如今，若身为加密货币从业者却对人工智能（AI）一无所知，恐怕难免沦为笑柄（没错，朋友，想想看是什么促使你点击了这篇文章）。
你是否曾在面对AI基础概念时感到茫然无措，遇到缩写就习惯性求助于豆包等助手？又是否在参加AI线下活动时，因听不懂各种专业名词而尴尬假装在线？
尽管短期内转型进入AI领域并不现实，但提前储备该领域的高频基础知识绝对利大于弊。很幸运，这篇精心准备的文章正是为你量身打造，强烈建议反复阅读并收藏备用。
基础词汇（12）
- · LLM（大语言模型）LLM的核心在于利用海量数据进行训练，从而构建出擅长理解及生成语言的深度学习模型。它不仅能处理文本，目前也日益具备处理其他类型内容的能力。与之形成对比的是SLM（小语言模型），这类模型通常以成本更低、部署更轻量、本地化更便捷为特点。
- · AI Agent（AI 智能体）AI Agent并非仅仅指代“会聊天的模型”，而是一个能够理解目标、调用工具、分步执行任务，并在必要时进行规划与验证的系统。Google将agent定义为一种能够基于多模态输入进行推理，并代表用户执行操作的软件。
- · Multimodal（多模态）此类AI模型不再局限于文字读取，而是能够同时处理文本、图像、音频、视频等多种形式的输入与输出。Google明确将多模态定义为处理和生成不同类型内容的能力。
- · Prompt（提示词）这是用户向模型输入的指令，构成了最基础的人机交互形式。
- · Generative AI（生成式 AI / AIGC）该概念强调AI的“生成”属性，而非单纯的分类或预测。生成式模型能够依据prompt生成包括文本、代码、图像、表情包及视频在内的多种内容。
- · Token（令牌）这是AI领域中最为接近“Gas单位”的概念之一。模型并非按“字数”来理解内容，而是通过token来处理输入和输出。因此，计费方式、上下文长度以及响应速度通常都与token紧密相关。
- · Context Window（上下文窗口 / 上下文长度）这指的是模型在一次处理中能够“看到”并利用的token总量，也可以理解为模型在单次操作中能够考虑或“记住”的token数量。
- · Memory（记忆）这一机制旨在让模型或Agent保留用户的偏好设置、任务上下文以及历史状态。
- · Training（训练）即模型从数据中学习并调整参数的过程。
- · Inference（推理执行）这与训练相对，指的是模型上线后接收输入并生成输出的过程。行业内常有“训练成本高，推理更烧钱”的说法，因为在真实的商业化阶段，大量成本往往发生在inference环节。区分训练与推理也是主流厂商讨论部署成本时的基本框架。
- · Tool Use / Tool Calling（工具调用）这意味着模型不仅限于输出文字，还能调用搜索、代码执行、数据库或外部API等工具，这已被视为Agent的关键能力之一。
- ·API（接口）作为基础设施，支持AI产品、应用及Agent接入第三方服务。
进阶词汇（18）
- · transformer（变换器架构）这是一种使AI更擅长理解上下文关系的模型架构，构成了当今大多数大语言模型的技术底座。其最大特点是能够同时分析整段内容中每个词与其他词之间的关系。
- · Attention（注意力机制）这是Transformer最关键的核心机制，其作用是在模型阅读句子时，自动判断“哪些词值得重点关注”。
- · Agentic / Agentic Workflow（智能体式 / Agent 化工作流）这是近期非常热门的概念，意指系统不再局限于“一问一答”，而是具备一定的自主性，能够拆解任务、决定下一步操作并调用外部能力。许多厂商将其视为“从Chatbot迈向可执行系统”的标志。
- · Subagents（子智能体）一个主Agent可以进一步拆分为多个专职的小Agent，用于处理特定的子任务。
- · Skills（可复用能力模块）随着OpenClaw的走红，这个词在近段时间变得尤为常见。它是供AI Agent安装、复用和组合的能力单元或操作说明书，但也需警惕其中存在工具滥用和数据泄露的风险。
- · Hallucination（机器幻觉）意为模型一本正经地胡说八道，“感知到并不存在的模式”从而生成错误或荒谬的输出，表现为看似合理实则错误的过度自信结果。
- · Latency（延迟）指模型从收到请求到输出结果所耗费的时间，这是工程领域最常见的黑话之一，在探讨落地和产品化时会频繁出现。
- · Guardrails（护栏）用于限制模型或Agent的行为边界，规定其能做什么、何时停止以及禁止输出何种内容。
- · Vibe Coding（氛围编程）这也是当下最火爆的AI黑话之一，意指用户仅通过对话表达需求，由AI负责编写代码，而用户无需掌握具体的编程技能。
- · Parameters（参数）模型内部用于存储能力和知识的数字规模，常被粗略用作衡量模型体量的指标，“百亿参数”或“千亿参数”是AI圈内常见的宣传话术。
- · Reasoning Model（强推理模型）通常指那些更擅长进行多步推理、规划、验证及复杂任务执行的模型。
- · MCP（模型上下文协议）这是近一年兴起的新兴术语，其作用类似于为模型与外部工具或数据源之间建立通用接口。
- · Fine-tuning / Tuning（微调）这是在基础模型之上继续训练的过程，旨在使其更适应特定任务、风格或领域。Google的术语表直接将tuning和fine-tuning列为相关概念。
- · Distillation（蒸馏）即将大模型的能力尽可能压缩并迁移至小模型中，类似于让“老师”教会“学生”。
- · RAG（检索增强生成）这几乎已成为企业级AI的基础配置。微软将其定义为“搜索 + LLM”的模式，利用外部数据为回答提供事实依据（grounding），以解决模型训练数据过时或缺乏私有知识库的问题。其目的是让回答建立在真实文档和私有知识之上，而非仅依赖模型自身的记忆。
- · Grounding（事实对齐）常与RAG配合使用，意指让模型的回复基于文档、数据库、网页等外部依据，而非仅靠参数记忆“自由发挥”。微软在RAG文档中明确将grounding视为核心的价值所在。
- · Embedding（向量嵌入 / 语义向量）即将文字、图片、音频等内容编码为高维数字向量，以便进行语义相似度计算。
- · Benchmark（基准测试）这是一套采用统一标准来评估模型能力的评测方式，也是各家模型厂商用来“证明自己实力强劲”的排行榜话语体系。
至此，关于币圈人士补习AI知识：一次性解析30个高频黑话的文章介绍完毕。如需了解更多AI高频黑话的详细内容，请搜索往期文章或继续浏览下方的相关文章，希望未来能得到大家更多的支持！