关键术语地图
用一张 AI 基础术语地图分清 AI、机器学习、深度学习、神经网络、训练、推理、数据、模型和评估各自解决的问题。
关键术语地图：AI 基础概念
这一页不是术语背诵表，而是帮你把“AI 到底是什么”先放回正确层级。很多误解都来自把总称、技术路线、产品能力和未来设想混成一团：把一次聊天回答叫智能、把一个模型叫产品、把生成内容等同于理解世界。
先记住一句话：**AI 是总称，机器学习是常见实现路线，深度学习是机器学习的重要分支，模型只是系统里的核心部件之一。**后面读 先把层级分开 和 两条历史路线 时，用这张图做索引就够了。
先把九个词摆正
| 术语 | 先记住的意思 | 主要回答的问题 | 常见误区 |
|---|---|---|---|
| AI | 让机器完成识别、预测、生成、决策等智能相关任务的大范围说法。 | 这个系统是不是在做某种智能任务？ | 不等于“像人一样思考”，也不保证通用能力。 |
| Machine Learning | 让系统从数据中学习规律，而不是只靠手写规则。 | 规则太多写不完时，机器能不能从样本里学？ | 不是数据越多就一定越好。 |
| Deep Learning | 用多层神经网络学习复杂表示的机器学习路线。 | 图像、语音、文本里复杂模式怎么被学出来？ | 不等于透明、可解释或永远正确。 |
| Neural Network | 由许多连接和权重组成的模型结构，用来把输入转换成输出。 | 模型内部如何逐层提取特征？ | 不是真的复制人脑，只是借用了“神经”比喻。 |
| Training（训练） | 用数据和目标函数调整模型参数。 | 模型能力是怎么被“调”出来的？ | 训练完成后不等于永不出错。 |
| Inference | 已训练模型在新输入上给出预测、回答或生成结果。 | 用户每次使用模型时发生了什么？ | 不等于重新训练，通常是在调用已有模型。 |
| Training Data / Validation Data | 训练数据用于学习，验证数据用于检查模型是否学偏。 | 模型从哪里学，怎么初步验收？ | 数据集不是现实世界本身，会有偏差和缺口。 |
| Model（模型） | 学到的参数、结构和行为模式的组合。 | 系统核心能力储存在什么地方？ | 模型不等于完整产品，产品还需要检索、权限、界面和监控。 |
| Evaluation（评估） | 用测试集、人工检查和真实任务指标判断模型表现。 | 这个 AI 能不能可靠地用于某个场景？ | 单一榜单分数不能代表所有使用场景。 |
三层理解法
1. 先看“范围层”：AI 不是一个单一技术
AI 是最大的伞。搜索排序、垃圾邮件过滤、图片识别、语音转文字、推荐系统、聊天机器人和文生图都可以放在 AI 范围里，但它们的能力边界完全不同。
所以听到“AI 会不会取代某某工作”时，别急着回答。先问：这里说的是哪类任务？是识别、预测、生成、检索、规划，还是自动执行流程？不同任务的风险、成本和可靠性差很大。
2. 再看“学习层”：机器学习从数据里找规律
Machine Learning 的核心是从样本里学习规律。传统手写规则适合边界清楚的任务，比如“超过金额就提醒”；机器学习适合规则难以穷举的任务，比如识别图片、预测流失、判断文本意图。
Deep Learning 和 Neural Network 是其中很重要的一支。它们在图像、语音、语言和生成任务上很强，但代价是需要大量数据、算力和评估；结果也可能难解释、难复现、难保证稳定。
3. 最后看“使用层”：训练、推理和评估不能混着说
训练是“把能力做出来”，inference 是“把能力拿来用”。用户在网页里问一句、上传一张图、让模型生成一段文案，通常是在推理；只有继续用数据更新权重，才算进入训练或微调。
评估则是使用前后的刹车。普通读者不用先学复杂指标，先看四件事：任务是否定义清楚、测试数据是否贴近真实场景、错误会造成多大损失、有没有人工复核和退出机制。
一张快速阅读路径
- 先分清层级：读 先把层级分开，把 AI、ANI、AGI、ASI、AIGC 放到不同层。
- 想知道思想来源：读 两条历史路线，理解符号主义和联结主义为什么都还重要。
- 想进入学习路线：读 Machine Learning、Training Data、Validation Data。
- 想理解大模型使用成本：读 Inference，区分训练成本和调用成本。
- 想继续看本站卡片：下面会列出已归入 AI 基础概念的术语。
AI 基础概念共 12 个词
先分清 AI 的基本边界、历史路线和未来设想。
AGI
通用人工智能通识能在很多不同任务中学习、迁移和解决问题的人工智能目标。
AI
人工智能通识让机器表现出识别、预测、生成、决策等智能行为的一大类技术。
AIGC
人工智能生成内容商业用 AI 生成文本、图片、音频、视频、代码等内容的应用形态。
ANI
狭义人工智能通识擅长特定任务、但不具备通用智能的 AI。
ASI
人工超级智能通识在大量关键脑力任务上显著超过人类的未来 AI 设想。
Connectionism
联结主义通识用大量连接和权重模拟学习能力的 AI 思路。
Generalize
广义化通识把具体概念扩展到更大范围或更一般形式的过程。
Generative AI / Gen AI
生成式 AI通识专注于生成新文本、图像、音频、视频或代码等内容的 AI 分支。
Singularity
奇点技术一种关于技术增长失控或不可预测转折点的未来设想。
Symbolic AI
符号主义通识用显式符号、规则和逻辑推理构建智能系统的 AI 路线。
System1/System2
系统 1 / 系统 2通识把快速直觉与慢速理性区分开的思考框架。
Turing test
图灵测试技术通过对话判断机器是否表现出类似人类智能的思想实验。