附录 D：术语表（30 个）

一、基础概念（10 个）

1. AI（人工智能）

让计算机模仿"人的思考"做事。比如识别图片里有什么、回答你的问题、写文章、画画。不等于"机器人"——更准确地说，AI 是一种"软件能力"，可以被装进各种设备里（手机、电脑、汽车、机器人）。

2. AGI（通用人工智能）

理论上"什么都能做"的 AI——不只是会下棋、不只是会写文章，而是像人一样能学习任何新东西。目前所有 AI（包括 DeepSeek、ChatGPT、Claude、Gemini）都还不是 AGI。距离 AGI 还有多远？业内分歧很大，从"几年内"到"永远不可能"都有人说。

3. LLM（大语言模型）

Large Language Model。一种通过"读了几乎整个互联网的文字"学会"说话"的 AI。它本质是在做"接龙"——你给一段文字，它预测"下一个词最可能是什么"。听起来简单，但当模型大到一定程度，会涌现出推理、写作、翻译等能力。DeepSeek、ChatGPT、Claude、文心一言、Kimi 都是 LLM。

4. GPT

Generative Pre-trained Transformer——"预训练生成式 Transformer 模型"。最早由 OpenAI 提出。今天我们说"GPT-4 / GPT-5"，特指 OpenAI 的模型。但**"GPT"也常被泛指为"类似的大语言模型"**——比如有人会笼统地说"DeepSeek 也是 GPT 类模型"，虽然技术上不严格。

5. Token（词元）

AI 处理文字的"最小单位"。1 个汉字 ≈ 1.5-2 token，1 个英文单词 ≈ 1-2 token。比如"我爱北京天安门" ≈ 10 个 token 左右。Token 重要在于：

• 模型有"上下文长度"限制，按 token 算（DeepSeek 一般 64K-128K token）
• API 按 token 收费

6. 提示词（Prompt）

你发给 AI 的"那段话"。简单的问答是提示词，复杂的"角色 + 背景 + 任务 + 要求"也是提示词。好的提示词是 AI 给好回答的最重要前提。本书第四章和附录 A 都在讲这个。

7. 上下文（Context）

AI 能"记住"的对话长度。比如 DeepSeek 的 128K 上下文，意思是：在同一个对话里，AI 能"看到"最近的 12 万字左右。超过这个长度，最早的内容会"被遗忘"。所以："对话太长就开新对话"。

8. 推理（Inference / Reasoning）

两层意思：

• 窄义（Inference）：AI 跑一次、给一个回答的过程。"运行 AI 模型"。
• 广义（Reasoning）：AI"思考"的能力。一步一步推导，得出结论。R1 是为推理优化的模型。

9. 多模态（Multimodal）

模型不只能处理"文字"，还能处理图片、音频、视频、表格等多种"模态"。DeepSeek 已支持文字 + 图片，未来还会扩展。

10. 涌现（Emergent Abilities）

模型变大到一定程度，会突然出现"小模型没有"的能力——比如思维链、写诗、翻译、做数学题。涌现是 LLM 最神奇的现象之一，也是为什么"模型大小重要"的原因。

二、模型架构（6 个）

11. Transformer

LLM 的"骨架"。2017 年由 Google 提出。它最大的创新是"注意力机制"（Attention）——让模型在读一句话时，能"同时关注"多个词的关系，而不是逐字读。今天几乎所有 LLM 都用 Transformer。

12. 参数（Parameters）

模型的"内部数字"，决定了模型的"知识 + 能力"。常说的"7B / 70B / 671B"就是参数数量（B = billion = 10 亿）。DeepSeek-V3 是 671B 总参数，但不是越大越好——还要看激活、训练数据、架构。

13. MoE（Mixture of Experts，混合专家）

DeepSeek 用的核心架构。比喻：模型里有很多个"专家"，每次只激活其中几个最相关的来回答。好处：模型很大（DeepSeek-V3 是 671B），但每次只用其中 37B，速度快、成本低。这是 DeepSeek 比同体量模型便宜的关键技术之一。

14. MLA（Multi-Head Latent Attention）

DeepSeek 提出的"注意力机制改进版"。简化讲：让模型记住长上下文时占内存更少。这是 DeepSeek 能做到 128K 上下文还跑得动的原因之一。普通用户不必懂细节。

15. FP8（8 位浮点数训练）

DeepSeek 训练时用的"低精度"技术。比喻：用更少的小数位训练模型——精度略损，但训练成本大幅降低。这也是 DeepSeek "小成本训练大模型"的秘诀之一。

16. 蒸馏（Distillation）

把一个"大模型"的能力"教"给一个"小模型"。比喻：大模型当老师，小模型当学生。学生没那么聪明，但小巧便宜。DeepSeek 也开源了"蒸馏版"小模型，可以在自己电脑上跑。

三、使用相关（10 个）

17. 思维链（CoT，Chain of Thought）

让 AI"一步步说出思考过程"，而不是直接给答案。比如解一道数学题，普通问法 AI 可能答错，加一句"请一步一步思考"，正确率大幅提高。R1 模型自带"思维链"——你能看到它"思考中..."的过程。

18. 自我反思（Self-Reflection）

让 AI对自己刚给的回答打分、找错、改进。一句魔法："请你对刚才的回答进行自我复盘，找出 3 个最大的问题。"——这是提升回答质量最有效的"魔法句子"之一。

19. RAG（Retrieval-Augmented Generation，检索增强生成）

先"搜资料"，再"基于资料回答"——而不是凭"模型脑子里的旧知识"答。本质上，"联网搜索"功能就是 RAG 的简化版。RAG 是降低幻觉、回答最新问题的关键技术。

20. Agent（智能体）

AI 不只"回答你的问题"，还能自主完成多步任务——比如"帮我订一张机票"，它会自己查航班、比价、下单。Agent 是 AI 的下一个浪潮，DeepSeek 也在朝这个方向发展。

21. 角色扮演（Role-Playing）

让 AI 扮演某个人 / 角色 / 职业。例如：你扮演"严厉的论文导师"，请审阅我的文章。这是激活 AI"特定能力 + 风格"的常用技巧，本书第十章详细讲。

22. Few-Shot（少样本提示）

先给几个例子，再让 AI 模仿。比如想让 AI 仿照特定格式写邮件，先粘 2-3 个示范邮件，再说"请按这个风格写一封新的"。是提升输出准确度的好方法。

23. 元提示词（Meta-Prompt）

让 AI 帮你"写问 AI 的提示词"。当你不知道怎么问得好时，可以问："我想问你 X，但不知道怎么问得最好，请帮我把问题重写成一份完整的提示词。"

24. 温度（Temperature）

API 参数。控制回答的"随机性"。

• 温度 0：每次回答都几乎一样（适合数学、代码、翻译）
• 温度 1：每次回答略有不同（适合创作、闲聊）
• 温度 >1.5：开始"胡言乱语"

普通用户在网页 / APP 不需要调，开发者用 API 才会用到。

25. API（Application Programming Interface）

"程序员能用代码调用 DeepSeek"的接口。普通用户不必懂，但如果你想让 Excel 自动调 AI、做一个客服机器人、给自己的网站接 AI——就要用 API。本书第十二章 §4 给了入门指引。

26. 微调（Fine-tuning）

给基础模型"再训练"，让它特别擅长某个领域。比如医院给 DeepSeek 微调专门看 CT 报告。普通用户用不到，企业 / 开发者会用。

四、风险与伦理（4 个）

27. 幻觉（Hallucination）

AI"信誓旦旦地说错话"——给出"看似对、实际错"的信息。最常见在"具体数字 / 引用 / 网址 / 法条"上。所有 LLM 都有幻觉，没有例外。本书第十二章 §1 给了"6 招识别"。

28. 偏见（Bias）

模型学的是"互联网上的文字"，互联网上有的偏见，模型也会学到——性别、地域、种族等。负责任的开发者会做"对齐"减少偏见，但无法完全消除。所以重要决策不能完全交给 AI。

29. 对齐（Alignment）

让 AI"符合人类价值观和指令"的工程。比如：不教用户做炸药、不歧视某群体、不说谎。对齐是一门复杂的工程，也是为什么 AI 有时会"拒绝回答看似无害的问题"——它怕"被骗着做坏事"。

30. 隐私 / 数据安全

你和 AI 说的话，可能被服务商保存、用于改进模型（除非你关闭"训练数据收集"开关）。所以：

• 不要传"5 不传"信息（参第十二章 §2）
• 重要场景考虑"本地部署版"
• 仔细看《用户协议》和《隐私政策》

附：缩写速查

一句话哲学

"懂术语，是为了不被术语吓住。"

你不需要"掌握"这些术语，能在听到时知道它大概是什么意思就够了。

真正决定你能不能用好 AI 的，从来都不是技术词汇，而是——

你愿不愿意亲自上手。