概念词典

承载 Agent 循环执行、工具调用、状态与权限的运行环境与编排层。

能够自主使用工具、执行多步骤任务、与环境交互的 AI 系统。

对人工智能研发、部署与使用进行规范、问责与风险管理的制度与实践。

为 AI 训练与推理专门设计的芯片与计算系统。

在开发过程中实时建议代码、解释意图并与人轮流推进实现的 AI 助手形态。

用法律、标准与组织流程约束 AI 的研发、部署与风险，而不只是模型分数。

期望过高、资金与关注骤减、研究与产业进入低潮的历史阶段。

让机器表现出感知、推理、学习或行动等通常与智能相关的能力的研究与工程领域。

让模型在处理当前词时，动态决定要重点参考序列里的哪些位置。

让车辆在没有人类操作的情况下自主感知、决策与行驶。

按顺序一个 token 接一个 token 生成，每一步都以前面已生成内容为条件。

把输出误差从后向前传递，用来计算并更新神经网络参数的训练方法。

表示或预测某个位置时，同时利用其左侧与右侧的上下文信息。

把输入分到两个互斥类别之一的模型，例如是/否、垃圾/正常。

模型在给出答案前生成一系列中间推理步骤的行为或训练方式。

用局部卷积核在空间上共享参数、提取层次化特征的神经网络，曾主导视觉识别。

由模型根据自然语言、注释或上下文自动写出可运行或可修改的程序代码。

能理解代码库、调用工具并执行多步骤软件工程任务的 AI Agent。

让计算机「看懂」图像与视频的技术领域。

完成计算任务所需的处理能力，是 AI 时代的基础资源。

模型一次推理能够同时看到和处理的信息范围。

通过让相似的样本靠近、不相似的远离来学习表示。

用于训练、验证与测试模型的结构化样本集合及其标注与协议。

使用多层神经网络从大量数据中自动学习表示和规律的方法。

用深度神经网络近似策略或价值函数，在交互中学习如何行动。

通过学习如何从噪声逐步还原数据来生成图像、音频等内容的一类生成模型。

让较小模型学习较大模型的输出或行为，把部分能力压缩到更低成本的模型中。

训练时随机“关掉”一部分神经元，减轻过拟合的正则化技巧。

让 AI 在物理或仿真环境中，通过与世界的感知与行动交互来学习和决策。

模型规模超过某个阈值后，突然表现出小模型不具备的新能力。

先用编码器把输入压成表示，再用解码器逐步生成输出的经典序列架构。

把领域专家的知识编码成规则，让程序像专家一样推理并解释结论。

模型只看少量示例就能理解任务并产生符合模式的输出。

在已经预训练好的模型上，用更小、更专门的数据继续训练，让它适应具体任务或风格。

在棋类等离散决策问题中，通过展开可能走法树来寻找优着的搜索方法。

学习数据分布并由此采样新样本的模型，而不仅是给输入打分类标签。

原本为图像渲染设计的并行芯片，后来成为训练与推理神经网络的主力算力。

沿着损失函数对参数的梯度反方向小步更新，逐步降低误差的优化方法。

大模型一本正经地生成与事实不符或凭空捏造的内容。

深度嵌入集成开发环境、能读写项目上下文并协助完成开发任务的 AI Agent。

给一张图片预测其所属类别标签的计算机视觉任务。

用「实体—关系—实体」的结构化方式组织知识。

基于海量文本训练、能够理解和生成自然语言的大规模神经网络模型。

模型在一次推理中能够处理的最大输入量，通常以 token 衡量。

随机遮住输入中的部分 token，让模型根据双向上下文把被遮部分预测回来。

为 AI 应用连接工具和数据源定义统一交互方式的开放协议。

「学会学习」——让模型学会如何快速适应新任务。

用大模型（教师）的输出或行为训练更小/更便宜的学生模型，以迁移能力并降低部署成本。

每次只激活模型中一部分“专家”网络，以较低计算量获得更大参数容量。

用随机模拟与树结构统计，在巨大决策空间里启发式地搜索好着法。

一个模型能够理解或生成文本、图像、音频、视频等多种信息形式。

由大量可调参数连接组成、能够从数据中学习映射关系的计算模型。

在人脑与外部设备之间建立直接通信通道的技术。

让计算机理解、生成和处理人类语言的技术方向。

模型参数可以被下载、部署和进一步研究，但并不自动等于完整开源。

最早的可学习二元分类神经网络单元，用加权求和与阈值做决策。

用神经网络直接输出动作分布或动作选择，表示智能体在给定状态下“怎么走”。

先在大规模通用数据上训练模型，学出可迁移的表示或语言能力，再用于下游任务。

通过精心构造的输入，让模型绕过设计者的意图执行隐藏指令。

用户交给模型的输入、任务说明和上下文。

从氨基酸序列预测蛋白质三维结构的科学与计算问题。

约定系统之间如何交换消息、调用能力与共享上下文的标准接口规则。

用更低位数表示权重或激活，以减小模型体积、加快推理并节省显存。

让大模型在回答问题前先检索外部知识库，从而获取最新、准确的信息。

模型在低延迟下进行双向流式输入输出，让人机交互接近自然对话。

把更多计算放在回答之前的内部思考过程，用测试时算力换复杂任务正确率。

模型通过多步中间思考来求解需要逻辑、规划或计算的问题。

智能体通过与环境交互、根据奖励信号调整策略来学习如何行动。

输出为 max(0, x) 的激活函数，负值截断为零、正值线性通过。

Agent 为理解一个软件项目而收集的文件、依赖、历史和运行信息。

让 AI 自主完成多轮检索、阅读与整合，产出带来源的报告。

通过人类对模型输出的偏好反馈来优化模型行为的训练方法。

描述模型性能如何随参数、数据和计算量增加而变化的经验规律。

让同一段输入里的每个位置直接判断自己与其他位置的关系。

智能体通过与自己（或自身历史版本）对战/交互来生成训练数据并改进策略。

不依赖人工标注，从数据本身构造监督信号来训练模型。

参数量与算力需求显著更小的语言模型，优先服务端侧、低延迟与私有部署。

让机器理解、生成与处理人类语音的技术领域。

用带标签的输入—输出样本训练模型，让其学会从输入映射到正确目标。

用真实开源仓库 Issue 评估模型解决软件工程问题能力的基准。

用显式符号、逻辑规则与搜索来表示知识并推导结论的 AI 路线。

由模型或仿真生成、用于训练与评估的数据，用来补足真实数据的稀缺、敏感或标注成本。

以命令行为主要操作界面、在沙箱或本机环境中执行多步任务的 AI Agent。

模型读取和生成文本时使用的基本单位。

让模型以结构化方式选择并调用外部函数、API 或软件工具。

把在一个任务上学到的知识迁移到另一个相关任务上。

基于自注意力机制的神经网络架构，是所有现代大语言模型的基础。

用神经网络估计局面或状态的好坏（预期回报/胜率），辅助决策与搜索。

专门存储和检索高维向量（嵌入）的数据库。

用连续数值向量刻画词、句、图等对象，使相似性与关系可计算。

根据文字或图像生成一段时间的连续画面，并尽量保持运动、身份与镜头连贯。

直接接收视觉与语言输入，输出机器人动作的端到端模型。

用连续向量表示词语，让语义关系可以参与数学计算。

学习环境动态的内部模拟，使智能体可以在“想象”中预测后果再行动。