自编码器
Autoencoder · AE自编码器先把输入压缩成内部表示，再尝试还原原输入，以此学习数据中的重要结构。
自编码器
Autoencoder · AE白话类比
像把一张详细地图压成一份简短路线说明，再用说明尽量重画地图。中间摘要容量有限时，系统不得不保留更关键的信息，但不一定对应人能直接命名的概念。
技术定义
自编码器由编码器和解码器组成，训练目标通常是最小化输入与重建结果之间的差异。其变体可加入稀疏、去噪或概率约束，用于表示学习、降维、异常检测和生成建模等任务。
概念边界
自编码器不只是文件压缩工具，重建效果好也不代表表示对所有下游任务都有用；编码器、解码器还可出现在其他模型中。
概念关系
站内推荐阅读
- 自编码器 | Autoencoder直接讲解“自编码器”的定义、机制或实际用法。
大模型与生成机制
24 个词条大模型的结构、输入输出、生成和推理机制。
大语言模型
Large Language Model · LLM · 大模型大语言模型是在大量语言及相关数据上训练、能根据上下文预测和生成内容的大规模模型。
大语言模型
Large Language Model · LLM · 大模型白话类比
它像一个读过大量材料、很擅长接着写的助手：看到已有上下文后，会判断下一段最可能怎样继续。因为生成依据是统计规律而不是现场查证，它可以写得流畅，却仍可能把不存在的事实说得很像真的。
技术定义
大语言模型通常使用Transformer等架构，在大规模文本、代码或多模态数据上进行预训练，学习Token序列的条件概率与内部表示。推理时，模型依据提示和上下文逐步生成Token，也可通过微调、检索和工具调用适配具体任务。
概念边界
大语言模型不等于人工智能全部，也不等于数据库或搜索引擎；参数规模是一个属性，不能单独证明理解、事实可靠性或任务能力。
概念关系
站内推荐阅读
- 一文全面看懂什么是大模型（LLM）直接讲解“大语言模型”的定义、机制或实际用法。
- 一文看完大模型微调技术：微调背景、分类和微调全流程介绍直接讲解“大语言模型”的定义、机制或实际用法。
语言模型
Language Model · LM查看“模型基础”中的概念关系和站内阅读入口。
语言模型
Language Model · LM概念关系
站内推荐阅读
- 大语言模型超参数入门调参手册直接讲解“语言模型”的定义、机制或实际用法。
- 一文了解大语言模型应用程序框架LangChain直接讲解“语言模型”的定义、机制或实际用法。
- 一文全面看懂什么是大模型（LLM）直接讲解“语言模型”的定义、机制或实际用法。
模型参数
Model Parameter · 权重和偏置模型参数是训练过程中被调整并保存下来的数值，它们共同决定模型怎样把输入变成输出。
模型参数
Model Parameter · 权重和偏置白话类比
如果模型像一台有许多旋钮的机器，参数就是这些旋钮当前的位置。训练不是给每个旋钮写说明，而是根据一次次结果把它们微调，最后形成一套能处理相似输入的设置。
技术定义
模型参数是模型内部可学习的权重和偏置等数值。训练算法根据损失函数计算更新方向，反复修改参数；训练完成后，推理过程读取这些参数进行计算。参数承载的是分布式统计关系，通常不能逐个对应为一条明确知识。
概念边界
参数不同于超参数：参数由训练学习，学习率、批大小和网络层数等超参数通常由人或搜索过程设定。
概念关系
站内推荐阅读
- 一文全面看懂什么是大模型（LLM）把“模型参数”放进“语言模型与大模型基础”的完整脉络中继续理解。
- 大语言模型超参数入门调参手册把“模型参数”放进“语言模型与大模型基础”的完整脉络中继续理解。
模型参数规模
Parameter Count · 参数规模 · Billion参数模型参数规模是模型中可学习参数的总数量，常用M、B等单位表示模型体量。
模型参数规模
Parameter Count · 参数规模 · Billion参数白话类比
它像一台机器拥有多少可调旋钮：旋钮更多，可能容纳更复杂的模式，但也更占存储和计算资源。旋钮数量相同的两台机器，结构、训练材料和调校方式不同，表现仍会很不一样。
技术定义
参数规模统计模型权重、偏置等可学习数值的数量。M通常表示百万，B通常表示十亿，例如7B约为70亿参数。规模会影响权重存储、显存需求和计算量，但实际能力还取决于架构、训练数据、训练计算、后训练和推理方法。
概念边界
参数更多不保证答案更准确或推理更强，也不能直接跨架构比较；量化后的文件大小还会随每个参数使用的位数变化。
概念关系
站内推荐阅读
- 一文全面看懂什么是大模型（LLM）把“模型参数规模”放进“语言模型与大模型基础”的完整脉络中继续理解。
- 大模型配置硬件参考自查表把“模型参数规模”放进“语言模型与大模型基础”的完整脉络中继续理解。
Transformer
Transformer架构Transformer是一类以注意力机制为核心处理序列关系的神经网络架构，也是现代大语言模型的重要基础。
Transformer
Transformer架构白话类比
读一段长句时，人会把代词与前面的名字、结论与前面的条件联系起来。Transformer会为序列中的位置计算彼此关联的权重，让处理当前内容时能够参考其他位置；这只是计算关系，并不是人的阅读意识。
技术定义
Transformer最初采用编码器与解码器结构，以多头注意力、前馈网络、残差连接和位置表示等模块处理序列。自注意力允许不同位置直接交互，并提高训练并行性。现代语言模型会按任务采用仅编码器、仅解码器或编码器-解码器等变体。
概念边界
Transformer不是大语言模型的同义词：它是模型架构，大语言模型还包含训练数据、参数、训练目标、后训练与推理系统。
概念关系
站内推荐阅读
- 图解Transformer原理直接讲解“Transformer”的定义、机制或实际用法。
- Attention 机制把“Transformer”放进“Transformer与注意力机制”的完整脉络中继续理解。
注意力机制
Attention Mechanism · Attention注意力机制让模型在处理当前信息时，动态计算其他信息与它的相关程度并进行加权组合。
注意力机制
Attention Mechanism · Attention白话类比
回答“他把书还给小李，因为他要搬家”时，需要判断两个“他”更可能指谁。注意力像在句子各处做临时标记，把与当前判断更相关的位置赋予更高权重，但它并不保证一定理解正确。
技术定义
注意力机制通常把输入转换为查询、键和值，根据查询与各键的匹配程度得到权重，再对值进行加权求和。多头注意力让模型在不同表示子空间中并行学习关系，自注意力则让查询、键和值来自同一序列。
概念边界
注意力权重是模型计算的一部分，不应直接当成人类注意力或完整解释依据；注意力机制也早于并广于Transformer。
概念关系
站内推荐阅读
- Attention 机制直接讲解“注意力机制”的定义、机制或实际用法。
- 图解Transformer原理把“注意力机制”放进“Transformer与注意力机制”的完整脉络中继续理解。
自注意力
Self-attention · Self Attention查看“Transformer”中的概念关系和站内阅读入口。
自注意力
Self-attention · Self Attention概念关系
站内推荐阅读
- 图解Transformer原理把“自注意力”放进“Transformer与注意力机制”的完整脉络中继续理解。
- Attention 机制把“自注意力”放进“Transformer与注意力机制”的完整脉络中继续理解。
- 编码器-解码器-序列转换（Encoder-Decoder，Seq2Seq）把“自注意力”放进“Transformer与注意力机制”的完整脉络中继续理解。
编码器
Encoder编码器把原始输入转换为包含上下文和特征的内部表示，供后续预测、检索或解码使用。
编码器
Encoder白话类比
它像会议记录员把一段杂乱发言整理成结构化纪要：后续的人不必反复听原录音，而是使用已经提炼出的表示继续完成分类、翻译或生成。
技术定义
编码器由一组可训练变换组成，将Token、图像块、音频帧等输入映射为隐藏状态。Transformer编码器通常使用双向自注意力和前馈层，让每个位置整合序列其他位置的信息。
概念边界
编码器不是通用压缩器，也不必输出人能直接解释的摘要；仅编码器、编码器-解码器和自编码器中的“编码器”用途并不完全相同。
概念关系
站内推荐阅读
- 基于Transformers双向编码器实现（Bidirectional Encoder Representation from Transformers | BERT ）直接讲解“编码器”的定义、机制或实际用法。
- 编码器-解码器-序列转换（Encoder-Decoder，Seq2Seq）直接讲解“编码器”的定义、机制或实际用法。
- 图解Transformer原理把“编码器”放进“Transformer与注意力机制”的完整脉络中继续理解。
解码器
Decoder解码器根据内部表示或已有输出，逐步计算并生成目标序列、图像或其他结果。
解码器
Decoder白话类比
如果编码器把材料整理成提纲，解码器就像依据提纲逐句写出成稿。生成每一句时还会参考已经写出的部分，避免把整份结果一次猜完。
技术定义
Transformer解码器通常包含因果自注意力、前馈层，并在编码器-解码器模型中加入交叉注意力。仅解码器语言模型直接根据先前Token预测下一个Token；其他模型的解码器也可把潜在表示还原为图像或声音。
概念边界
解码器不等于所有生成模型，也不是视频编解码器中的同名组件；具体输入、注意力方式和输出形式由模型架构决定。
概念关系
站内推荐阅读
- 编码器-解码器-序列转换（Encoder-Decoder，Seq2Seq）直接讲解“解码器”的定义、机制或实际用法。
- 图解Transformer原理把“解码器”放进“Transformer与注意力机制”的完整脉络中继续理解。
- Attention 机制把“解码器”放进“Transformer与注意力机制”的完整脉络中继续理解。
Seq2Seq
Sequence-to-sequence · 序列到序列查看“Transformer”中的概念关系和站内阅读入口。
Seq2Seq
Sequence-to-sequence · 序列到序列概念关系
站内推荐阅读
- 编码器-解码器-序列转换（Encoder-Decoder，Seq2Seq）直接讲解“Seq2Seq”的定义、机制或实际用法。
- 图解Transformer原理把“Seq2Seq”放进“Transformer与注意力机制”的完整脉络中继续理解。
- Attention 机制把“Seq2Seq”放进“Transformer与注意力机制”的完整脉络中继续理解。
BERT
Bidirectional Encoder Representations from TransformersBERT是以Transformer编码器为核心、通过双向上下文预训练语言表示的模型架构。
BERT
Bidirectional Encoder Representations from Transformers白话类比
判断句中一个词的含义时，BERT会同时参考它左边和右边的内容，像做完形填空时通读整句再作答，因此很适合理解和分类任务。
技术定义
BERT堆叠Transformer编码器，通过掩码语言模型等目标进行预训练，使每个Token表示融合双向上下文。预训练后可增加任务头并微调，用于文本分类、序列标注、问答和语义匹配。
概念边界
BERT不是典型的逐Token长文本生成模型；它与GPT的核心差异之一是编码器式双向表示和解码器式因果生成。
概念关系
站内推荐阅读
- 基于Transformers双向编码器实现（Bidirectional Encoder Representation from Transformers | BERT ）直接讲解“BERT”的定义、机制或实际用法。
GPT架构
Generative Pre-trained Transformer · GPTGPT架构是以Transformer解码器为基础、按上下文自回归预测下一个Token的生成式预训练模型路线。
GPT架构
Generative Pre-trained Transformer · GPT白话类比
它像一位边读边续写的作者：每次只看到已经出现的内容，再决定下一个片段。不断重复后就能形成完整回答，但早期生成的偏差也会进入后续上下文。
技术定义
GPT采用仅解码器式Transformer和因果注意力，使每个位置只能利用当前位置之前的Token。模型先以大规模序列上的下一Token预测进行生成式预训练，再通过监督微调、偏好优化或工具系统适配具体用途。
概念边界
GPT既可指一类架构路线，也可指特定产品系列；并非所有仅解码器模型都属于OpenAI的GPT产品，也不是所有大语言模型都采用GPT式结构。
概念关系
Token
词元Token是模型处理和生成内容时使用的基本单位，可以是字、词、子词、标点或其他数据片段。
Token
词元白话类比
模型不会直接把整段文字当成一个整体，而是先按自己的“切块规则”拆成小片，再逐片计算。它有点像物流按包裹件数计费，但同一句话由不同分词器处理，件数可能不同。
技术定义
分词器把输入转换为Token及其编号，模型再把编号映射为向量参与计算。语言模型通常按Token序列训练和生成；多模态模型还可能把图像小块、音频片段等表示为Token。Token数量会影响上下文占用、延迟和调用成本。
概念边界
Token不固定等于一个汉字或一个英文单词，中英文谁更“费Token”也不能一概而论，结果取决于具体分词器和文本。
概念关系
站内推荐阅读
- 什么是Token?直接讲解“Token”的定义、机制或实际用法。
- 分词 | Tokenization直接讲解“Token”的定义、机制或实际用法。
分词
Tokenization · Tokenizer · Token化查看“上下文与生成”中的概念关系和站内阅读入口。
分词
Tokenization · Tokenizer · Token化概念关系
站内推荐阅读
- 分词 | Tokenization直接讲解“分词”的定义、机制或实际用法。
- 什么是Token?把“分词”放进“Token、分词与向量表示”的完整脉络中继续理解。
- 词嵌入 | Word embedding把“分词”放进“Token、分词与向量表示”的完整脉络中继续理解。
上下文窗口
Context Window · 上下文长度 · Context Length查看“上下文与生成”中的概念关系和站内阅读入口。
上下文窗口
Context Window · 上下文长度 · Context Length概念关系
站内推荐阅读
- 一文全面看懂什么是大模型（LLM）把“上下文窗口”放进“语言模型与大模型基础”的完整脉络中继续理解。
- 大语言模型超参数入门调参手册把“上下文窗口”放进“语言模型与大模型基础”的完整脉络中继续理解。
- 大模型配置硬件参考自查表把“上下文窗口”放进“语言模型与大模型基础”的完整脉络中继续理解。
嵌入
Embedding · 向量嵌入嵌入把文字、图片或其他对象映射成稠密向量，使模型能够计算它们的关系和相似程度。
嵌入
Embedding · 向量嵌入白话类比
可以把嵌入空间想成一张按含义摆放物品的地图：用途相近的东西往往靠得更近。地图上的坐标不是人工写下的类别标签，而是模型从数据中学到的表示。
技术定义
嵌入是从离散或高维对象到连续向量空间的映射。训练过程使与任务相关的对象在向量空间中形成可利用的几何关系。嵌入可用于模型输入、语义检索、推荐、聚类和相似度计算，也可以针对文本、图像或多模态数据学习。
概念边界
嵌入不等于语义本身，向量接近只表示在特定模型和任务下相似；不同嵌入模型产生的向量通常不能直接混用。
概念关系
站内推荐阅读
- 词嵌入 | Word embedding直接讲解“嵌入”的定义、机制或实际用法。
- 词转向量 | Word2vec把“嵌入”放进“Token、分词与向量表示”的完整脉络中继续理解。
- 一文看懂什么是RAG（检索增强生成）把“嵌入”放进“Token、分词与向量表示”的完整脉络中继续理解。
推理
Inference · 模型推理推理是把训练完成的模型用于新输入，并计算预测、分类结果或生成内容的运行过程。
推理
Inference · 模型推理白话类比
训练像备考和练习，推理像正式拿到一道新题后作答。考试时一般不会重新学习整本教材，而是使用已经形成的能力；输入长度、答题步骤和设备速度会影响作答时间与成本。
技术定义
在机器学习中，推理指使用已训练模型对未标注或新输入执行前向计算。大语言模型推理会处理输入Token并逐步生成输出Token，涉及权重加载、注意力计算、KV Cache、采样和服务调度等环节。它可以在线实时进行，也可以批量离线执行。
概念边界
这里的推理是模型运行阶段，不等于逻辑学或统计学中的全部“推理”含义；输出看似有推理步骤，也不能自动证明结论正确。
概念关系
站内推荐阅读
- 一文全面看懂什么是大模型（LLM）把“推理”放进“语言模型与大模型基础”的完整脉络中继续理解。
- 手把手教你本地部署阿里QwQ-32B推理模型直接讲解“推理”的定义、机制或实际用法。
- AI训练和推理为什么需要高速网络直接讲解“推理”的定义、机制或实际用法。
采样
Sampling · 生成采样采样是在模型给出的候选Token概率分布中选择下一项，从而逐步生成内容。
采样
Sampling · 生成采样温度参数
Temperature · Temperature参数温度参数通过缩放候选Token分数，调节生成概率分布的集中或平坦程度。
温度参数
Temperature · Temperature参数Top-k采样
Top-k Sampling · Top-kTop-k采样每一步只保留概率最高的k个候选Token，再从这个固定规模的集合中随机选择。
Top-k采样
Top-k Sampling · Top-kTop-p采样
Top-p Sampling · Top-p · 核采样Top-p采样每一步只保留累计概率达到阈值p的最小候选集合，再从其中随机选择。
Top-p采样
Top-p Sampling · Top-p · 核采样提示词
Prompt · Prompt提示词提示词是交给生成式模型的输入，用来说明任务、背景、材料、约束和期望输出。
提示词
Prompt · Prompt提示词白话类比
它更像给协作者的一份任务说明，而不是一句神奇口令。只说“写个方案”容易得到泛泛结果；把目标、读者、已有材料、不能改的事实和交付格式交代清楚，协作才更稳定。
技术定义
提示词可以包含问题、指令、上下文、示例、角色、工具结果和输出约束。模型根据提示与已有上下文调整后续Token的生成分布。系统提示、用户提示和应用注入的上下文可能处于不同层级，并共同影响输出。
概念边界
提示词不能弥补模型没有的可靠数据、工具权限和验证流程，也不是越长越好；它与训练模型参数的提示微调不是一回事。
概念关系
站内推荐阅读
- 一文学会Prompt（提示词）编写技巧直接讲解“提示词”的定义、机制或实际用法。
- 比提示词更重要！3个技巧教你用好AI的"上下文"直接讲解“提示词”的定义、机制或实际用法。
AIGC
AI-generated Content · 人工智能生成内容AIGC通常指由人工智能生成或深度参与生成的文字、图片、音频、视频、代码等内容。
AIGC
AI-generated Content · 人工智能生成内容白话类比
过去做一张宣传图，素材、草图、文案和排版多由人逐步完成；AIGC可以参与其中某些环节，快速给出候选版本。最终是否可用，仍要由人核对事实、版权、风格和交付要求。
技术定义
AIGC是Artificial Intelligence Generated Content的常用缩写，强调生成式模型在内容生产中的作用。具体系统可能结合大语言模型、扩散模型、语音模型、视频模型以及检索、编辑和工作流工具，完成从生成到修改、审核与发布的链路。
概念边界
AIGC是内容形态和生产方式的概括，不是一种单独模型或算法；AI辅助修改与完全生成之间也没有统一的技术分界线。
概念关系
站内推荐阅读
- AI图片生成入门：从提示词到工作流把“AIGC”放进“生成式AI与内容生成”的完整脉络中继续理解。
- AI视频生成入门：能力边界、流程和常见误区把“AIGC”放进“生成式AI与内容生成”的完整脉络中继续理解。
- AI数字人是什么，适合哪些场景？把“AIGC”放进“生成式AI与内容生成”的完整脉络中继续理解。
多模态大模型
Multimodal Large Language Model · MLLM多模态大模型能在同一系统中处理文字、图像、音频、视频等多种信息形式，并建立跨模态联系。
多模态大模型
Multimodal Large Language Model · MLLM训练、对齐与模型优化
16 个词条从预训练、微调到压缩、推理优化和服务化。
预训练
Pre-training · 预训练模型预训练是在大规模通用数据上先训练模型，让它获得可迁移的基础表示和能力，再用于具体任务。
预训练
Pre-training · 预训练模型白话类比
它像先完成一段广泛的基础教育，再去学习某个岗位。基础阶段接触的材料越广，并不代表每个专业问题都能直接做好，后面仍可能需要指令微调、领域数据、检索或工具。
技术定义
预训练通过自监督或其他训练目标，让模型从大量未逐条人工标注的数据中学习统计结构和表示。语言模型常通过预测被遮盖或后续Token进行训练，得到基础模型参数；这些参数随后可通过微调、对齐或提示适配下游任务。
概念边界
预训练不等于训练的全部过程，也不保证模型记住真实、最新且可追溯的知识；训练数据质量与授权问题仍需单独处理。
概念关系
站内推荐阅读
- 一文全面看懂什么是大模型（LLM）把“预训练”放进“大模型训练、优化与部署”的完整脉络中继续理解。
- 一文看完大模型微调技术：微调背景、分类和微调全流程介绍把“预训练”放进“大模型训练、优化与部署”的完整脉络中继续理解。
微调
Fine-tuning · Fine Tuning · 模型微调查看“训练流程”中的概念关系和站内阅读入口。
微调
Fine-tuning · Fine Tuning · 模型微调概念关系
站内推荐阅读
- 什么是指令微调（Instruction Fine-Tuning IFT）直接讲解“微调”的定义、机制或实际用法。
- 一文看完大模型微调技术：微调背景、分类和微调全流程介绍直接讲解“微调”的定义、机制或实际用法。
- 大语言模型超参数入门调参手册把“微调”放进“大模型训练、优化与部署”的完整脉络中继续理解。
指令微调
Instruction Tuning · 指令精调指令微调让模型在多种自然语言任务说明与示例答案上训练，以增强理解并遵循用户指令的能力。
指令微调
Instruction Tuning · 指令精调白话类比
相比只读大量书，指令微调更像练习各种工作单：总结这段、按表格输出、比较两种方案。模型从任务说明与答案配对中学习怎样回应要求。
技术定义
指令微调是监督微调的一种常见形式，数据通常包含指令、可选输入上下文和目标响应，并可混合多任务样本。它把预训练模型从续写分布进一步调整为对话、问答和任务执行式输出。
概念边界
指令微调不能保证模型服从所有要求，也不等于安全对齐；数据覆盖不足、指令冲突或越界请求仍需要系统规则和评测处理。
概念关系
站内推荐阅读
- 什么是指令微调（Instruction Fine-Tuning IFT）直接讲解“指令微调”的定义、机制或实际用法。
监督微调
Supervised Fine-tuning · SFT监督微调使用带有期望输出的样本继续训练预训练模型，使其更符合特定任务、领域或回答格式。
监督微调
Supervised Fine-tuning · SFT参数高效微调
Parameter-efficient Fine-tuning · PEFT参数高效微调只训练模型中少量新增或选定参数，以较低显存和存储成本适配大模型。
参数高效微调
Parameter-efficient Fine-tuning · PEFTLoRA
Low-rank Adaptation · 低秩适配LoRA冻结原模型的大部分权重，只训练插入的低秩矩阵，以较少参数完成模型适配。
LoRA
Low-rank Adaptation · 低秩适配QLoRA
Quantized Low-rank AdaptationQLoRA在量化后的冻结基础模型上训练LoRA适配参数，进一步降低大模型微调的显存需求。
QLoRA
Quantized Low-rank Adaptation模型对齐
AI Alignment · AI对齐 · Alignment模型对齐是让AI系统的行为更符合人类意图、规则和安全边界的一组训练、评测与治理方法。
模型对齐
AI Alignment · AI对齐 · Alignment超参数
Hyperparameter · 模型超参数查看“训练控制”中的概念关系和站内阅读入口。
超参数
Hyperparameter · 模型超参数概念关系
站内推荐阅读
- 大语言模型超参数入门调参手册直接讲解“超参数”的定义、机制或实际用法。
- 一文看完大模型微调技术：微调背景、分类和微调全流程介绍把“超参数”放进“大模型训练、优化与部署”的完整脉络中继续理解。
- 大模型配置硬件参考自查表把“超参数”放进“大模型训练、优化与部署”的完整脉络中继续理解。
学习率
Learning Rate · LR学习率控制优化器每次根据梯度更新模型参数的步幅，是训练稳定性最关键的超参数之一。
学习率
Learning Rate · LR训练轮次
Epoch一个训练轮次表示模型大致完整遍历一次训练数据，英文通常称为Epoch。
训练轮次
Epoch优化器
Optimizer优化器根据损失函数的梯度计算参数更新方式，推动模型在训练中找到更合适的权重。
优化器
Optimizer检查点
Checkpoint · 模型检查点检查点是训练或微调过程中保存的模型状态，用于恢复训练、比较阶段结果或部署特定版本。
检查点
Checkpoint · 模型检查点白话类比
它像长时间游戏里的存档：中途断电后可以从较近位置继续，而不是从头再来。完整存档还可能包含优化器和进度信息，不只是角色外观。
技术定义
训练检查点通常保存模型权重，并可包含优化器状态、学习率调度器、训练步数、随机数状态和配置。不同框架与任务的文件结构不同；用于推理发布时常只保留必要权重与配置。
概念边界
检查点不必等同于最终模型，也不保证可以跨架构或跨代码版本直接加载；只保存权重可能无法无缝恢复训练。
概念关系
站内推荐阅读
- AI集群中的高速存储基础：数据集、检查点和KV Cache为什么会卡住GPU直接讲解“检查点”的定义、机制或实际用法。
模型量化
Model Quantization · 量化查看“压缩与推理”中的概念关系和站内阅读入口。
模型量化
Model Quantization · 量化概念关系
站内推荐阅读
- 学习向量量化 （ Learning vector quantization | LVQ）直接讲解“模型量化”的定义、机制或实际用法。
- 一文看完大模型微调技术：微调背景、分类和微调全流程介绍把“模型量化”放进“大模型训练、优化与部署”的完整脉络中继续理解。
- 大语言模型超参数入门调参手册把“模型量化”放进“大模型训练、优化与部署”的完整脉络中继续理解。
知识蒸馏
Knowledge Distillation · 模型蒸馏知识蒸馏让较小的学生模型学习较大教师模型的输出分布或中间表示，以保留尽可能多的能力。
知识蒸馏
Knowledge Distillation · 模型蒸馏模型部署
Model Deployment · 大模型部署查看“部署与服务”中的概念关系和站内阅读入口。
模型部署
Model Deployment · 大模型部署概念关系
站内推荐阅读
- 一文看完大模型微调技术：微调背景、分类和微调全流程介绍把“模型部署”放进“大模型训练、优化与部署”的完整脉络中继续理解。
- 大语言模型超参数入门调参手册把“模型部署”放进“大模型训练、优化与部署”的完整脉络中继续理解。
- 大模型配置硬件参考自查表把“模型部署”放进“大模型训练、优化与部署”的完整脉络中继续理解。
AI应用开发与智能体
23 个词条用模型构建应用时涉及的检索、工具、协议和工程方法。
AI应用
AI Application · 人工智能应用查看“应用基础”中的概念关系和站内阅读入口。
AI应用
AI Application · 人工智能应用概念关系
站内推荐阅读
- 例举部分人工智能应用的领域和场景直接讲解“AI应用”的定义、机制或实际用法。
- AI应用国产化迁移与服务器选型深度实战指南（2026版）直接讲解“AI应用”的定义、机制或实际用法。
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测直接讲解“AI应用”的定义、机制或实际用法。
模型API
Model API · 大模型API · API调用查看“应用接口”中的概念关系和站内阅读入口。
模型API
Model API · 大模型API · API调用概念关系
站内推荐阅读
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“模型API”放进“AI应用核心链路”的完整脉络中继续理解。
- RAG、Agent、MCP之间到底是什么关系？把“模型API”放进“AI应用核心链路”的完整脉络中继续理解。
提示词工程
Prompt Engineering查看“应用接口”中的概念关系和站内阅读入口。
提示词工程
Prompt Engineering概念关系
站内推荐阅读
- 一文学会Prompt（提示词）编写技巧把“提示词工程”放进“提示词与上下文使用”的完整脉络中继续理解。
- 比提示词更重要！3个技巧教你用好AI的"上下文"把“提示词工程”放进“提示词与上下文使用”的完整脉络中继续理解。
工具调用
Tool Calling · Tool Use查看“应用接口”中的概念关系和站内阅读入口。
工具调用
Tool Calling · Tool Use概念关系
站内推荐阅读
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“工具调用”放进“AI应用核心链路”的完整脉络中继续理解。
- RAG、Agent、MCP之间到底是什么关系？把“工具调用”放进“AI应用核心链路”的完整脉络中继续理解。
智能体
AI Agent · Agent · AI智能体AI智能体是围绕目标反复获取状态、作出决定并调用工具执行动作的应用系统。
智能体
AI Agent · Agent · AI智能体白话类比
普通聊天模型像只负责回答咨询，智能体更像接到任务后能查资料、填写系统、检查结果并继续下一步的办事人员。它能否办成事，取决于工具、权限、状态和检查机制，不只是模型会不会说。
技术定义
智能体系统通常由模型或策略、目标与上下文、状态或记忆、可调用工具以及执行循环组成。系统根据当前信息选择动作，接收环境反馈，再决定继续、修正或结束。实现可以是固定工作流，也可以让模型动态选择步骤。
概念边界
智能体不要求具备意识、情感或完全自主性，也不是接入一个大语言模型就自动形成；许多确定流程用普通工作流更可靠。
概念关系
站内推荐阅读
- 一文看懂什么是智能体（AI Agent）直接讲解“智能体”的定义、机制或实际用法。
- 深入理解 AI Agent：从架构原理到安全攻防的 7 大核心概念全解析直接讲解“智能体”的定义、机制或实际用法。
- RAG、Agent、MCP之间到底是什么关系？直接讲解“智能体”的定义、机制或实际用法。
智能体循环
Agent Loop · Agentic Loop智能体循环是系统反复执行观察、推理、行动和反馈，直到完成目标或满足停止条件的过程。
智能体循环
Agent Loop · Agentic Loop智能体规划
Agent Planning · 任务规划智能体规划是把目标拆成步骤、安排依赖和选择工具，并根据执行结果持续调整方案。
智能体规划
Agent Planning · 任务规划智能体记忆
Agent Memory · Agent记忆智能体记忆是对历史交互、任务状态和外部知识进行保存与取回，使后续行动能利用过去信息。
智能体记忆
Agent Memory · Agent记忆多智能体
Multi-agent System · Multi-Agent · 多Agent查看“Agent”中的概念关系和站内阅读入口。
多智能体
Multi-agent System · Multi-Agent · 多Agent概念关系
站内推荐阅读
- Manus工作原理揭秘：解构下一代AI Agent的多智能体架构直接讲解“多智能体”的定义、机制或实际用法。
- 一文看懂什么是智能体（AI Agent）把“多智能体”放进“智能体与多智能体系统”的完整脉络中继续理解。
- 深入理解 AI Agent：从架构原理到安全攻防的 7 大核心概念全解析把“多智能体”放进“智能体与多智能体系统”的完整脉络中继续理解。
工作流编排
Workflow Orchestration · 工作流 · 编排查看“Agent”中的概念关系和站内阅读入口。
工作流编排
Workflow Orchestration · 工作流 · 编排概念关系
站内推荐阅读
- AI Agent 工作流 Skill 编写指南：从 7 个顶级案例提炼的 5 种核心模式直接讲解“工作流编排”的定义、机制或实际用法。
- AI图片生成入门：从提示词到工作流直接讲解“工作流编排”的定义、机制或实际用法。
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“工作流编排”放进“AI应用核心链路”的完整脉络中继续理解。
RAG（检索增强生成）
Retrieval-augmented Generation · RAG · 检索增强生成RAG先从外部资料中检索与问题相关的内容，再把证据交给生成模型组织答案。
RAG（检索增强生成）
Retrieval-augmented Generation · RAG · 检索增强生成白话类比
它像允许答题者先去指定资料柜查文件，再带着找到的段落作答。这样可以减少只凭记忆回答，但资料找错、切片不完整或模型引用失真，答案仍会出问题。
技术定义
检索增强生成把信息检索与生成模型组合起来。系统通常对查询和资料建立可比较的表示，召回相关片段，经过过滤或重排后放入模型上下文，再生成回答。检索源可以是向量库、全文搜索、数据库或多种方式的组合。
概念边界
RAG不是训练或微调模型，也不等于向量数据库；它是一条应用链路，效果同时受资料、切分、检索、排序、提示和评测影响。
概念关系
站内推荐阅读
- 一文看懂什么是RAG（检索增强生成）直接讲解“RAG（检索增强生成）”的定义、机制或实际用法。
- 构建RAG系统的核心策略：从60%到94%准确率直接讲解“RAG（检索增强生成）”的定义、机制或实际用法。
- RAG、Agent、MCP之间到底是什么关系？直接讲解“RAG（检索增强生成）”的定义、机制或实际用法。
信息检索
Information Retrieval · 检索查看“RAG”中的概念关系和站内阅读入口。
信息检索
Information Retrieval · 检索概念关系
站内推荐阅读
- 一文看懂什么是RAG（检索增强生成）直接讲解“信息检索”的定义、机制或实际用法。
- 构建RAG系统的核心策略：从60%到94%准确率把“信息检索”放进“检索增强生成”的完整脉络中继续理解。
- RAG、Agent、MCP之间到底是什么关系？把“信息检索”放进“检索增强生成”的完整脉络中继续理解。
语义检索
Semantic Search · 语义搜索语义检索按查询与内容表达的含义匹配结果，而不只依赖字面关键词是否相同。
语义检索
Semantic Search · 语义搜索白话类比
搜索“怎么让电脑少耗电”时，它可能找到标题为“降低笔记本功耗”的文章，虽然没有完全相同的词，但表达的是相近需求。
技术定义
语义检索通常用模型把查询和文档编码为向量，通过相似度召回候选，也可结合稀疏关键词检索形成混合检索。系统还需要分块、索引、过滤、重排序和评测，才能在具体语料上稳定工作。
概念边界
语义相近不代表事实正确或业务相关；语义检索也不是对关键词检索的全面替代，专有名词、编号和精确条件常需要混合处理。
概念关系
向量数据库
Vector Database · Vector DB向量数据库面向高维向量的存储、索引和近邻查询，用于快速寻找语义或特征相近的对象。
向量数据库
Vector Database · Vector DB白话类比
普通通讯录擅长按姓名精确查人，向量数据库更像能按“经历和兴趣相近”找人。它先把对象放进特征空间，再用近邻索引缩小搜索范围。
技术定义
向量数据库保存向量及其原始对象、标识和元数据，通过近似最近邻索引执行相似度搜索，并常提供过滤、更新、分片和持久化能力。它常用于语义检索、推荐、图像搜索和RAG候选召回。
概念边界
向量数据库不等于嵌入模型，也不能自行理解文本；向量质量、距离度量、索引参数和元数据过滤共同决定检索结果。
概念关系
重排序
Reranking · Rerank · 重排模型重排序用更精细的模型重新评估初步召回结果，调整它们与查询的相关性顺序。
重排序
Reranking · Rerank · 重排模型白话类比
初筛先从仓库快速找出几十份可能相关的资料，复审再逐份对照问题，把最有用的几份排到前面。复审更仔细，因此通常只处理较小候选集。
技术定义
检索系统先用关键词或向量索引高效召回候选，再由交叉编码器、大语言模型或学习排序模型同时考察查询与候选内容并打分。重排序可提高前几名结果质量，但会增加延迟与计算成本。
概念边界
重排序不能找回召回阶段完全漏掉的文档，也不等同于生成答案；候选集、模型和评价指标仍需针对任务调试。
概念关系
MCP（模型上下文协议）
Model Context Protocol · MCP · 大模型上下文协议MCP是一套让AI应用以统一方式连接工具、资源和提示模板的开放协议。
MCP（模型上下文协议）
Model Context Protocol · MCP · 大模型上下文协议白话类比
它像给不同设备规定统一插座和通信方式：应用仍要决定什么时候使用哪项能力，服务端也要真正提供功能，但双方不必为每个组合重新设计一套私有接口。
技术定义
模型上下文协议采用主机、客户端与服务器结构，并基于JSON-RPC定义生命周期、能力协商和消息语义。MCP服务器可公开工具、资源与提示等能力，AI应用中的MCP客户端负责连接和调用；传输层可使用本地标准输入输出或可流式HTTP。
概念边界
MCP只规范上下文和能力交换，不负责模型训练，也不替代Agent决策、业务权限控制或具体工具实现。
概念关系
站内推荐阅读
- 一文看懂MCP：是什么、能做什么、怎么用（2026年更新）直接讲解“MCP（模型上下文协议）”的定义、机制或实际用法。
- 开发一个MCP Server与Cursor集成，给Cursor插上翅膀！直接讲解“MCP（模型上下文协议）”的定义、机制或实际用法。
- RAG、Agent、MCP之间到底是什么关系？直接讲解“MCP（模型上下文协议）”的定义、机制或实际用法。
MCP服务器
MCP Server查看“MCP”中的概念关系和站内阅读入口。
MCP服务器
MCP Server概念关系
站内推荐阅读
- Figma + Cursor：用 MCP Server 实现设计到代码的无缝转换直接讲解“MCP服务器”的定义、机制或实际用法。
- 开发一个MCP Server与Cursor集成，给Cursor插上翅膀！直接讲解“MCP服务器”的定义、机制或实际用法。
- 一文看懂MCP：是什么、能做什么、怎么用（2026年更新）把“MCP服务器”放进“MCP与工具连接”的完整脉络中继续理解。
MCP客户端
MCP ClientMCP客户端是宿主应用中与某个MCP服务器建立会话、发现能力并发起协议调用的组件。
MCP客户端
MCP Client白话类比
宿主应用像办公大厅，MCP客户端像面向某个服务窗口的专门联络员。每连接一个服务器，通常就由对应客户端负责协商和传递请求。
技术定义
MCP客户端遵循模型上下文协议，与服务器完成初始化和能力协商，列出并调用工具、读取资源或获取提示模板，并处理通知和会话生命周期。一个宿主可同时创建多个客户端连接不同服务器。
概念边界
MCP客户端不等于用户使用的完整AI应用，也不等于MCP服务器；Host负责整体体验与权限，Client负责具体协议连接。
概念关系
Skills（技能）
Agent Skills · Skills查看“Agent能力”中的概念关系和站内阅读入口。
Skills（技能）
Agent Skills · Skills概念关系
站内推荐阅读
- Agent Skills网站合集直接讲解“Skills（技能）”的定义、机制或实际用法。
- 技能（Agent Skills）概述直接讲解“Skills（技能）”的定义、机制或实际用法。
- 一文看懂什么是Agent技能（Skills），用来干什么的？怎么用它？直接讲解“Skills（技能）”的定义、机制或实际用法。
规则文件
AI Coding Rules · Rules · 项目规则查看“AI辅助开发”中的概念关系和站内阅读入口。
规则文件
AI Coding Rules · Rules · 项目规则概念关系
站内推荐阅读
- Cursor不用Rules会让你的项目失控！一文告诉你怎么使用直接讲解“规则文件”的定义、机制或实际用法。
- Cursor编写一个技术产品的System Rules直接讲解“规则文件”的定义、机制或实际用法。
- 一文看懂什么是Agent技能（Skills），用来干什么的？怎么用它？把“规则文件”放进“技能、规则与工作流复用”的完整脉络中继续理解。
规格驱动开发
Spec-driven Development · Spec开发 · Specs查看“AI辅助开发”中的概念关系和站内阅读入口。
规格驱动开发
Spec-driven Development · Spec开发 · Specs概念关系
站内推荐阅读
- 【Kiro】规格文档（Specs）直接讲解“规格驱动开发”的定义、机制或实际用法。
- AI辅助开发不只是工具：规则、上下文和评测体系把“规格驱动开发”放进“AI辅助开发方法”的完整脉络中继续理解。
- 终于有开发工具(Kiro)来实现项目规范管理了把“规格驱动开发”放进“AI辅助开发方法”的完整脉络中继续理解。
氛围编程
Vibe Coding查看“AI辅助开发”中的概念关系和站内阅读入口。
氛围编程
Vibe Coding概念关系
站内推荐阅读
- 一文搞懂什么是 Vibe Coding？直接讲解“氛围编程”的定义、机制或实际用法。
- AI辅助开发不只是工具：规则、上下文和评测体系把“氛围编程”放进“AI辅助开发方法”的完整脉络中继续理解。
- 终于有开发工具(Kiro)来实现项目规范管理了把“氛围编程”放进“AI辅助开发方法”的完整脉络中继续理解。
AI辅助编程
AI-assisted Programming · AI编程 · AI辅助开发查看“AI辅助开发”中的概念关系和站内阅读入口。
AI辅助编程
AI-assisted Programming · AI编程 · AI辅助开发概念关系
站内推荐阅读
- 阿里的 AI IDE 登场了，AI辅助编程越来越有意思了直接讲解“AI辅助编程”的定义、机制或实际用法。
- AI辅助开发不只是工具：规则、上下文和评测体系直接讲解“AI辅助编程”的定义、机制或实际用法。
- 终于有开发工具(Kiro)来实现项目规范管理了把“AI辅助编程”放进“AI辅助开发方法”的完整脉络中继续理解。
算力、系统与基础设施
29 个词条芯片、互连、存储、集群和分布式计算。
算力
Computing Power · AI算力算力是完成AI训练和推理所需的计算能力，以及支撑计算持续运行的一整套资源。
算力
Computing Power · AI算力白话类比
它不只是厨房里有几台炉灶，还包括操作台、冷库、传菜通道和多人协作。GPU很快，但数据送不过来、显存放不下或节点之间通信太慢，整条生产线仍会停等。
技术定义
AI算力通常由CPU、GPU或其他加速芯片提供，并受显存与内存容量、带宽、网络、存储、并行效率、软件栈和能源条件共同影响。训练关注大规模并行计算与通信，推理还要兼顾延迟、吞吐量、并发和成本。
概念边界
算力不能只用GPU型号或理论峰值衡量；同样硬件在不同模型、精度、批量、网络和软件优化下，有效性能可能相差很大。
概念关系
站内推荐阅读
- 算力 | computation直接讲解“算力”的定义、机制或实际用法。
- AI算力资源入门：芯片、显存、网络、存储和集群直接讲解“算力”的定义、机制或实际用法。
CPU
Central Processing Unit · 中央处理器CPU是通用中央处理器，擅长控制流程、串行逻辑和多样任务，也是AI系统的数据与服务调度核心。
CPU
Central Processing Unit · 中央处理器GPU
Graphics Processing Unit · 图形处理器GPU是擅长大规模并行数值计算的处理器，常用于加速AI模型的训练和推理。
GPU
Graphics Processing Unit · 图形处理器白话类比
CPU更像少数能处理多种复杂事务的工作人员，GPU则像大量擅长同时做相似计算的工位。AI中的矩阵运算可以拆成许多并行任务，因此适合交给GPU，但控制流程和数据准备仍离不开其他部件。
技术定义
图形处理器拥有大量并行计算单元和较高内存带宽，能高效执行矩阵乘法、卷积等机器学习核心运算。AI工作负载还依赖显存容量与带宽、互连、精度支持、软件库和多卡通信，训练与推理对这些因素的侧重点不同。
概念边界
GPU不是AI专用芯片，也不是任何任务都比CPU快；工作负载过小、串行比例高或数据传输受限时，并行优势可能发挥不出来。
概念关系
站内推荐阅读
- 什么是GPU(Graphics Processing Unit)直接讲解“GPU”的定义、机制或实际用法。
- AI算力资源入门：芯片、显存、网络、存储和集群把“GPU”放进“AI算力资源全景”的完整脉络中继续理解。
- 从一张GPU到AI集群：节点、任务、并行和调度直接讲解“GPU”的定义、机制或实际用法。
TPU
Tensor Processing Unit · 张量处理器TPU是Google面向机器学习张量运算设计的专用加速器，用于训练和推理工作负载。
TPU
Tensor Processing Unit · 张量处理器NPU
Neural Processing Unit · 神经网络处理器NPU是面向神经网络运算优化的专用处理单元，常用于手机、电脑、边缘设备和部分数据中心芯片。
NPU
Neural Processing Unit · 神经网络处理器AI芯片
AI Accelerator · AI加速器 · 加速芯片查看“计算芯片”中的概念关系和站内阅读入口。
AI芯片
AI Accelerator · AI加速器 · 加速芯片概念关系
站内推荐阅读
- 算力 | computation把“AI芯片”放进“AI算力资源全景”的完整脉络中继续理解。
- AI算力资源入门：芯片、显存、网络、存储和集群直接讲解“AI芯片”的定义、机制或实际用法。
- 什么是GPU(Graphics Processing Unit)把“AI芯片”放进“AI算力资源全景”的完整脉络中继续理解。
CUDA
Compute Unified Device ArchitectureCUDA是NVIDIA提供的并行计算平台和编程模型，使软件能够利用其GPU执行通用计算。
CUDA
Compute Unified Device Architecture张量核心
Tensor Core张量核心是部分GPU中的专用计算单元，用于高吞吐执行矩阵乘加等深度学习核心运算。
张量核心
Tensor CoreGPU显存
GPU Memory · 显存 · VRAM查看“性能与容量”中的概念关系和站内阅读入口。
GPU显存
GPU Memory · 显存 · VRAM概念关系
站内推荐阅读
- AI算力资源入门：芯片、显存、网络、存储和集群直接讲解“GPU显存”的定义、机制或实际用法。
- 算力 | computation把“GPU显存”放进“AI算力资源全景”的完整脉络中继续理解。
- 什么是GPU(Graphics Processing Unit)把“GPU显存”放进“AI算力资源全景”的完整脉络中继续理解。
FLOPS
Floating-point Operations per Second · 浮点运算能力FLOPS表示设备或系统每秒可执行的浮点运算次数，常用于描述理论或实测计算吞吐能力。
FLOPS
Floating-point Operations per Second · 浮点运算能力TOPS
Tera Operations per SecondTOPS表示每秒万亿次操作，常用于描述低精度AI加速器或端侧NPU的峰值算力。
TOPS
Tera Operations per Second延迟
Latency · 时延查看“性能与容量”中的概念关系和站内阅读入口。
延迟
Latency · 时延概念关系
站内推荐阅读
- AI训练和推理为什么需要高速网络把“延迟”放进“AI系统的网络性能”的完整脉络中继续理解。
- AI算力资源入门：芯片、显存、网络、存储和集群把“延迟”放进“AI系统的网络性能”的完整脉络中继续理解。
吞吐量
Throughput查看“性能与容量”中的概念关系和站内阅读入口。
吞吐量
Throughput概念关系
站内推荐阅读
- AI训练和推理为什么需要高速网络把“吞吐量”放进“AI系统的网络性能”的完整脉络中继续理解。
- AI算力资源入门：芯片、显存、网络、存储和集群把“吞吐量”放进“AI系统的网络性能”的完整脉络中继续理解。
带宽
Bandwidth查看“性能与容量”中的概念关系和站内阅读入口。
带宽
Bandwidth概念关系
站内推荐阅读
- AI训练和推理为什么需要高速网络把“带宽”放进“AI系统的网络性能”的完整脉络中继续理解。
- AI算力资源入门：芯片、显存、网络、存储和集群把“带宽”放进“AI系统的网络性能”的完整脉络中继续理解。
IOPS
Input/output Operations per Second · 每秒输入输出操作数IOPS表示存储系统每秒能完成多少次输入输出操作，常用于衡量大量小文件或随机访问能力。
IOPS
Input/output Operations per Second · 每秒输入输出操作数PCIe
Peripheral Component Interconnect Express · PCI ExpressPCIe是连接CPU、GPU、网卡和存储等设备的高速串行扩展总线标准。
PCIe
Peripheral Component Interconnect Express · PCI Express白话类比
它像服务器内部的主干道路，显卡、网卡和固态硬盘通过不同数量车道交换数据。车道代际和数量决定上限，但拥堵还取决于共享拓扑。
技术定义
PCI Express采用点对点串行链路，以代际和Lane数量描述能力，例如x8、x16。AI系统通过PCIe传输主机与加速器数据、连接网卡和NVMe设备；交换芯片和CPU插槽拓扑会影响有效带宽。
概念边界
PCIe不是显存总线，也不等于NVLink；设备标称支持同一代PCIe，不代表在具体服务器中一定获得满通道带宽。
概念关系
NVLink
网络互连NVLink是NVIDIA提供的高速互连技术，用于提高GPU之间以及部分GPU与CPU之间的数据交换带宽。
NVLink
网络互连白话类比
多块GPU一起工作时，NVLink像为它们修建专用高速通道，减少走普通道路的拥堵。但车辆怎样分工和同步，仍由并行软件决定。
技术定义
NVLink提供点到点高速链路，可与NVSwitch组成多GPU互连网络，使设备之间交换张量、梯度或访问对端内存时获得更高带宽。具体链路数量、带宽和拓扑随硬件代际与产品变化。
概念边界
NVLink不是网络协议的通用替代，也不代表多机集群自动互联；PCIe、InfiniBand和以太网仍承担不同层级的连接。
概念关系
RDMA
Remote Direct Memory Access · 远程直接内存访问RDMA让一台机器直接读写另一台机器的内存，减少远程数据传输中的CPU参与和复制开销。
RDMA
Remote Direct Memory Access · 远程直接内存访问白话类比
普通网络传输像货物每到一站都要进仓登记再搬出，RDMA更像在授权后直接送到指定货位，减少中间装卸，但对通道和权限控制要求更高。
技术定义
Remote Direct Memory Access通过注册内存、队列和网卡卸载，在远端内存之间传输数据，降低CPU占用、内存复制和延迟。它可运行在InfiniBand或RoCE等网络上，常用于分布式训练和高性能存储。
概念边界
RDMA是一种访问与传输机制，不等于InfiniBand；低延迟还取决于网卡、交换网络、拥塞控制、拓扑和软件实现。
概念关系
InfiniBand
IB网络InfiniBand是面向高性能计算和数据中心的低延迟、高带宽网络互连技术，常用于AI集群。
InfiniBand
IB网络集合通信
Collective Communication集合通信是在一组进程或设备之间按固定模式共同交换、聚合或分发数据的通信机制。
集合通信
Collective CommunicationAllReduce
All-ReduceAllReduce把多个参与者的数据先做聚合运算，再把同一聚合结果返回给所有参与者。
AllReduce
All-Reduce分布式训练
Distributed Training查看“分布式计算”中的概念关系和站内阅读入口。
分布式训练
Distributed Training概念关系
站内推荐阅读
- 从一张GPU到AI集群：节点、任务、并行和调度把“分布式训练”放进“AI集群与资源调度”的完整脉络中继续理解。
- GPU虚拟化是什么？为什么企业部署AI会用到它把“分布式训练”放进“AI集群与资源调度”的完整脉络中继续理解。
- AI算力资源入门：芯片、显存、网络、存储和集群把“分布式训练”放进“AI集群与资源调度”的完整脉络中继续理解。
数据并行
Data Parallelism数据并行在多个设备上放置模型副本，各自处理不同数据批次，再同步梯度或参数。
数据并行
Data Parallelism模型并行
Model Parallelism模型并行把一个模型的参数或计算拆到多个设备上，使单个设备放不下或算不完的模型能够运行。
模型并行
Model Parallelism张量并行
Tensor Parallelism张量并行把同一层中的大矩阵或张量运算切分到多个设备上并行计算。
张量并行
Tensor Parallelism异构计算
Heterogeneous Computing · 异构算力异构计算让CPU、GPU、NPU等不同处理器按各自优势协同完成同一系统的工作负载。
异构计算
Heterogeneous Computing · 异构算力计算集群
Compute Cluster · AI集群 · 集群查看“集群与调度”中的概念关系和站内阅读入口。
计算集群
Compute Cluster · AI集群 · 集群概念关系
站内推荐阅读
- 从一张GPU到AI集群：节点、任务、并行和调度直接讲解“计算集群”的定义、机制或实际用法。
- AI集群中的高速存储基础：数据集、检查点和KV Cache为什么会卡住GPU直接讲解“计算集群”的定义、机制或实际用法。
- GPU虚拟化是什么？为什么企业部署AI会用到它把“计算集群”放进“AI集群与资源调度”的完整脉络中继续理解。
任务调度
Job Scheduling · 作业调度 · 调度器任务调度决定训练或推理作业何时运行、使用哪些计算资源，以及资源冲突时如何排队和分配。
任务调度
Job Scheduling · 作业调度 · 调度器GPU虚拟化
GPU Virtualization · vGPU查看“集群与调度”中的概念关系和站内阅读入口。
GPU虚拟化
GPU Virtualization · vGPU概念关系
站内推荐阅读
- GPU虚拟化是什么？为什么企业部署AI会用到它直接讲解“GPU虚拟化”的定义、机制或实际用法。
- 从一张GPU到AI集群：节点、任务、并行和调度把“GPU虚拟化”放进“AI集群与资源调度”的完整脉络中继续理解。
- AI算力资源入门：芯片、显存、网络、存储和集群把“GPU虚拟化”放进“AI集群与资源调度”的完整脉络中继续理解。
语言、视觉、语音与具身交互
27 个词条AI 感知、理解、生成并作用于物理世界的技术。
自然语言处理
Natural Language Processing · NLP自然语言处理研究和实现让计算机分析、理解、转换与生成人类语言的方法。
自然语言处理
Natural Language Processing · NLP白话类比
它像给机器建立一套处理语言的工作台：先把文字或语音整理成可计算形式，再做分类、抽取、翻译、问答或生成。不同任务需要的“理解”层次并不一样。
技术定义
自然语言处理是人工智能与计算语言学的重要领域，处理文本和语音中的词法、句法、语义、篇章与任务信息。常见任务包括分词、实体识别、文本分类、信息抽取、机器翻译、问答和生成；实现方法从规则与统计模型发展到深度学习和大语言模型。
概念边界
自然语言处理不等于大语言模型，大语言模型只是当前重要技术路线之一；能生成流畅语言也不代表系统已可靠理解事实和意图。
概念关系
站内推荐阅读
- 自然语言处理（Natural language processing | NLP）直接讲解“自然语言处理”的定义、机制或实际用法。
- 自然语言理解 （Nature Language Understanding | NLU | NLI）把“自然语言处理”放进“自然语言处理基础”的完整脉络中继续理解。
自然语言理解
Natural Language Understanding · NLU查看“语言理解与生成”中的概念关系和站内阅读入口。
自然语言理解
Natural Language Understanding · NLU概念关系
站内推荐阅读
- 自然语言理解 （Nature Language Understanding | NLU | NLI）直接讲解“自然语言理解”的定义、机制或实际用法。
- 自然语言处理（Natural language processing | NLP）把“自然语言理解”放进“自然语言处理基础”的完整脉络中继续理解。
- 命名实体识别（Named-entity recognition | NER）把“自然语言理解”放进“自然语言处理基础”的完整脉络中继续理解。
词性标注
Part-of-speech Tagging · POS标注 · POS Tagging词性标注为句子中的每个词或Token判断名词、动词、形容词等语法类别。
词性标注
Part-of-speech Tagging · POS标注 · POS Tagging白话类比
“研究”在“研究问题”和“这项研究”中分别更像动词和名词。词性标注要结合上下文给同一词选择不同语法身份。
技术定义
Part-of-speech Tagging是序列标注任务，模型根据词形、上下文和标签体系，为每个Token输出词性标签。它可由规则、统计模型或神经网络实现，并为句法分析、信息抽取等任务提供特征。
概念边界
词性标签不是词的永久属性，也不是语义分类；不同语言、分词方式和标注规范的标签集可能不同。
概念关系
站内推荐阅读
- 词性标注 | Part of speech直接讲解“词性标注”的定义、机制或实际用法。
命名实体识别
Named Entity Recognition · NER查看“语言理解与生成”中的概念关系和站内阅读入口。
命名实体识别
Named Entity Recognition · NER概念关系
站内推荐阅读
- 命名实体识别（Named-entity recognition | NER）直接讲解“命名实体识别”的定义、机制或实际用法。
- 自然语言处理（Natural language processing | NLP）把“命名实体识别”放进“自然语言处理基础”的完整脉络中继续理解。
- 自然语言理解 （Nature Language Understanding | NLU | NLI）把“命名实体识别”放进“自然语言处理基础”的完整脉络中继续理解。
文本挖掘
Text Mining查看“语言理解与生成”中的概念关系和站内阅读入口。
文本挖掘
Text Mining概念关系
站内推荐阅读
- 文本挖掘 | Text mining直接讲解“文本挖掘”的定义、机制或实际用法。
- 自然语言处理（Natural language processing | NLP）把“文本挖掘”放进“自然语言处理基础”的完整脉络中继续理解。
- 自然语言理解 （Nature Language Understanding | NLU | NLI）把“文本挖掘”放进“自然语言处理基础”的完整脉络中继续理解。
词嵌入
Word Embedding · 词向量查看“语言理解与生成”中的概念关系和站内阅读入口。
词嵌入
Word Embedding · 词向量概念关系
站内推荐阅读
- 词嵌入 | Word embedding直接讲解“词嵌入”的定义、机制或实际用法。
- 词转向量 | Word2vec把“词嵌入”放进“词表示与Word2Vec”的完整脉络中继续理解。
Word2Vec
Word to Vector查看“语言理解与生成”中的概念关系和站内阅读入口。
Word2Vec
Word to Vector概念关系
站内推荐阅读
- 词转向量 | Word2vec直接讲解“Word2Vec”的定义、机制或实际用法。
- 词嵌入 | Word embedding把“Word2Vec”放进“词表示与Word2Vec”的完整脉络中继续理解。
短语结构文法
Phrase Structure Grammar · 短语结构语法短语结构文法用重写规则描述词怎样组成名词短语、动词短语和句子等层级结构。
短语结构文法
Phrase Structure Grammar · 短语结构语法计算机视觉
Computer Vision · CV · 机器视觉查看“视觉感知”中的概念关系和站内阅读入口。
计算机视觉
Computer Vision · CV · 机器视觉概念关系
站内推荐阅读
- 计算机视觉 | （ Computer Vision | CV）直接讲解“计算机视觉”的定义、机制或实际用法。
- 人脸识别 | Facial recognition把“计算机视觉”放进“计算机视觉基础”的完整脉络中继续理解。
目标检测
Object Detection · 对象检测目标检测在图像或视频中判断有哪些对象，并给出每个对象的类别和位置范围。
目标检测
Object Detection · 对象检测图像分割
Image Segmentation · 语义分割 · 实例分割图像分割为图像中的每个像素分配类别或对象归属，从而得到比边界框更细的区域。
图像分割
Image Segmentation · 语义分割 · 实例分割人脸识别
Facial Recognition · 面部识别查看“视觉感知”中的概念关系和站内阅读入口。
人脸识别
Facial Recognition · 面部识别概念关系
站内推荐阅读
- 人脸识别 | Facial recognition直接讲解“人脸识别”的定义、机制或实际用法。
- 计算机视觉 | （ Computer Vision | CV）把“人脸识别”放进“计算机视觉基础”的完整脉络中继续理解。
语音技术
Speech Technology · 智能语音查看“语音交互”中的概念关系和站内阅读入口。
语音技术
Speech Technology · 智能语音概念关系
站内推荐阅读
- 语音识别技术 （Automatic Speech Recognition丨ASR）把“语音技术”放进“语音识别与合成”的完整脉络中继续理解。
- 语音合成（Text to Speech | TTS）把“语音技术”放进“语音识别与合成”的完整脉络中继续理解。
- 用openai开源的whisper部署自己的语音识别系统把“语音技术”放进“语音识别与合成”的完整脉络中继续理解。
自动语音识别
Automatic Speech Recognition · ASR · 语音识别查看“语音交互”中的概念关系和站内阅读入口。
自动语音识别
Automatic Speech Recognition · ASR · 语音识别概念关系
站内推荐阅读
- 语音识别技术 （Automatic Speech Recognition丨ASR）直接讲解“自动语音识别”的定义、机制或实际用法。
- 用openai开源的whisper部署自己的语音识别系统直接讲解“自动语音识别”的定义、机制或实际用法。
- 语音合成（Text to Speech | TTS）把“自动语音识别”放进“语音识别与合成”的完整脉络中继续理解。
语音合成
Text-to-speech · TTS · 文本转语音查看“语音交互”中的概念关系和站内阅读入口。
语音合成
Text-to-speech · TTS · 文本转语音概念关系
站内推荐阅读
- 语音合成（Text to Speech | TTS）直接讲解“语音合成”的定义、机制或实际用法。
- 语音合成标记语言（Speech Synthesis Markup Language丨SSML）直接讲解“语音合成”的定义、机制或实际用法。
- 语音识别技术 （Automatic Speech Recognition丨ASR）把“语音合成”放进“语音识别与合成”的完整脉络中继续理解。
语音活动检测
Voice Activity Detection · VAD语音活动检测判断音频的哪些时间段有人声，用于切分、降噪、转写和实时交互。
语音活动检测
Voice Activity Detection · VAD白话类比
会议录音里有沉默、键盘声和说话声，VAD像先标出“这里有人在说话”的区间，让后续识别系统少处理无效片段。
技术定义
Voice Activity Detection对连续音频帧输出语音或非语音概率，并通过阈值、平滑和起止规则形成语音段。实现可基于能量、统计模型或神经网络，实时系统还要权衡延迟与截断。
概念边界
VAD通常不识别说了什么，也不一定区分不同说话人；音乐、噪声和远场环境会增加误检与漏检。
概念关系
站内推荐阅读
- 一文看懂什么是语音VAD（声音活动检测）直接讲解“语音活动检测”的定义、机制或实际用法。
唤醒词检测
Hotword Detection · 关键词唤醒 · 热词检测唤醒词检测持续监听短语是否出现，在命中后启动语音助手或后续识别流程。
唤醒词检测
Hotword Detection · 关键词唤醒 · 热词检测白话类比
它像门口值班员，只关注“你好，小X”这句约定口令，听到后才通知里面的完整服务开始工作，从而降低持续上传和计算成本。
技术定义
唤醒词模型在流式音频上识别预设关键词或声学模式，通常运行在本地低功耗设备，并以阈值控制触发。系统需要评估误唤醒、漏唤醒、噪声、口音和播放音频攻击。
概念边界
唤醒词检测不等于通用语音识别，也不负责理解后续命令；“热词增强”有时只是提高识别词概率，并非设备唤醒。
概念关系
站内推荐阅读
- 一文看懂什么是语音热词唤醒（Wake-up Word / Hotword Detection）直接讲解“唤醒词检测”的定义、机制或实际用法。
语音合成标记语言
Speech Synthesis Markup Language · SSML语音合成标记语言用结构化标记控制文本转语音中的停顿、读音、语速、音调等表现。
语音合成标记语言
Speech Synthesis Markup Language · SSML白话类比
普通文本像只有台词，SSML则在台词旁加上“停顿半秒”“这个缩写逐字读”“语速放慢”等舞台提示，让合成系统更接近期望表达。
技术定义
SSML是W3C定义的XML标记语言，可通过元素和属性指定文本结构、发音、韵律、停顿、数字日期读法及语音选择。云服务对标准元素和扩展能力的支持范围可能不同。
概念边界
SSML不生成语音，也不是音频文件格式；最终效果受具体语音引擎、声音模型和服务支持程度限制。
概念关系
站内推荐阅读
- 语音合成标记语言（Speech Synthesis Markup Language丨SSML）直接讲解“语音合成标记语言”的定义、机制或实际用法。
模数转换
Analog-to-digital Conversion · ADC模数转换把麦克风等设备产生的连续模拟信号采样并量化为计算机可处理的数字数据。
模数转换
Analog-to-digital Conversion · ADC白话类比
真实声波像连续起伏的曲线，ADC像按固定时间间隔量取曲线高度并记成数字。量得越密、刻度越细，通常能保留更多细节。
技术定义
Analog-to-digital Conversion先以采样率在时间轴取样，再按位深将幅度量化为离散数值。音频AI系统中的采样率、位深、通道和前端增益会影响输入质量、数据量与后续特征。
概念边界
ADC不是语音识别算法，也不会自动消除噪声；超过采样和量化能力的信息可能失真，后续模型无法完全恢复。
概念关系
站内推荐阅读
- 音频基础知识：以微信语音为例解释声音数字化的整个流程(ADC)直接讲解“模数转换”的定义、机制或实际用法。
多模态
Multimodal AI · 多模态AI多模态AI能够在同一任务中处理并关联文字、图像、声音、视频或传感器等不同形式的信息。
多模态
Multimodal AI · 多模态AI白话类比
判断一段会议记录时，只读转写文字可能不知道谁在说话，也看不到白板内容；把声音、画面和文字结合起来，信息会更完整。多模态系统做的正是这种跨形式对齐和联合处理。
技术定义
多模态模型或系统分别编码不同类型的输入，再通过共享表示、交叉注意力或其他融合方式建立关联，可用于图文理解、语音对话、视频分析和跨模态生成。不同模态还需要各自的预处理、Token化、时间或空间对齐与评测方法。
概念边界
支持上传图片不一定表示模型具备完整多模态能力；多模态也不保证各模态理解同样准确，信息冲突时仍需专门处理。
概念关系
站内推荐阅读
- AI数字人是什么，适合哪些场景？把“多模态”放进“多模态与数字人应用”的完整脉络中继续理解。
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“多模态”放进“多模态与数字人应用”的完整脉络中继续理解。
- AI图片生成入门：从提示词到工作流把“多模态”放进“多模态与数字人应用”的完整脉络中继续理解。
扩散模型
Diffusion Model · Diffusion查看“内容生成”中的概念关系和站内阅读入口。
扩散模型
Diffusion Model · Diffusion概念关系
站内推荐阅读
- AI绘画教程之stable diffusion【2.Windows系统本地部署】直接讲解“扩散模型”的定义、机制或实际用法。
- AI图片生成入门：从提示词到工作流把“扩散模型”放进“图像生成方法”的完整脉络中继续理解。
- 生成对抗网络（Generative Adversarial Networks | GAN）把“扩散模型”放进“图像生成方法”的完整脉络中继续理解。
生成对抗网络
Generative Adversarial Network · GAN · GANs查看“内容生成”中的概念关系和站内阅读入口。
生成对抗网络
Generative Adversarial Network · GAN · GANs概念关系
站内推荐阅读
- 生成对抗网络（Generative Adversarial Networks | GAN）直接讲解“生成对抗网络”的定义、机制或实际用法。
- AI图片生成入门：从提示词到工作流把“生成对抗网络”放进“图像生成方法”的完整脉络中继续理解。
- AI绘画教程之stable diffusion【2.Windows系统本地部署】把“生成对抗网络”放进“图像生成方法”的完整脉络中继续理解。
图像生成
Image Generation · 文生图 · AI绘画查看“内容生成”中的概念关系和站内阅读入口。
图像生成
Image Generation · 文生图 · AI绘画概念关系
站内推荐阅读
- AI绘画教程之stable diffusion【2.Windows系统本地部署】直接讲解“图像生成”的定义、机制或实际用法。
- 个人电脑部署超强大ChatGPT，支持图像识别/文生图/语音输入/文本朗读！直接讲解“图像生成”的定义、机制或实际用法。
- AI图片生成入门：从提示词到工作流把“图像生成”放进“图像生成方法”的完整脉络中继续理解。
数字人
Digital Human · AI数字人 · 虚拟人查看“内容生成”中的概念关系和站内阅读入口。
数字人
Digital Human · AI数字人 · 虚拟人概念关系
站内推荐阅读
- AI数字人是什么，适合哪些场景？直接讲解“数字人”的定义、机制或实际用法。
- AI图片生成入门：从提示词到工作流把“数字人”放进“多模态与数字人应用”的完整脉络中继续理解。
- AI视频生成入门：能力边界、流程和常见误区把“数字人”放进“多模态与数字人应用”的完整脉络中继续理解。
具身智能
Embodied AI · 具身AI具身智能研究智能体如何通过身体、传感器和动作与物理或模拟环境交互并学习。
具身智能
Embodied AI · 具身AI世界模型
World Model · 物理世界模型世界模型学习环境状态怎样随动作变化，用于预测后果、模拟未来并辅助规划。
世界模型
World Model · 物理世界模型机器人学习
Robot Learning · 机器人AI机器人学习让机器人从示范、试错或数据中获得感知、决策和控制能力，而不只依赖手写规则。
机器人学习
Robot Learning · 机器人AIAI产品、业务与应用场景
6 个词条从需求判断到业务交付、运营和人机协作。
AI产品
AI Product · 人工智能产品查看“产品方法”中的概念关系和站内阅读入口。
AI产品
AI Product · 人工智能产品概念关系
站内推荐阅读
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“AI产品”放进“AI产品判断与落地”的完整脉络中继续理解。
- AI辅助开发不只是工具：规则、上下文和评测体系把“AI产品”放进“AI产品判断与落地”的完整脉络中继续理解。
- AI应用国产化迁移与服务器选型深度实战指南（2026版）把“AI产品”放进“AI产品判断与落地”的完整脉络中继续理解。
AI需求适配
AI Use-case Fit · 需求是否适合AI · AI适用性判断查看“产品方法”中的概念关系和站内阅读入口。
AI需求适配
AI Use-case Fit · 需求是否适合AI · AI适用性判断概念关系
站内推荐阅读
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“AI需求适配”放进“AI产品判断与落地”的完整脉络中继续理解。
- AI辅助开发不只是工具：规则、上下文和评测体系把“AI需求适配”放进“AI产品判断与落地”的完整脉络中继续理解。
- AI应用国产化迁移与服务器选型深度实战指南（2026版）把“AI需求适配”放进“AI产品判断与落地”的完整脉络中继续理解。
模型选型
Model Selection · 大模型选型 · AI选型查看“产品方法”中的概念关系和站内阅读入口。
模型选型
Model Selection · 大模型选型 · AI选型概念关系
站内推荐阅读
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“模型选型”放进“AI产品判断与落地”的完整脉络中继续理解。
- AI辅助开发不只是工具：规则、上下文和评测体系把“模型选型”放进“AI产品判断与落地”的完整脉络中继续理解。
- AI应用国产化迁移与服务器选型深度实战指南（2026版）把“模型选型”放进“AI产品判断与落地”的完整脉络中继续理解。
AI应用评测
AI Application Evaluation · 应用评测 · AI评测体系查看“产品方法”中的概念关系和站内阅读入口。
AI应用评测
AI Application Evaluation · 应用评测 · AI评测体系概念关系
站内推荐阅读
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“AI应用评测”放进“AI产品判断与落地”的完整脉络中继续理解。
- AI辅助开发不只是工具：规则、上下文和评测体系把“AI应用评测”放进“AI产品判断与落地”的完整脉络中继续理解。
- AI应用国产化迁移与服务器选型深度实战指南（2026版）把“AI应用评测”放进“AI产品判断与落地”的完整脉络中继续理解。
人机协作
Human-AI Collaboration · 人机协同查看“交付运营”中的概念关系和站内阅读入口。
人机协作
Human-AI Collaboration · 人机协同概念关系
站内推荐阅读
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“人机协作”放进“AI产品判断与落地”的完整脉络中继续理解。
- AI辅助开发不只是工具：规则、上下文和评测体系把“人机协作”放进“AI产品判断与落地”的完整脉络中继续理解。
- AI应用国产化迁移与服务器选型深度实战指南（2026版）把“人机协作”放进“AI产品判断与落地”的完整脉络中继续理解。
私有化部署
On-premises Deployment · 本地部署 · 私有部署查看“企业应用”中的概念关系和站内阅读入口。
私有化部署
On-premises Deployment · 本地部署 · 私有部署概念关系
站内推荐阅读
- 手把手教你本地部署阿里QwQ-32B推理模型直接讲解“私有化部署”的定义、机制或实际用法。
- AI绘画教程之stable diffusion【2.Windows系统本地部署】直接讲解“私有化部署”的定义、机制或实际用法。
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“私有化部署”放进“AI产品判断与落地”的完整脉络中继续理解。
工具、平台与模型生态
25 个词条具体模型、开发框架、平台和生产工具。
Hugging Face
HuggingFace查看“模型与数据平台”中的概念关系和站内阅读入口。
Hugging Face
HuggingFace概念关系
站内推荐阅读
- 一览AI开源列表，业界排行前面的都帮你列全了把“Hugging Face”放进“Hugging Face与开源模型社区”的完整脉络中继续理解。
- 一文看完大模型微调技术：微调背景、分类和微调全流程介绍把“Hugging Face”放进“Hugging Face与开源模型社区”的完整脉络中继续理解。
魔搭社区
ModelScope · 魔搭查看“模型与数据平台”中的概念关系和站内阅读入口。
魔搭社区
ModelScope · 魔搭概念关系
站内推荐阅读
- 解锁魔搭社区(ModelScope)：快速上手，开启 AI 探索之旅直接讲解“魔搭社区”的定义、机制或实际用法。
- 一文看完大模型微调技术：微调背景、分类和微调全流程介绍把“魔搭社区”放进“魔搭社区与模型使用”的完整脉络中继续理解。
Ollama
模型部署工具Ollama是用于在本地下载、管理和运行大语言模型及相关模型的工具与服务接口。
Ollama
模型部署工具白话类比
它像本地模型的启动器和仓库管理工具：按模型名称拉取文件，统一启动推理服务，再让终端或应用通过接口调用。
技术定义
Ollama提供命令行、模型清单与本地HTTP API，可拉取模型、创建自定义模型配置并运行对话、生成和嵌入等任务。实际支持能力、模型格式和硬件加速会随版本及平台变化。
概念边界
Ollama不是模型本身，也不是训练框架；能否运行某个模型取决于模型包、内存、硬件和当前版本支持。
概念关系
LM Studio
模型部署工具LM Studio是桌面端本地模型工具，用于查找、下载、运行和通过兼容接口调用模型。
LM Studio
模型部署工具白话类比
它像带图形界面的本地模型工作台：可以挑选模型、观察内存需求、聊天测试，也能开启本地服务供其他应用连接。
技术定义
LM Studio提供模型搜索与下载、硬件配置、对话界面和本地推理服务器，并可暴露OpenAI兼容API等接口。支持的模型格式、运行引擎、操作系统和功能会随版本变化。
概念边界
LM Studio不是基础模型，也不保证下载的第三方模型质量或许可；本地运行仍受内存、显存和模型量化大小限制。
概念关系
Xinference
模型部署工具Xinference是用于部署和管理语言、嵌入、重排序、图像等AI模型的开源推理服务平台。
Xinference
模型部署工具KTransformers
模型部署工具查看“模型部署工具”中的概念关系和站内阅读入口。
KTransformers
模型部署工具概念关系
站内推荐阅读
- KTransformers：让DeepSeek加速27倍的国产推理框架直接讲解“KTransformers”的定义、机制或实际用法。
- 消费级显卡部署DeepSeek-R1满血版部署教程把“KTransformers”放进“本地推理与部署工具”的完整脉络中继续理解。
LangChain
应用开发框架查看“应用开发框架”中的概念关系和站内阅读入口。
LangChain
应用开发框架概念关系
站内推荐阅读
- 一文了解大语言模型应用程序框架LangChain直接讲解“LangChain”的定义、机制或实际用法。
- 19类Agent（智能体）框架对比把“LangChain”放进“智能体开发框架”的完整脉络中继续理解。
- 一览AI开源列表，业界排行前面的都帮你列全了把“LangChain”放进“智能体开发框架”的完整脉络中继续理解。
LangGraph
应用开发框架查看“应用开发框架”中的概念关系和站内阅读入口。
LangGraph
应用开发框架概念关系
站内推荐阅读
- 19类Agent（智能体）框架对比把“LangGraph”放进“智能体开发框架”的完整脉络中继续理解。
- 一览AI开源列表，业界排行前面的都帮你列全了把“LangGraph”放进“智能体开发框架”的完整脉络中继续理解。
- 深入理解 AI Agent：从架构原理到安全攻防的 7 大核心概念全解析把“LangGraph”放进“智能体开发框架”的完整脉络中继续理解。
Dify
应用开发平台查看“应用开发平台”中的概念关系和站内阅读入口。
Dify
应用开发平台概念关系
站内推荐阅读
- 一览AI开源列表，业界排行前面的都帮你列全了把“Dify”放进“Dify与AI应用编排”的完整脉络中继续理解。
- AI应用开发的核心链路：模型、上下文、工具、记忆和评测把“Dify”放进“Dify与AI应用编排”的完整脉络中继续理解。
- 深入理解 AI Agent：从架构原理到安全攻防的 7 大核心概念全解析把“Dify”放进“Dify与AI应用编排”的完整脉络中继续理解。
ComfyUI
内容生成工具查看“内容生成工具”中的概念关系和站内阅读入口。
ComfyUI
内容生成工具概念关系
站内推荐阅读
- AI绘画教程之stable diffusion【2.Windows系统本地部署】把“ComfyUI”放进“AI图像生成工具链”的完整脉络中继续理解。
- AI图片生成入门：从提示词到工作流把“ComfyUI”放进“AI图像生成工具链”的完整脉络中继续理解。
Stable Diffusion
SD查看“内容生成模型”中的概念关系和站内阅读入口。
Stable Diffusion
SD概念关系
站内推荐阅读
- AI绘画教程之stable diffusion【2.Windows系统本地部署】直接讲解“Stable Diffusion”的定义、机制或实际用法。
- AI图片生成入门：从提示词到工作流把“Stable Diffusion”放进“AI图像生成工具链”的完整脉络中继续理解。
Whisper
语音模型与工具查看“语音模型与工具”中的概念关系和站内阅读入口。
Whisper
语音模型与工具概念关系
站内推荐阅读
- 用openai开源的whisper部署自己的语音识别系统直接讲解“Whisper”的定义、机制或实际用法。
- Fun-ASR-Nano-2512 部署教程把“Whisper”放进“语音模型与工具”的完整脉络中继续理解。
- Fun-CosyVoice3-0.5B-2512 Linux 部署指南把“Whisper”放进“语音模型与工具”的完整脉络中继续理解。
FunASR
语音模型与工具查看“语音模型与工具”中的概念关系和站内阅读入口。
FunASR
语音模型与工具概念关系
站内推荐阅读
- Fun-ASR-Nano-2512 部署教程直接讲解“FunASR”的定义、机制或实际用法。
- 用openai开源的whisper部署自己的语音识别系统把“FunASR”放进“语音模型与工具”的完整脉络中继续理解。
- Fun-CosyVoice3-0.5B-2512 Linux 部署指南把“FunASR”放进“语音模型与工具”的完整脉络中继续理解。
CosyVoice
语音模型与工具查看“语音模型与工具”中的概念关系和站内阅读入口。
CosyVoice
语音模型与工具概念关系
站内推荐阅读
- Fun-CosyVoice3-0.5B-2512 Linux 部署指南直接讲解“CosyVoice”的定义、机制或实际用法。
- 用openai开源的whisper部署自己的语音识别系统把“CosyVoice”放进“语音模型与工具”的完整脉络中继续理解。
- Fun-ASR-Nano-2512 部署教程把“CosyVoice”放进“语音模型与工具”的完整脉络中继续理解。
Suno
内容生成工具查看“内容生成工具”中的概念关系和站内阅读入口。
Suno
内容生成工具概念关系
站内推荐阅读
- 使用Suno三分钟创作一首歌，你也可以是音乐人直接讲解“Suno”的定义、机制或实际用法。
Cursor
AI编程工具查看“AI编程工具”中的概念关系和站内阅读入口。
Cursor
AI编程工具概念关系
站内推荐阅读
- 效率插件推荐：Cursor + IDEA 双开极速交互！直接讲解“Cursor”的定义、机制或实际用法。
- 如何将Cursor界面设置为中文直接讲解“Cursor”的定义、机制或实际用法。
- 2025-2026年AI编程工具全面对比：开发者必备指南把“Cursor”放进“AI编程工具生态”的完整脉络中继续理解。
Augment Code
Augment查看“AI编程工具”中的概念关系和站内阅读入口。
Augment Code
Augment概念关系
站内推荐阅读
- Augment Code的Prompt Enhancer是什么功能？直接讲解“Augment Code”的定义、机制或实际用法。
- 什么是Augment？能比过Cursor么？直接讲解“Augment Code”的定义、机制或实际用法。
- 2025-2026年AI编程工具全面对比：开发者必备指南把“Augment Code”放进“AI编程工具生态”的完整脉络中继续理解。
Kiro
AI编程工具查看“AI编程工具”中的概念关系和站内阅读入口。
Kiro
AI编程工具概念关系
站内推荐阅读
- 【Kiro】安装指南（install guide），附国内下载地址直接讲解“Kiro”的定义、机制或实际用法。
- 【Kiro】指导/引导配置（Steering）直接讲解“Kiro”的定义、机制或实际用法。
- 2025-2026年AI编程工具全面对比：开发者必备指南把“Kiro”放进“AI编程工具生态”的完整脉络中继续理解。
Claude Code
CC查看“AI编程工具”中的概念关系和站内阅读入口。
Claude Code
CC概念关系
站内推荐阅读
- Claude Code安装与使用指南及中转站风险说明（2026年7月更新）直接讲解“Claude Code”的定义、机制或实际用法。
- 如何使用Claude Code，看这一篇就够了直接讲解“Claude Code”的定义、机制或实际用法。
- 2025-2026年AI编程工具全面对比：开发者必备指南把“Claude Code”放进“AI编程工具生态”的完整脉络中继续理解。
通义灵码
Tongyi Lingma · Lingma · 灵码查看“AI编程工具”中的概念关系和站内阅读入口。
通义灵码
Tongyi Lingma · Lingma · 灵码概念关系
站内推荐阅读
- 2025-2026年AI编程工具全面对比：开发者必备指南把“通义灵码”放进“AI编程工具生态”的完整脉络中继续理解。
- 关于 Kiro把“通义灵码”放进“AI编程工具生态”的完整脉络中继续理解。
- 什么是Augment？能比过Cursor么？把“通义灵码”放进“AI编程工具生态”的完整脉络中继续理解。
OpenClaw
智能体框架查看“智能体框架”中的概念关系和站内阅读入口。
OpenClaw
智能体框架概念关系
站内推荐阅读
- OpenClaw 技术架构深度解析直接讲解“OpenClaw”的定义、机制或实际用法。
- 深入理解 AI Agent：从架构原理到安全攻防的 7 大核心概念全解析把“OpenClaw”放进“OpenClaw与智能体架构”的完整脉络中继续理解。
DeepSeek
深度求索查看“模型生态”中的概念关系和站内阅读入口。
DeepSeek
深度求索概念关系
站内推荐阅读
- 40篇DeepSeek爆文精华汇总，万字总结，节省10小时阅读时间直接讲解“DeepSeek”的定义、机制或实际用法。
- KTransformers：让DeepSeek加速27倍的国产推理框架直接讲解“DeepSeek”的定义、机制或实际用法。
- 一文全面看懂什么是大模型（LLM）把“DeepSeek”放进“DeepSeek模型与本地部署”的完整脉络中继续理解。
Qwen
通义千问查看“模型生态”中的概念关系和站内阅读入口。
Qwen
通义千问概念关系
站内推荐阅读
- 一文全面看懂什么是大模型（LLM）把“Qwen”放进“Qwen模型与本地推理”的完整脉络中继续理解。
- 手把手教你本地部署阿里QwQ-32B推理模型把“Qwen”放进“Qwen模型与本地推理”的完整脉络中继续理解。
- QwQ-32B：超越671B DeepSeek-R1的智能革命——更小、更快、更强把“Qwen”放进“Qwen模型与本地推理”的完整脉络中继续理解。
Alpaca格式
Alpaca Format · AlpacaAlpaca格式是常见的单轮指令数据组织方式，通常包含instruction、input和output字段。
Alpaca格式
Alpaca Format · Alpaca白话类比
它像一张训练工单：instruction写要做什么，input放可选材料，output给出期望交付。每条记录主要描述一次任务与回答。
技术定义
Alpaca项目使用JSON对象组织指令微调样本，典型字段为instruction、input和output。后续训练框架常兼容或扩展这一约定，并可能允许空input、系统提示或历史字段。
概念边界
Alpaca格式不是正式行业标准，也不等于Alpaca模型；不同框架对字段名称、模板拼接和多轮支持可能不同。
概念关系
站内推荐阅读
- 大模型的常用数据指令格式：ShareGPT 和 Alpaca直接讲解“Alpaca格式”的定义、机制或实际用法。
安全、合规与治理
16 个词条AI 系统的数据、模型、内容、权限、法律和责任问题。
AI安全
AI Safety and Security · 人工智能安全AI安全关注AI系统在数据、模型、应用、工具和运行过程中不造成不可接受风险，并能被持续治理。
AI安全
AI Safety and Security · 人工智能安全白话类比
给公司引入AI不只是给聊天框加一道密码，更像上线一套会读取资料、生成内容甚至执行操作的新系统：入口、数据、权限、输出、日志、供应商和应急处理都要一起检查。
技术定义
AI安全覆盖机密性、完整性、可用性、鲁棒性、隐私、内容风险、模型与供应链安全，以及工具调用和现实行动造成的后果。治理过程需要识别场景风险，设置访问控制、数据边界、输入输出防护、人工复核、监测审计和事件响应，并根据使用环境持续复评。
概念边界
AI安全不只等于内容审核或防止提示词注入，也不能由模型厂商单独承担；风险责任贯穿开发者、部署方、使用者和管理流程。
概念关系
站内推荐阅读
- AI安全实践入门：普通用户和开发者都该知道什么直接讲解“AI安全”的定义、机制或实际用法。
- 什么是提示注入？为什么AI应用会被攻击？把“AI安全”放进“AI安全、治理与合规”的完整脉络中继续理解。
- 企业使用AI需要关注哪些合规风险？把“AI安全”放进“AI安全、治理与合规”的完整脉络中继续理解。
AI治理
AI Governance · 人工智能治理查看“治理基础”中的概念关系和站内阅读入口。
AI治理
AI Governance · 人工智能治理概念关系
站内推荐阅读
- AI安全实践入门：普通用户和开发者都该知道什么把“AI治理”放进“AI安全、治理与合规”的完整脉络中继续理解。
- 企业使用AI需要关注哪些合规风险？把“AI治理”放进“AI安全、治理与合规”的完整脉络中继续理解。
AI法规
AI Regulation · 人工智能法规 · AI法律查看“法规伦理”中的概念关系和站内阅读入口。
AI法规
AI Regulation · 人工智能法规 · AI法律概念关系
站内推荐阅读
- AI安全实践入门：普通用户和开发者都该知道什么把“AI法规”放进“AI安全、治理与合规”的完整脉络中继续理解。
- 企业使用AI需要关注哪些合规风险？把“AI法规”放进“AI安全、治理与合规”的完整脉络中继续理解。
提示词注入
Prompt Injection · Prompt注入查看“安全攻击”中的概念关系和站内阅读入口。
提示词注入
Prompt Injection · Prompt注入概念关系
站内推荐阅读
- 什么是提示注入？为什么AI应用会被攻击？把“提示词注入”放进“模型输入输出安全”的完整脉络中继续理解。
- AI安全实践入门：普通用户和开发者都该知道什么把“提示词注入”放进“模型输入输出安全”的完整脉络中继续理解。
- 企业使用AI需要关注哪些合规风险？把“提示词注入”放进“模型输入输出安全”的完整脉络中继续理解。
数据隐私
Data Privacy · 隐私保护查看“数据与隐私”中的概念关系和站内阅读入口。
数据隐私
Data Privacy · 隐私保护概念关系
站内推荐阅读
- AI安全实践入门：普通用户和开发者都该知道什么把“数据隐私”放进“AI安全、治理与合规”的完整脉络中继续理解。
- 企业使用AI需要关注哪些合规风险？把“数据隐私”放进“AI安全、治理与合规”的完整脉络中继续理解。
敏感数据
Sensitive Data · 敏感信息敏感数据是泄露、滥用或不当处理后可能对个人、组织、公共利益或安全造成较大风险的数据。
敏感数据
Sensitive Data · 敏感信息数据泄露
Data Leakage · 信息泄露查看“数据与隐私”中的概念关系和站内阅读入口。
数据泄露
Data Leakage · 信息泄露概念关系
站内推荐阅读
- AI安全实践入门：普通用户和开发者都该知道什么把“数据泄露”放进“AI安全、治理与合规”的完整脉络中继续理解。
- 企业使用AI需要关注哪些合规风险？把“数据泄露”放进“AI安全、治理与合规”的完整脉络中继续理解。
访问控制
Access Control · 权限控制查看“权限与系统”中的概念关系和站内阅读入口。
访问控制
Access Control · 权限控制概念关系
站内推荐阅读
- AI安全实践入门：普通用户和开发者都该知道什么把“访问控制”放进“AI安全、治理与合规”的完整脉络中继续理解。
- 企业使用AI需要关注哪些合规风险？把“访问控制”放进“AI安全、治理与合规”的完整脉络中继续理解。
模型安全
Model Security · 大模型安全查看“权限与系统”中的概念关系和站内阅读入口。
模型安全
Model Security · 大模型安全概念关系
站内推荐阅读
- AI安全实践入门：普通用户和开发者都该知道什么把“模型安全”放进“AI安全、治理与合规”的完整脉络中继续理解。
- 企业使用AI需要关注哪些合规风险？把“模型安全”放进“AI安全、治理与合规”的完整脉络中继续理解。
AI红队
AI Red Teaming · 红队测试 · 模型红队AI红队以对抗者视角主动寻找模型与应用的安全、滥用、偏见和失效问题。
AI红队
AI Red Teaming · 红队测试 · 模型红队内容安全
Content Safety · 内容治理查看“内容治理”中的概念关系和站内阅读入口。
内容安全
Content Safety · 内容治理概念关系
站内推荐阅读
- AI安全实践入门：普通用户和开发者都该知道什么把“内容安全”放进“AI安全、治理与合规”的完整脉络中继续理解。
- 企业使用AI需要关注哪些合规风险？把“内容安全”放进“AI安全、治理与合规”的完整脉络中继续理解。
模型幻觉
AI Hallucination · AI幻觉 · 幻觉查看“内容治理”中的概念关系和站内阅读入口。
模型幻觉
AI Hallucination · AI幻觉 · 幻觉概念关系
站内推荐阅读
- 什么是提示注入？为什么AI应用会被攻击？把“模型幻觉”放进“模型输入输出安全”的完整脉络中继续理解。
- AI安全实践入门：普通用户和开发者都该知道什么把“模型幻觉”放进“模型输入输出安全”的完整脉络中继续理解。
- 企业使用AI需要关注哪些合规风险？把“模型幻觉”放进“模型输入输出安全”的完整脉络中继续理解。
输出校验
Output Validation · 结果校验查看“内容治理”中的概念关系和站内阅读入口。
输出校验
Output Validation · 结果校验概念关系
站内推荐阅读
- 什么是提示注入？为什么AI应用会被攻击？把“输出校验”放进“模型输入输出安全”的完整脉络中继续理解。
- AI安全实践入门：普通用户和开发者都该知道什么把“输出校验”放进“模型输入输出安全”的完整脉络中继续理解。
- 企业使用AI需要关注哪些合规风险？把“输出校验”放进“模型输入输出安全”的完整脉络中继续理解。
可解释性
Explainable AI · XAI · 模型可解释性可解释性关注人能否理解AI系统为何给出某个结果、依据了什么，以及这种说明是否适合目标读者。
可解释性
Explainable AI · XAI · 模型可解释性AI生成内容标识
AI-generated Content Labeling · AIGC标识 · 生成内容标识AI生成内容标识是在生成合成内容及其文件信息中提供可识别说明，帮助用户和平台判断内容来源。
AI生成内容标识
AI-generated Content Labeling · AIGC标识 · 生成内容标识人工复核
Human in the Loop · Human-in-the-loop · 人在回路查看“运营治理”中的概念关系和站内阅读入口。
人工复核
Human in the Loop · Human-in-the-loop · 人在回路概念关系
站内推荐阅读
- 什么是提示注入？为什么AI应用会被攻击？把“人工复核”放进“模型输入输出安全”的完整脉络中继续理解。
- AI安全实践入门：普通用户和开发者都该知道什么把“人工复核”放进“模型输入输出安全”的完整脉络中继续理解。
- 企业使用AI需要关注哪些合规风险？把“人工复核”放进“模型输入输出安全”的完整脉络中继续理解。