企业官网建设流程全解析

一份术语表真正的价值，不在于它收了多少个词，而在于能不能让说不同语言、看不同文档的人，在同一件事上不出岔子。我带过几个从其他行业转过来做算法的同学，也帮人改过简历和论文，最常见的卡点从来不是模型跑不起来，而是术语对不上：简历上写"熟悉注意力机制"，面试官追问 self-attention 和 cross-attention 的区别，答不上来；论文前半段写"注意力"，后半段写"关注度"，审稿人直接在意见里问这是不是一个东西；团队文档里 Agent 一会儿叫"代理"、一会儿叫"智能体"，三个月后新同事翻文档完全接不上线。

所以我整理这份人工智能专业术语表（中英文对照）时，标准只有一个——能不能直接拿去用。它覆盖从机器学习基础概念到大模型、具身智能、边缘计算这些前沿方向的核心词汇，每一条都给出中英对照、一句话解释，以及我自己踩过或者见别人踩过的翻译坑。不管你是准备面试、写毕设、做课程作业、翻译文档，还是刚接手一个别人写的项目要读代码，都可以当成随手查的速查本；基础一般的读者也能顺着主干线看下去，把概念之间的关系理清楚。

1. 术语对不上，比不会调模型更耽误事

1.1 我见过的三类"术语事故"

第一类是检索失效。你想查"自注意力"的实现细节，中文搜出来的文章大多是二手转述，真正讲清楚的那几篇英文原文却因为你不知道它叫 self-attention，压根搜不到。术语的英文写法本身就是一把钥匙，中文译名只是标签，英文原名才是通行证。

第二类是沟通错位。Agent 这个词就非常典型：有的团队译成"代理"，有的译成"智能体"，还有的干脆保留英文。开会时一个人在说"我们的代理层"，另一个人在理解成网络代理，讨论半小时才发现说的不是同一件事。类似的还有 Kernel（核函数 / 卷积核 / 操作系统内核）、Attention（注意力 / 关注度）、Bias（偏见 / 偏置），同一个英文词在不同上下文里对应完全不同的中文。

第三类是简历与论文失真。把"调参"写成 parameter tuning，面试官会默认你在调模型权重；而你想表达的其实是 hyperparameter tuning（超参数调优）。这两个词在英文里分得很清楚，写错了就是给自己挖坑。论文里把 fine-tuning 译成"精调"、"微调"、"微调训练"三种写法混用，审稿人第一反应就是作者对概念本身没吃透。

1.2 这份表的收录逻辑：高频、易混、有稳定译法

术语表最容易犯的错是"贪多"。我见过把维基百科上几百个词一股脑抄下来的表，结果真正高频的那三十个词反而埋在里面找不到。我的收录标准是三条：

• 高频：在论文、官方文档、面试、项目周报里反复出现的词优先。冷门词只在它容易和常见词混淆时才收。
• 易混：同一个中文对应多个英文，或者同一个英文对应多个中文的，必须单独标注上下文。这是术语表最该发力的地方。
• 有稳定译法：像 Grounding、Alignment 这类中文社区还没形成统一译法的词，我给你的是"当前最主流的说法 + 常见替代说法"，而不是硬造一个译名。

提示：查术语时不要只记中文，一定要把英文原名一起记住。中文译名会随着社区习惯变化，英文原名基本是稳定的。

下面这张表是我从实际文档和面试里总结出来的"错译代价"，你可以对照看看自己有没有中招。

2. 主干线：从人工智能到深度学习的十二个基础锚点

2.1 AI、ML、DL、LLM 不是并列关系

这是最基础也最容易讲乱的一组。人工智能（Artificial Intelligence, AI）是最大的那个圈，指让机器表现出类似智能行为的所有努力；机器学习（Machine Learning, ML）是 AI 下面的一个分支，核心思路是不靠人写死规则，而是让模型从数据里学规律；深度学习（Deep Learning, DL）又是机器学习下面的分支，特点是用多层神经网络自动提取特征；大语言模型（Large Language Model, LLM）则是深度学习在自然语言方向上的一个具体产物。

理解这层包含关系有什么用？至少在写项目介绍时你不会说出"我们用深度学习做人工智能，又用机器学习做大模型"这种层级混乱的话。很多同学的毕设开题报告就是在这里失分的。

2.2 五种学习范式，别只会说"监督学习"

监督学习（Supervised Learning）用带标签的数据训练，比如给一堆图片标好是猫还是狗；无监督学习（Unsupervised Learning）没有标签，靠数据自身的结构做聚类、降维；半监督学习（Semi-supervised Learning）是少量有标签加大量无标签；自监督学习（Self-supervised Learning）是这几年最关键的范式转变，它从数据本身构造监督信号，比如把一句话中间挖掉一个词让模型去猜——大模型的预训练基本都建立在这上面；强化学习（Reinforcement Learning, RL）则通过与环境交互、根据奖励信号调整策略来学习。

这里有两个高频相关术语：奖励（Reward）和策略（Policy）。强化学习常被用在机器人控制、游戏对弈、以及大模型的对齐阶段。如果你看到 RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习），它就是把人类偏好当作奖励信号的一种具体做法，这也是大模型能"听懂人话"的关键一步。

2.3 训练环节：参数、超参数、损失函数与梯度下降

这一组词在面试里几乎必问。参数（Parameters）是模型自己学出来的东西，比如权重矩阵里的每一个数值；超参数（Hyperparameters）是人手设定的东西，比如学习率、批大小、层数。这两者混用是新手最典型的失误。

损失函数（Loss Function）衡量模型预测和真实答案差多远，训练的目标就是把它降下来。梯度下降（Gradient Descent）是降低损失的主要手段：计算损失对参数的梯度，然后沿着梯度反方向挪一小步。学习率（Learning Rate）就是这一步的大小，太大会震荡，太小会慢得让人绝望。反向传播（Backpropagation）是高效计算这些梯度的算法，本质上是链式法则在计算图上的应用。

过拟合（Overfitting）指模型在训练集上表现很好、在新数据上拉胯；欠拟合（Underfitting）则相反，连训练集都学不好。缓解过拟合的常见手段包括正则化（Regularization）、Dropout、早停（Early Stopping）和增加数据量。术语表里这几个词放在一起看，比单独背要清楚得多。

2.4 数据侧的词汇，往往被忽略

做过项目的人都知道，真正花时间的部分在数据。数据集（Dataset）通常划分为训练集（Training Set）、验证集（Validation Set）、测试集（Test Set）。验证集用来调超参数和选模型，测试集只在最后评估一次。数据泄漏（Data Leakage）指的是测试集的信息以某种方式泄漏到了训练过程里，比如归一化时用了全量数据的均值——这种错误会让离线指标好看得离谱，上线后立刻打回原形。

其他必收的词包括特征（Feature）、标签（Label）、标注（Annotation / Labeling）、数据增强（Data Augmentation）、样本（Sample）、类别不平衡（Class Imbalance）、噪声（Noise）。标注一致性是数据质量的核心指标之一，后面讲 AI 训练师时会再展开。

3. 大模型高频术语：Token、嵌入、注意力与对齐

3.1 文本进模型的第一步：Token 与上下文窗口

模型看不懂文字，它只认数字。分词（Tokenization）就是把文本切成词元（Token）并映射成整数 ID 的过程，负责这件事的组件叫分词器（Tokenizer），它依赖的映射表叫词表（Vocabulary）。英文里一个 token 可能是半个单词，中文里常见的是按字或按常见词组切分。这件事直接影响你的成本估算：API 按 token 计费，上下文长度也按 token 算。

from transformers import AutoTokenizer tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese") text = "人工智能术语表" print(tokenizer.tokenize(text)) # 输出类似: ['人', '工', '智', '能', '术', '语', '表'] print(tokenizer.encode(text)) # 输出对应的整数 ID 序列，模型真正吃进去的是这个

上下文窗口（Context Window）指模型一次能处理的最大 token 数量。这个数字非常关键，因为超出部分会被截断或者需要额外的分块策略。

3.2 表征与注意力：理解 Transformer 的钥匙

嵌入（Embedding）是把离散符号（词、句子、图片）映射成稠密向量的过程，得到的向量叫词向量/嵌入向量（Embedding Vector）。向量的距离可以表达语义相似度，这是很多检索、聚类、推荐任务的基础。

注意力机制（Attention Mechanism）让模型在处理某个位置时，动态地参考其他位置的信息。分三个角色：查询（Query）、键（Key）、值（Value），通过计算查询和键的相似度得到权重，再对值加权求和。自注意力（Self-Attention）指查询、键、值都来自同一个序列；交叉注意力（Cross-Attention）指查询来自一个序列、键和值来自另一个序列，多模态模型里用它把图像信息和文本信息对齐。多头注意力（Multi-Head Attention）是并行做多组注意力，让模型从不同子空间捕捉不同的关系。

Transformer就是把注意力作为核心结构的模型架构，相比循环神经网络（RNN）它能并行计算、长距离依赖更好。相关词还有位置编码（Positional Encoding），因为注意力本身没有顺序概念，必须额外注入位置信息。

3.3 从预训练到微调：模型是怎么变得好用的

预训练（Pre-training）是在海量通用数据上先学一个基础模型，通常用自监督目标。微调（Fine-tuning）是在预训练模型基础上，用特定任务的数据继续训练。指令微调（Instruction Tuning）是用"指令-回答"格式的数据训练模型遵循指令。LoRA（Low-Rank Adaptation，低秩适配）是一种参数高效微调方法，只训练少量附加参数，显存占用小、切换任务方便，是目前个人开发者最常用的方案之一。

对齐（Alignment）指让模型的行为符合人类期望，RLHF 是主流做法之一。知识蒸馏（Knowledge Distillation）是用大模型（教师模型）指导小模型（学生模型）学习。量化（Quantization）是把权重从高精度压成低精度（比如从 FP16 到 INT8、INT4），换来更小的显存占用和更快的推理速度，代价是精度可能轻微下降。剪枝（Pruning）则是直接去掉不重要的连接或结构。

3.4 推理与应用侧：Prompt、RAG 与幻觉

提示（Prompt）是给模型的输入指令，提示工程（Prompt Engineering）是设计提示的方法论。零样本（Zero-shot）指不给示例直接问，少样本（Few-shot）指在提示里塞几个示例。思维链（Chain-of-Thought, CoT）是让模型分步推理的提示技巧，对数学和逻辑题效果明显。

检索增强生成（Retrieval-Augmented Generation, RAG）是先从外部知识库检索相关内容，再让模型基于检索结果生成答案，能显著降低胡编的概率。幻觉（Hallucination）指模型一本正经地生成不实内容，这是当前最需要警惕的问题。涌现能力（Emergent Ability）描述的是模型规模超过某个量级后突然出现的能力。缩放定律（Scaling Law）描述模型性能与参数量、数据量、算力之间的经验关系。混合专家（Mixture of Experts, MoE）是每次只激活部分参数的结构，用来在控制推理成本的同时扩大总参数量。智能体（Agent）则是让模型具备规划、调用工具、多步执行能力的一套系统。

4. 最容易翻车的三十组中英对照与误译纠正

4.1 一词多义：同一英文在不同语境下译法完全不同

这组词是术语表里最需要标注上下文的。单独把 Bias 译成"偏见"或者"偏置"都会错一半。

4.2 中文社区还没定下译法的词

有一批词我建议中英并写，甚至直接用英文，因为中文译名尚未统一，硬译反而增加理解成本：

• Grounding：常见译法有"接地的""落地""锚定"，说的是模型输出与真实世界或事实的对应程度。文档里最好写"事实接地（Grounding）"。
• Alignment：译"对齐"已经比较通用，但在强化学习语境里也指策略与目标的匹配，最好加一句限定。
• Hallucination：译"幻觉"通用，但注意它不带"模型有意欺骗"的含义，别写成"编造"。
• Prompt：译"提示"通用，但 Prompt Engineering 译"提示工程"比"指令工程"更常见。
• Fine-tuning：译"微调"最稳，不要用"精调""微调训练"混用。
• Scaling Law：译"缩放定律"与"规模定律"并存，论文里建议给出英文。
• Emergent：译"涌现"，但要注意它描述的是现象，不是某种具体机制。

注意：写论文时，第一次出现某个术语，建议写成"中文（English, 缩写）"的格式，之后统一用缩写。这样既符合规范，也避免读者在不同译名之间来回猜。

4.3 工程与部署类：上线后才用得上的词

做模型和做产品中间隔着一段工程，这段里的术语也常被混淆。推理（Inference）指用训练好的模型做预测，和训练（Training）是两个阶段。吞吐量（Throughput）指单位时间能处理的请求数，延迟（Latency）指单个请求的响应时间，这两者经常互相牵制。显存（VRAM）是 GPU 上的内存，批大小（Batch Size）直接决定显存占用。边缘计算（Edge Computing）指把计算放到离数据源更近的设备上，比如把模型部署到开发板上做本地推理，好处是延迟低、数据不出本地；对应概念是云端推理（Cloud Inference）。

5. 延伸圈层：具身智能、本体论这些新词该放在哪

5.1 具身智能与物理 AI

具身智能（Embodied AI）指的是让智能体拥有物理身体，能在真实环境里感知、决策、行动。它和纯文本模型的差别在于必须处理连续动作、真实物理约束和实时性。相关的核心术语包括世界模型（World Model），即模型对环境动态的内部建模；仿真到现实（Sim2Real），指在仿真环境训练、迁移到真实硬件；视觉-语言-动作模型（Vision-Language-Action, VLA），把看到的画面、听到的指令直接映射成动作。你如果听到"物理 AI（Physical AI）"，它强调的是 AI 与物理世界交互这一面，和具身智能高度重叠。至于"除了物理 AI 还有别的 AI 吗"，从术语角度说，这类说法都是应用侧的分类标签，不是模型架构层面的分类。

5.2 本体论与知识图谱：老词在新语境里复活

本体论（Ontology）在人工智能领域不是哲学概念，而是对某个领域概念、属性、关系的规范化描述。它和知识图谱（Knowledge Graph）密切相关：本体定义"有哪类东西、能有什么关系"，知识图谱则是按这个框架填进去的具体事实。最基础的表示单位是三元组（Triple），形如"实体—关系—实体"，比如"北京—是首都—中国"这种结构（这里只是形式示意）。

做过 RAG 的人会发现，纯向量检索在涉及多跳关系的问题上效果有限，知识图谱正好补这一块，这也是近期"本体论 + 大模型"讨论变多的原因。

5.3 AI 训练师与数据质量：被低估的一环

人工智能训练师这个职业的核心工作包括数据采集、清洗、标注、质检、模型效果评估与反馈。里面有一批术语值得记住：标注一致性（Inter-Annotator Agreement）衡量不同标注者对同一批样本的判断是否一致，是数据质量的关键指标；数据质量评价通常看准确性、完整性、一致性、时效性和分布覆盖度；偏见（Bias）在这里指数据分布不均导致的模型表现差异，比如训练集中某类样本极少，模型对这类样本的识别率就会明显偏低。

数据集质量要求里有一条容易被忽略：标注规范（Annotation Guideline）必须先写清楚再开工，否则返工成本极高。我见过一个项目，标注规范里对"模糊样本"没定义，五个标注员给出五种处理方式，最后这批数据全部作废重标。

5.4 多模态与生成式方向

多模态（Multimodal）指模型同时处理文本、图像、音频等多种模态。扩散模型（Diffusion Model）是当前图像生成的主流架构，通过逐步去噪生成内容。文生图（Text-to-Image）、语音合成（Text-to-Speech, TTS）、语音识别（Automatic Speech Recognition, ASR）、数字人（Digital Human）都属于生成式人工智能的应用形态。AIGC（AI-Generated Content，人工智能生成内容）是这一整类应用的统称。

另外，大作业、导论、复习、学习路线这些词虽然出现在搜索里，但它们不是技术术语，而是学习场景。真正影响你复习效率的，是能不能把术语按"基础—模型—训练—推理—应用"分层整理，这比按字母表排序有用得多。

6. 术语表怎么用：三条能落地的整理方法

6.1 卡片法：术语 + 一句话 + 一个反例

我自己维护术语表的方式是卡片式，每条包含三部分：英文原名、一句话定义、一个反例或易混点。第三部分最重要，因为定义很容易背，混淆点才是你实际会出错的地方。举个例子：

- term: Hyperparameter zh: 超参数 definition: 训练前由人设定的配置项，不随训练更新 counter_example: 权重 weight 是参数不是超参数，别混 related: [Learning Rate, Batch Size, Early Stopping]

用这种结构记，一个月能稳定积累两三百条，而且每条都带着"我为什么差点搞错"的信息，比单纯背定义牢固得多。我建议按主题分组而不是按字母排序，同一组词放在一起，概念之间的联系会自然浮现。

6.2 在代码和文档里建立中英映射习惯

读开源代码时，命名几乎全是英文。我的做法是：遇到不熟的变量名就记下来，然后对照中文文档确认它的标准译名。比如看到embeddings、attention_mask、logits、checkpoint，分别对应嵌入向量、注意力掩码、未归一化的预测分数、检查点。Logits这个词中文社区经常直接说 logits 不翻译，这也是可以接受的，硬译成"逻辑值"反而没人懂。

写团队文档时，建议在文档开头放一小节"术语约定"，把中英对照列出来，后面全文统一用其中一种写法。这个小动作能省掉大量沟通成本，尤其是跨职能团队里产品和算法一起看文档的时候。

6.3 面试与论文里的中英取舍

面试时的原则是：名词说英文，解释用中文。说"我们用了 LoRA 做参数高效微调，主要是显存不够"，比说"我们使用低秩适配进行参数高效微调"更自然，也更专业。面试官如果追问，你能用中文把原理讲清楚，就说明你真的理解，而不是背了译名。

论文写作的原则相反：第一次出现给全称和缩写，之后统一。中文期刊里，术语首次出现写成"注意力机制（Attention Mechanism）"，后面统一用"注意力机制"或统一用缩写，不要来回换。我审过一篇稿子，同一个概念出现了"注意力""注意力机制""关注机制"三种写法，读起来非常累，这种情况审稿人通常会给"语言需润色"的意见。

如果是要用 AI 助手帮忙写论文，有一点必须提醒：术语和定义的准确性一定要自己过一遍。助手生成的术语解释看起来很流畅，但偶尔会把相近概念混在一起，比如把自监督学习和无监督学习当成一回事。把这些错误带进论文，比语法错误严重得多。用助手查陌生术语是可以的，但核心定义要以教材或原论文为准。

一份术语表放到最后，最值钱的从来不是那些冷门长词，而是那二三十个反复出现、看似简单、但每次都可能搞错的基础词。我把自己的术语表从最早的八十多条慢慢加到四百多条，最后发现真正反复翻看的，还是过拟合、超参数、自注意力、对齐这几个。如果你打算开始整理自己的版本，建议先别贪多，从今天这篇文章里的主干线开始，把每一条的中英对照和易混点写清楚，用起来比收藏一份"最全列表"有用得多。