本文提供了一份AI产品经理必备的100个关键术语表分为三个层次深入浅出地讲解了AI领域的核心概念、进阶技术和未来趋势。从基础模型架构、训练与微调流程到关键组件与工程、推理参数与问题再到评估指标、安全伦理、硬件生态工具和宏观未来概念这份指南将帮助你全面了解AI世界轻松应对大模型时代的挑战与机遇。如何使用这份指南这份术语表整理了AI产品经理需要了解的100个关键概念按难度和主题分为三个层次。建议先掌握前30个核心概念再深入了解技术原理最后扩展到整个生态系统。第一梯队30个核心概念基础与模型架构中文名缩写英文全称说明 (PM视角)发展由来/背景分类人工智能AIArtificial Intelligence计算机模拟人类智能行为的总称。1956年达特茅斯会议首次提出。基础概念机器学习MLMachine LearningAI的一个子集让计算机从数据中学习规律。1959年Arthur Samuel定义80年代统计学习兴起。基础概念深度学习DLDeep LearningML的一个子集利用多层神经网络模拟人脑分析数据。2006年Geoffrey Hinton提出DBN。基础概念大语言模型LLMLarge Language Model参数量巨大通常十亿级以上的深度学习模型擅长理解和生成文本。2018年GPT-1和BERT出现后流行。核心技术生成式AIGenAIGenerative AI能够创造新内容文本、图像、音频的AI。2022年ChatGPT和Midjourney发布后流行。核心技术Transformer-Transformer现代LLM的核心架构基于注意力机制并行计算能力强。2017年Google论文《Attention Is All You Need》。核心技术注意力机制-Attention Mechanism让模型在处理长文本时知道应该“关注”哪些词。最早用于机器翻译解决长句遗忘问题。核心技术参数-Parameters模型内部的变量权重和偏置。参数越多模型规模越大。- 衡量模型规模如7B, 70B, 175B。核心指标训练与微调中文名缩写英文全称说明 (PM视角)应用场景分类预训练-Pre-training模型训练的第一阶段用海量无标注数据学习通识和语法。训练GPT-4, Llama 3基座模型。训练流程微调FTFine-tuning在预训练模型基础上用特定领域数据进行二次训练。医疗大模型、法律大模型。训练流程监督微调SFTSupervised Fine-Tuning有监督的微调给模型看“问题标准答案”。InstructGPT引入让GPT-3变成ChatGPT的关键。问答系统、指令跟随任务。训练流程人类反馈强化学习RLHFReinforcement Learning from Human Feedback让模型根据人的偏好点赞/点踩进行优化。OpenAI在InstructGPT中通过PPO算法实现。减少有害输出、对齐人类意图。训练流程低秩自适应LoRALow-Rank Adaptation一种高效微调技术不改动模型主体参数只训练旁路参数。2021年微软提出。个人开发者微调开源模型如Stable Diffusion。微调技术对齐-Alignment确保AI的目标和行为与人类的价值观、意图保持一致。AI安全领域的核心议题。安全护栏、去毒Detoxification。安全伦理关键组件与工程中文名缩写英文全称说明 (PM视角)发展由来/背景应用场景分类词元-TokenLLM处理文本的最小单位。1000 tokens ≈ 750英文单词 ≈ 400-500汉字。NLP基础概念用于数字化文本。API计费单位、上下文限制计算。计量单位嵌入/向量-Embedding将文字、图片转化为数字列表向量。意思相近的词向量距离也近。Word2Vec (2013) 是早期代表。语义搜索、推荐系统、RAG。数据处理向量数据库Vector DBVector Database专门存储和检索向量数据的数据库。随着LLM兴起而流行如Pinecone, Milvus。企业知识库、长短期记忆存储。基础设施检索增强生成RAGRetrieval-Augmented Generation先从知识库检索相关信息再喂给LLM生成答案。2020年Facebook AI提出。企业私有知识问答、客服机器人。架构模式智能体AgentIntelligent Agent具备感知、规划、行动能力的AI系统能调用工具。AutoGPT (2023) 让此概念流行。自动化助理、RPA工作流。应用形态思维链CoTChain of Thought提示词技巧让模型“把思考过程写出来”。2022年Google Brain提出。解决数学题、复杂逻辑推演。提示工程推理参数与问题中文名缩写英文全称说明 (PM视角)发展由来/背景应用场景分类温度-Temperature控制输出随机性的参数0-1。越高越有创意越低越保守。-0.2用于代码/客服0.8用于写诗/创意。参数设置上下文窗口-Context Window模型一次能“记住”的最大Token数量。随着模型迭代不断变大从4k到1M。阅读长篇小说、分析财报。性能指标幻觉-Hallucination模型一本正经地胡说八道。生成式AI的特性需管理而非完全消除。-事实性问答中必须警惕如医疗建议。核心缺陷零样本/少样本Zero/Few-shotZero-shot / Few-shot LearningZero-shot: 不给例子直接问Few-shot: 给几个例子再问。GPT-3论文展示了Few-shot的能力。提示词编写、冷启动任务。提示工程提示词注入-Prompt Injection通过特殊话术绕过AI的安全限制诱导其输出违规内容。-AI安全攻防、红队测试。安全风险多模态-Multimodal能够同时处理多种媒体类型文本、图像、音频、视频的能力。CLIP模型、GPT-4o。图生文、视频理解、语音交互。能力分类第二梯队进阶技术与算法模型经典模型与算法架构中文名缩写英文全称说明 (PM视角)发展由来/背景应用场景分类卷积神经网络CNNConvolutional Neural Network擅长处理网格数据如图片像人眼一样提取特征。1998年LeCun提出LeNet2012年AlexNet爆发。图像识别、人脸解锁、医疗影像分析。视觉算法循环神经网络RNNRecurrent Neural Network擅长处理序列数据如时间、语音有“短期记忆”。80年代提出用于解决序列问题。早期语音识别、股票预测。序列算法生成对抗网络GANGenerative Adversarial Network一个造假生成器一个打假判别器在博弈中变强。2014年Ian Goodfellow提出。Deepfake换脸、老照片修复。生成算法扩散模型-Diffusion Model现代AI绘画的基石先给图片加噪点再学习如何复原。2020年DDPM论文Stable Diffusion使其流行。Midjourney, DALL-E, Stable Diffusion。生成算法BERT-Bidirectional Encoder Representations from Transformers只能理解Encoder不能生成擅长“阅读理解”。2018年Google发布NLP里程碑。搜索排名、情感分析、文本分类。预训练模型GPT-Generative Pre-trained Transformer只能生成Decoder根据上文预测下一个字。OpenAI坚持的技术路线。聊天机器人、创意写作。预训练模型混合专家模型MoEMixture of Experts遇到问题派几个“专家”神经元处理效率高。Mistral 8x7B, GPT-4 (传闻) 采用此架构。需要在低成本下实现高性能的大模型。架构优化CLIP-Contrastive Language-Image Pre-training连接文字和图片的桥梁理解文字和图片是否匹配。OpenAI发布DALL-E的核心组件。以图搜图、AI绘画的提示词理解。多模态神经辐射场NeRFNeural Radiance Fields通过几张2D照片AI重建3D场景。2020年ECCV会议流行。3D建模、VR/AR内容生成。3D视觉状态空间模型SSMState Space Model (e.g., Mamba)挑战Transformer的新架构推理速度快内存占用低。2023年Mamba架构发布。需要极长上下文的分析任务。前沿架构训练数据与过程中文名缩写英文全称说明 (PM视角)发展由来/背景应用场景分类过拟合-Overfitting模型死记硬背训练集满分测试集不及格。机器学习经典问题。训练后模型泛化能力差。训练问题欠拟合-Underfitting模型太笨还没学会规律。模型复杂度不够或训练不足。简单的线性模型处理复杂问题。训练问题损失函数-Loss Function模型的“错题本”衡量预测值和真实值差多少。梯度下降的核心。所有ML模型训练。核心数学梯度下降-Gradient Descent模型“下山”找最优解的方法。优化算法的基础。调整权重参数。核心数学反向传播BPBackpropagation发现错误后把责任一层层推回去。1986年Hinton等人推广。神经网络训练的核心机制。核心数学轮次EpochEpoch把所有训练数据完整过一遍叫一个Epoch。-设定训练时长。训练参数批大小Batch SizeBatch Size每次给模型喂多少数据。-显存优化。训练参数学习率LRLearning Rate每次修正参数的步子迈多大。-调参的关键。训练参数数据清洗-Data Cleaning去重、去噪、格式化决定模型上限。-预训练数据准备。数据工程数据增强-Data Augmentation数据不够变着法凑把图片旋转、裁剪、变色。-小样本训练。数据工程合成数据-Synthetic Data用AI生成的数据来训练AI。GPT-4用于训练小模型。医疗数据、自动驾驶模拟。数据工程标注-Annotation / Labeling人工给数据打标签这是猫那是狗。众包平台如Scale AI。监督学习数据准备。数据工程推理优化与部署中文名缩写英文全称说明 (PM视角)发展由来/背景应用场景分类量化-Quantization给模型“瘦身”把高精度参数变成低精度。移动端AI部署关键技术。手机跑大模型、降低推理成本。模型压缩蒸馏-Knowledge Distillation大模型教小模型保留核心能力。2015年Hinton提出。将GPT-4能力迁移到小模型。模型压缩延迟-Latency用户提问到看到第一个字的时间。-语音对话、实时翻译。性能指标吞吐量-Throughput系统单位时间能处理多少Tokens。-算力规划、成本核算。性能指标Top-P-Nucleus Sampling另一种控制随机性的参数。相比Temperature更稳定。生成文本的多样性控制。推理参数种子-Seed随机数的起点固定Seed能复现结果。-复现结果、调试Prompt。推理参数停止序列-Stop Sequence告诉模型看到这个符号就停止生成。-API调用控制。推理参数第三梯队生态、评估与未来评估指标中文名缩写英文全称说明 (PM视角)发展由来/背景应用场景分类困惑度PPLPerplexity衡量语言模型预测下一个词的确定性越低越好。早期NLP核心指标。评估基座模型质量。质量指标BLEU-Bilingual Evaluation Understudy看AI生成的词有多少在参考答案里出现过。-翻译、文本生成评估。质量指标ROUGE-Recall-Oriented Understudy for Gisting Evaluation看参考答案里的词有多少被AI写出来了。-文本摘要评估。质量指标精确率-Precision查准率AI挑出来的正例里有多少是真的正例。-垃圾邮件拦截、疾病诊断。分类指标召回率-Recall查全率所有的正例里AI挑出来多少。-寻找走失儿童、安防监控。分类指标F1分数-F1 Score精确率和召回率的调和平均数。-综合评估分类模型。分类指标准确率-Accuracy答对的比例但在样本不平衡时会误导。-简单分类任务。分类指标混淆矩阵-Confusion Matrix展示TP真阳、TN真阴、FP假阳、FN假阴的表格。-全面分析模型错误类型。评估工具金标准数据集-Golden Dataset人工精心编写的标准问答对。-RAG系统上线前的验收。评估资产Elo评分-Elo Rating像国际象棋一样的排位分让两个模型PK。LMSYS Chatbot Arena采用。目前流行的大模型排行榜。评估方法AI安全与伦理中文名缩写英文全称说明 (PM视角)发展由来/背景应用场景分类红队测试-Red Teaming找人攻击自己的AI发现漏洞。网络安全概念引入AI。模型发布前的安全审计。安全流程越狱-Jailbreak使用特殊Prompt绕过AI的安全审查。-安全攻防。安全风险偏见-Bias模型歧视某些群体源于训练数据的偏见。-伦理审查。伦理问题可解释性AIXAIExplainable AI试图解释AI为什么做出这个决策。金融、医疗领域强需求。贷款审批、医疗诊断。研究方向深度伪造-Deepfake利用AI生成的逼真假视频/音频。-诈骗防范、内容鉴别。负面应用硬件与生态工具中文名缩写英文全称说明 (PM视角)发展由来/背景应用场景分类图形处理器GPUGraphics Processing Unit显卡最适合并行计算。NVIDIA是主要供应商。几乎所有AI计算。硬件张量处理器TPUTensor Processing UnitGoogle专门为AI研发的芯片。Google内部使用及Cloud。大规模矩阵运算。硬件神经处理单元NPUNeural Processing Unit手机/电脑里专门跑AI的低功耗芯片。苹果Neural Engine。端侧AI、手机修图。硬件CUDA-Compute Unified Device ArchitectureNVIDIA的软件平台让程序员能指挥GPU干活。-深度学习框架底层依赖。软件栈PyTorch--Meta开源的深度学习框架灵活易用。2016年发布。模型开发、实验。开发框架TensorFlowTF-Google开源的框架工业界部署常用。2015年发布。工业级模型部署。开发框架Hugging FaceHF-AI界的Github存模型、存数据集、提供试玩Demo。-下载开源模型、托管Space。社区平台LangChain--开发LLM应用的胶水层方便连接LLM、数据库、API。2022年发布RAG应用常用。快速搭建AI应用。开发工具ONNX-Open Neural Network Exchange一种模型通用格式让PyTorch练的模型能在其他平台上跑。-跨平台模型部署。标准协议宏观概念与未来中文名缩写英文全称说明 (PM视角)发展由来/背景应用场景分类通用人工智能AGIArtificial General Intelligence能像人一样处理各种任务的AI目前尚未实现。-能够自我学习、跨领域推理。未来愿景超级人工智能ASIArtificial Super Intelligence智力远超人类的AI。-科幻、未来学讨论。未来愿景图灵测试-Turing Test隔着屏幕聊天分辨不出是人还是机器就算通过。1950年阿兰·图灵提出。衡量AI智能水平已逐渐过时。历史概念奇点-SingularityAI自我进化速度无限快人类无法理解的那一刻。雷·库兹韦尔推广。未来预测。哲学概念黑盒-Black Box知道输入和输出但不知道中间怎么算出来的。-可解释性研究的对象。系统特性开源 vs 闭源-Open Source vs Closed像安卓(Llama) vs iOS(GPT-4)。-技术选型决策。商业模式MaaS-Model as a Service通过API调用大模型按量付费。阿里云、百度云等云厂商模式。企业快速接入AI。商业模式如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】