AI术语解释：一份写给新手的大白话词汇表

头一个小时里真正要紧的五个词

大部分谈AI的文章，都默认你掌握着一套从没有人教过你的词汇。真正有用的部分其实很小。五个词几乎承担了全部的实际分量，其余的可以放几个月再说。

模型就是AI本身：那个读你的话、生成答案的、已经训练好的系统。应用不等于模型。ChatGPT是一个跑着OpenAI模型的应用，Gemini是一个跑着Google模型的应用，而Whizi是一个同时容纳了好几家公司模型的应用。这个区分在你第一次对某个答案失望时就开始还本，因为换模型通常是比换措辞更大的一根杠杆。

提示词就是你打进去的那些字。没有什么秘密语法，没有命令清单，没有东西要背。一个说清楚结果给谁看、要完成什么活儿、你想要什么形式的朴素请求，几乎每次都胜过一句机灵的口诀。

聊天机器人是你打字的那个对话窗口。你在同一段对话里说过的一切，在它作答时都还在它眼前，这就是为什么“再短一点”“正式一些”这样的追问不用你重复原来的请求。开一段新对话，这份共享记忆就没了，而话题变了的时候你要的正是这个：来自另一个无关问题的残留上下文，是答案“总觉得有点不对劲”的常见原因。

token是一小块文本，英文里大约相当于四分之三个单词，中文里一个汉字通常算一到两个token。模型是按token来读、来计数、来计费的，而不是按词，所以一份一千字的中文文档大致落在一千五百个token上下。你主要会在价格页面和用量限制里遇到这个词。

上下文窗口是模型一次能同时看在眼里的文本量，用token计。它得装下你贴进去的文档、到目前为止的整段对话，以及正在写出来的答案。当你把一份五十页的合同丢进对话，回复开始悄悄和第三页自相矛盾时，你就摸到它的边界了。什么是上下文窗口里有具体数字；实用的规矩很短。一段长对话只谈一件事，谈完就重开。

现在就可以做的一件事：打开任意一个AI应用，用你自己的话让它解释一个你这周见过却没看懂的术语。然后再问第二个问题：“你默认我已经知道什么了？”这一句追问会把一个定义变成一个解释，而且在任何话题上都管用。

不过，答案要拿别的东西对一下。这些系统说错话时的口吻，和说对时那种平静完全一样，而定义正是个软柿子：一个看似合理的编造细节会从你眼皮底下溜过去，因为你根本没有办法抓住它。这种失败有个名字，就在下面那张表里。

词汇表的其余部分，以及你现在需不需要

这些词会在新闻标题、价格页面和评论区里等着你。第三列才是说实话的地方。这里大部分都不是第一天就该懂的知识，而假装它们是，正是新手为一些根本影响不到自己的东西感到自卑的原因。

术语	大白话意思	你现在需要吗？
LLM	大语言模型，你听说过的每个聊天应用背后就是这类模型。文章里说LLM，你按“AI”来读就行	需要，这样标题就不再是噪音
生成式AI	任何生成新文字、图像、音频或视频的AI，而不是把已有的东西分类整理	需要，一句话就够
训练	把海量文本喂给模型让它学会规律的那个漫长又昂贵的过程。在你打开应用之前它就结束了	需要，简单知道即可
训练截止日期	训练数据停止的那个日期。问更晚的事，模型就是在猜，除非应用会联网搜索	需要，这一条最容易让人栽跟头
幻觉	一个自信、流畅、完全编出来的答案。最要紧的那个缺陷	需要，第一天就得知道
多模态	模型不只处理文字：照片、PDF、音频，有时还有视频	需要，从你想上传一张图片的那一刻起
微调	用你自己的数据对现成模型再训练，让它专精某事	暂时不需要，这是公司级项目
温度	控制用词随机程度的旋钮。低了稳定，高了发散	暂时不需要，合理的默认值已经替你选好
智能体	会自己走完好几步的AI，而不是只回你一次	暂时不需要，另见下一节
API	开发者把模型接进自家软件用的那套管道	暂时不需要，除非你写代码
RAG	检索增强生成：模型先去文档库里查，再作答	暂时不需要，不过凡是能根据你上传的文件作答的应用都靠它
开源模型	权重人人都能下载和运行的模型，比如Llama或DeepSeek	暂时不需要，对聊天用户改变不大
推理模型	作答前把问题一步步显式想一遍的模型。更慢，数学和逻辑更强	快了，第一次栽在难题上时就用得着
系统提示词	在你打字之前，应用先给模型的那段隐藏指令	暂时不需要，等你要造自己的助手时有用

有两行值得加个脚注。幻觉不是一个偶发的、打个补丁就能除掉的小毛病；它是从这些系统生成文字的方式里长出来的，所以AI为什么会出错是一整篇独立的指南，而不是一个要点。至于多模态，只要你手上有一张收据的照片、一张报错信息的截图，或者一份扫描件要处理，它就值得你花十分钟。处理图片和文档展示了这在一个普通的周二是什么样子。

营销爱用，但分量没听上去那么重的词

厂商也不算在撒谎。他们用的这些词曾经确有所指，现在多半只表示“我们上线了点什么”。知道这中间的落差，你才不会为一个装着套话回复的下拉菜单多付一笔升级费。

• AI驱动。 通常意思是某一个功能调用了别人做的模型。有时意思是一个你可以关掉的建议框。值得问一句：用的是哪个模型，默认是开着的吗？
• 智能。 这个词比这一波浪潮还老，如今几乎不表示什么。智能文件夹就是一个存下来的搜索。智能回复就是三句套话。越过这个形容词去找动词：它对你的工作到底做了什么？
• 下一代。 这是一个用将来时说出来的断言。它和“产品比它取代的那一版更差”完全可以并存，而且它往往出现在没人能说出任何可量化改进的时候。
• AI智能体。 2026年最劳碌的一个说法。严格用起来，它指能自己规划并执行好几个步骤的软件，比如从头到尾订完一趟旅行。用在营销里，它通常只是一个头像更亲切的聊天机器人。问问它卡住的时候会怎么办，以及它能不能不先征求你同意就动手。
• AI优先。 这是一句关于内部战略的表态，而不是关于你使用产品的体验。它告诉你一家公司把工程预算指向了哪里，而那可能还没走到你正打算掏钱买的那个功能上。

有一个问题能把这一切切开：问问这个功能在出错的时候会怎么办。真正内置了AI的产品答得上来，答案里会有复核步骤、撤销、置信提示，或者一个看得见的出处。只贴了张标签的产品会沉默。

模型的名字为什么像车牌号

一个模型名字由两部分组成，各干各的活。那个词是家族，是一家公司持续迭代的产品线：OpenAI的GPT、Anthropic的Claude、Google的Gemini、Meta的Llama。数字和后缀是版本，往往还表示大小，所以同一个家族可能在同一个上午推出一个又小又快的成员和一个又大又稳的成员。读懂一个名字，多半就是把这两半分开，忽略夹在中间的营销词。

你可能注意到这篇文章一个版本号都没提。这是有意的。版本每隔几周就变，任何把版本钉死的词汇表，下个季度就是错的。不变的是这个选择的形状。小模型快、便宜，用来把一封邮件收拾干净完全够用。大模型慢一些，处理长文档和难推理更强。每个家族还有自己的性格，体现在语气上，也体现在它对你给的原始材料贴得有多紧。

最新发布的那个，也不自动就适合你的任务。更新通常意味着跑分更高，而跑分衡量的是考试型题目，不是文字听起来像不像你。不少人发现一个更老、更便宜的模型把他们的邮件写得更好，于是他们把贵的那个留给一周里那两件难活儿。这一点只有把同一个真实任务放到两三个模型上跑一遍、把结果并排读完才能学到，如何挑选AI模型一步步讲了怎么做。让这件事不必给三家服务商付费，正是Whizi把GPT、Claude、Gemini和图像模型装进一份订阅的全部理由。

值得在第三个月再学的五个词

到第三个月，你会撞上几堵墙。这五个词就是那几堵墙的名字，所以它们值得那时候再学，而不是现在。

1. 推理模型。 当一个模型第一次自信地把多步计算或逻辑题做砸时，它就开始要紧了。换成推理模型往往能直接解决，代价是答案要等更久。
2. 系统提示词。 当你发现自己在每段新对话里都粘贴同一段背景说明时，它就要紧了。把它存成一条常驻指令，一次搞定。
3. RAG。 当你想要答案扎根在你自己的文件上，而不是整个互联网上时，它就要紧了，比如一堆2019年之后就没人读过的规章制度。
4. 温度。 当结果要么每次都一个模样、要么飘忽不定，而你宁可拧个旋钮也不愿一直重掷时，它就要紧了。
5. 微调。 对个人来说几乎永远不要紧，而知道为什么很有价值：它要花真金白银，需要几百条干净的样例，而在人们设想的几乎所有用途上，一个好模型配一段好提示词就赢过它。

如果你想要这一切底下的那一层，AI到底是什么讲清了机制，且不涉及数学，而怎么跟AI说话会把第一节里那段关于提示词的话变成习惯。把这个页面在标签页里留一周。大约在你第四次遇到一个已经认识的词时，这套词汇就不再吓人了。