AI术语入门涵盖五大核心概念：一、人工智能（AI）分为弱AI（已实用）、强AI与超AI（均未实现）；二、机器学习（ML）通过数据反推规则，含监督与无监督学习；三、深度学习（DL）以多层神经网络自动学习特征，典型架构有CNN、RNN/LSTM、GAN；四、大语言模型（LLM）是概率预测引擎，生成式AI可跨模态生成但存幻觉风险；五、关键支撑概念包括神经网络、训练/推理、微调。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在接触AI技术时遇到大量陌生词汇，难以理解其真实含义与实际作用，则可能是由于缺乏对核心术语的系统性认知。以下是AI专业术语入门基础概念的详解：
一、人工智能（AI）
人工智能是使机器能够执行通常需要人类智能的任务的科学与技术体系。它不等于拟人化思考，而是聚焦于特定任务的感知、推理、学习与决策能力构建。
1、AI不是要让机器“像人一样活着”，而是让机器在限定场景中完成人类难以高效处理的工作。
2、当前所有实用AI均属于弱人工智能（Narrow AI），即仅针对单一任务优化，如语音识别、图像分类或文本摘要。
3、强人工智能（AGI）和超人工智能（ASI）仍处于理论构想阶段，未在现实中实现。
二、机器学习（ML）
机器学习是实现人工智能的主要技术路径，其本质是让计算机通过数据自动发现规律，而非依赖人工编写的固定规则。
1、传统编程是“输入规则+数据→输出结果”，而机器学习是“输入数据+预期结果→反推规则”。
2、监督学习使用带标签的数据集训练模型，例如每张图片都标注“猫”或“狗”。
3、无监督学习处理无标签数据，目标是发现隐藏结构，如客户行为聚类或异常检测。
三、深度学习（DL）
深度学习是机器学习的一个子集，依托多层神经网络结构，实现对非结构化数据（如图像、语音、文本）的高阶特征提取与建模。
1、其核心优势在于自动分层学习特征：底层识别边缘与纹理，中层组合为部件，高层抽象为语义概念。
2、典型架构包括卷积神经网络（CNN）用于图像，循环神经网络（RNN）及其变体LSTM用于序列建模。
3、生成对抗网络（GAN）通过生成器与判别器博弈，实现高质量图像合成等任务。
四、大语言模型（LLM）与生成式AI
大语言模型是深度学习在自然语言处理领域的规模化应用成果，而生成式AI是其能力外延的具体表现形态。
1、LLM的本质是基于海量文本训练的概率预测引擎，目标是准确预测下一个词元（Token）。
2、Token（词元）是模型处理文本的最小计算单位，可能是一个字、一个词、标点甚至子词，直接影响输入长度与推理成本。
3、生成式AI不限于文字，可跨模态生成图像、音频、视频等内容，但需注意其输出存在幻觉（Hallucination）风险——即编造看似合理实则错误的信息。
五、关键支撑概念
这些术语构成AI系统运行与评估的技术基底，直接影响模型性能与落地效果。
1、神经网络由模拟生物神经元的节点（神经元）与加权连接构成，是深度学习的数学结构基础。
2、训练（Training）指利用数据调整模型参数以最小化误差的过程；推理（Inference）则是模型对新输入进行预测的实际应用阶段。
3、微调（Fine-tuning）是在预训练模型基础上，用小规模领域数据进一步优化，使模型适配具体业务场景。
