一、基础体系类

1. 人工智能（Artificial Intelligence, AI）

研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的技术科学，是计算机科学的重要分支，旨在让机器具备感知、理解、决策与自主学习能力。

2. 机器学习（Machine Learning, ML）

人工智能的核心实现路径，通过算法让计算机从海量数据中自动归纳规律，而非依赖人工编写固定规则完成任务，是传统人工智能向现代智能演进的关键。

3. 深度学习（Deep Learning, DL）

机器学习的前沿分支，依托多层人工神经网络构建模型，能够自动完成数据特征提取，是当前自然语言处理、计算机视觉领域的主流技术基础。

4. 人工神经网络（Artificial Neural Network, ANN）

模仿人脑神经元连接结构设计的数学计算模型，由输入层、隐藏层、输出层构成，是深度学习技术的底层载体。

5. 大语言模型（Large Language Model, LLM）

依托海量文本语料训练的巨型神经网络模型，具备强大的自然语言理解、逻辑推理、内容生成能力，是通用人工智能的重要形态。

二、模型架构类

6. Transformer架构

当前大模型与多模态模型的核心底层架构，依靠自注意力机制实现全局信息关联建模，彻底改变了传统序列模型的技术局限。

7. 自注意力机制（Self‑Attention）

Transformer的核心技术单元，模型可自主计算文本、图像中各元素的关联权重，同时捕捉长距离上下文关系，大幅提升语义理解精度。

8. 预训练与微调（Pre‑training & Fine‑tuning）

大模型标准训练范式：先在海量通用数据上完成基础能力预训练，再利用少量行业专用数据进行针对性微调，兼顾通用性与场景适配性。

9. 模型参数（Model Parameters）

神经网络中可迭代更新的权重数值，承载模型学习到的知识与规律，参数量规模直接影响模型的知识储备与复杂问题处理能力。

10. 模型权重（Model Weights）

神经元之间的连接权重数值，是模型存储知识的核心载体，训练过程本质就是持续优化权重数值的过程。

三、训练优化类

11. 数据集划分（Train/Validation/Test Set）

AI模型训练的标准流程，将数据分为训练集（用于模型学习）、验证集（用于参数调优）、测试集（用于检验泛化能力），三者相互独立，保障评估结果客观可靠。

12. 过拟合（Overfitting）

模型过度学习训练数据的局部细节与噪声，在训练样本上表现优异，但面对全新未知数据时准确率大幅下降，泛化能力严重不足。

13. 损失函数（Loss Function）

量化模型预测结果与真实标签之间误差的数学函数，是模型训练的核心优化目标，指导参数迭代更新方向。

14. 梯度下降（Gradient Descent）

模型参数优化的核心算法，通过计算损失函数梯度，沿着误差减小的方向迭代更新参数，逐步缩小预测偏差。

15. 反向传播算法（Back Propagation）

深度学习核心训练算法，从模型输出端反向计算误差梯度，逐层回传并更新神经网络权重，实现多层网络的高效训练。

四、前沿应用类

16. 生成式人工智能（AIGC）

依托深度学习技术，能够自主生成全新文本、图像、音频、视频、代码等内容的人工智能技术，是数字内容产业的变革性技术。

17. 多模态大模型（Multimodal Large Model）

可同步处理文本、图像、语音、视频等多种类型信息的智能模型，打破单一模态限制，实现跨媒介理解与内容创作。

18. 提示词工程（Prompt Engineering）

通过设计结构化、精准化的指令，引导大模型按照预期逻辑输出内容的技术方法，是高效使用通用大模型的核心技能。

19. 上下文窗口（Context Window）

大模型单次对话可读取、处理的最大文本长度，决定模型对长对话、长文档的连贯性理解能力。

20. AI幻觉（AI Hallucination）

大模型基于概率生成逻辑，编造不存在的事实、数据、文献与逻辑关系，输出看似严谨但实际虚假的内容，是当前通用大模型的核心短板。