AI 很火，不学点儿 AI 感觉自己都有点儿 out 了，而且听说 2005 年还是 AI 的元年，更得学了。
话又说回来，学吧，网上那些讲述 AI 的相关文章或视频都太过专业，让我们这些从未接触过 AI 的人很难理解。
这篇文章将用大白话为您讲述 AI 的相关术语，帮你迈开学习 AI 的第一步，帮你揭开 AI 那神秘的面纱。
参数
模型的参数 = 模型“大脑”里的“记忆点”
就像人的神经元连接，大模型也是靠这些参数来“记住知识”、“判断语言”、“做决策”。
举个例子：你可以把一个大模型想象成一张“超级表格”或一个“超级公式”，它靠 70 亿个“旋钮”来调节自己的判断方式。每个“旋钮”= 一个参数。模型训练的时候，就是不断调这些旋钮，直到：它知道“西红柿炒鸡蛋”是菜谱，它知道“明天要下雨”是预测天气，它知道“for i in range()”是 Python 语法。
说到参数，不得不聊到精度格式。
精度格式，每个参数用的空间，类比：
- FP32（单精度浮点数），4 个字节（32位），记得最详细、最精准，就像你记了一整篇说明书
- FP16（半精度浮点数），2 个字节（16位），精度降低一半，但也省空间
- INT8（8位整数），1 个字节（8位），只记大概意思，就像“划重点”
- INT4（4位整数），0.5 个字节（4位），精简再精简，就像你只画了几个关键词
举个例子：记“苹果这个词” 假设你要让模型记住“苹果”这个概念：
- FP32（最详细）模型记住了苹果的颜色、口感、品种、生长周期……一堆信息，占用空间大。
- FP16（一般精度）模型只记住苹果是水果、红色、常见，去掉了很多细节。
- INT8（压缩版）模型只记住“水果 → 苹果”这个关联，别的都省略了。
- INT4（极限压缩）模型只留一个“代号”，靠逻辑自己还原出来，节省空间最大，但可能记错。
蒸馏
说白了，就是：
先用一个大模型（比如 DeepSeek R1）生成一堆高质量的答案； 然后让一个小模型跟着模仿、学习； 最后这个小模型虽然参数少了很多，但能力也不差，适合在实际项目里用。
这种方式特别适合“压缩模型体积”，“提升推理速度”，“降低部署成本”。
蒸馏是怎么做的？流程其实不复杂。
从 DeepSeek 公布的流程来看，整体就三步：
- 先用强大的教师模型（比如 DeepSeek-R1）生成回答数据，这些数据不仅有答案，还有推理过程；
- 把这些数据整理干净，清洗后做成训练集；
- 学生模型学习这些数据，做蒸馏训练，最终变成一个又轻又能干的小模型。
不用从头训练模型，让大的教小的，小的就是蒸馏模型，类似学校里的师生关系。
MCP（模型上下文协议）
HTTP 是浏览器和服务器之间说话的协议；
SQL 是你和数据库之间说话的协议；
MCP 是大模型和外部工具之间说话的协议。
有了 HTTP，网页才能统一访问后端服务，不用每个页面自己发明新格式；
有了 MCP，大模型也能统一调用你写的工具，不用每个模型手动绑接口、拼参数、猜格式。它不是要替你写业务代码，而是让模型知道：“你要想用我这个函数，得按照 MCP 的方式来交流。”
你可以把它想象成 AI 界的 “USB-C 接口”，让 AI 和工具之间的沟通变得简单又统一。
模型量化
模型量化主要意义就是加快模型端侧的推理速度，并降低设备功耗和减少存储空间。
量化将模型参数的表示从 32 位浮点数精度降低为 8 位整数或低精度形式，以减小模型的存储和计算开销。
Agent
Agent 的核心，就是让大模型不只是“会答题”，而是“会做事”。
Agent 的核心目标只有一个：让大模型少依赖你，多替你做事。
Agent 的设计，就是在大模型“大脑”之外，给它配上“记忆”，“工具”，“规划器”和“行动执行器”，让它像一个自己能跑流程的小工人。
“先规划，再执行，还能自查”的过程，其实就是 Agent 的基本思想。
推理能力强的大模型，是 Agent 真正有价值的前提。
RAG
我们现在常见的大模型，比如 GPT-4、ChatGPT、DeepSeek，都是通过“预训练”学来的。他们记得的是它训练时见过的东西，而不是你今天刚写的文件、昨天开的会、刚刚更新的数据库。
也就是说，它只能靠“记忆”来回答问题。
但现实世界每天都在变。 你写的业务规则每周在改； 政策文档每月在换； 用户手册、FAQ、产品定义动不动就推新版。
这时候你如果还靠大模型的记忆来答题，那它一定会出错。
所以你得给它一个“查资料”的能力，查完再答。
这就是 RAG 的本质：给大模型配一套“实时补充知识的机制”。
注意：RAG 对大模型没有改造。
微调
如果 RAG 不能解决你的问题，那有可能是大模型自身能力的不足，需要提升大模型自己，也就是微调。
通俗点讲，就是在现成大模型的基础上，用你手头的数据，再教它一遍，让它更懂你的业务、更贴合你的需求。
微调有两种方式：
- 全量微调：把整个模型都重新训练一遍，代价大，适合资源多的大厂。
- 高效微调：只改模型的一小部分，成本低，适合个人开发者和中小团队。
注意：微调本身也是对大模型的一种改造。
多模态
多模态简单说就是 AI 能同时处理文字、图片、声音等多种信息，像人类一样多感官协同工作！
自然语言( Natural Language Processing, NLP)
自然语言是机器语言和人类语言之间沟通的桥梁。
AI 三驾马车
人工智能（AI）好比一台超级跑车，正在高速公路上飞驰。 这台超级跑车由三个核心部件驱动：算法是引擎，决定了车辆性能的上限；算力是燃油，提供源源不断的能量；数据是道路，铺就了 AI 前进的方向。
- 算法是 AI 的大脑，决定了系统如何学习和决策。 例如，五岁小孩和世界象棋冠军面对同一盘棋局，他们的思考过程和结果会截然不同。AI 算法也是如此，高质量的算法架构能让 AI 看到普通模型难以捕捉的逻辑关系。
- 算力：ChatGPT 的训练耗费了超过 1 万块 GPU，花费高达数亿美元。
- 数据：大语言模型之所以能写出连贯的文章，是因为它学习了互联网上数万亿个单词；自动驾驶能安全行驶，是因为它分析了数百万小时的道路视频。
泛化
举一反三
端到端
一步到位
Incontext-learning
模型不知道自己知道，不改变模型本身。
用例子驱动模型某一方面的能力。
类比人有些时候没有意识到自己有某种能力，当朋友跟我们说别人怎么怎么做的（举例子），这个时候我们往往会觉得我也能做。
幻觉
有以下几种情况：
- 上下文（前后回复）矛盾
- 回复与 prompt 要求不一致
- 与事实矛盾，比如上海是中国首都
- 荒谬回复，比如苹果是动物
知识图谱
由下面两部分构成：
- 实体
- 实体之间的关系
持续更新中...
