人工智能在改变世界的同时，也催生了一套用以描述其运行机制的全新术语体系。在阅读人工智能相关文献时，人们常会接触到诸如LLM、RAG、RLHF等数十个专业术语，不少读者因此产生理解困惑。基于此，我们整理了部分相关术语，旨在助力读者更为便捷地理解相关内容。

AGI

人工通用智能作为一个定义尚不完善的术语，通常指代在多数（即便并非全部）任务中表现优于普通人类的人工智能系统。OpenAI首席执行官山姆·阿尔特曼曾将其描述为“达到普通人类同事中位数水平的智能体”，而该公司章程则将其定义为“能够在大多数具有经济价值的工作领域超越人类表现的高度自主系统”。谷歌DeepMind对此的理解略有差异，该实验室认为人工通用智能是“至少在大多数认知任务上具备与人类相当能力的人工智能”。当前对于AGI的定义还存在争议。

AI 智能体

AI智能体是一类借助人工智能技术自动执行系列任务的工具，其功能已超越基础的AI聊天机器人。该工具可承担报销处理、票务预订、餐厅座位预约乃至代码编写与维护等工作。然而，由于这一新兴领域包含诸多动态构成要素，“AI智能体”的概念在不同群体中可能存在理解差异。与此同时，支撑其预设功能的基础设施仍处于建设阶段。但AI智能体的核心定义为：能够调用多个AI系统以完成多步骤任务的自主系统。

API 接口

可以将 API 接口想象成软件背后的“按钮”，其他程序可以通过“按下”这些按钮来让该软件执行操作。开发者利用这些接口来构建集成功能，例如允许一个应用从另一个应用提取数据，或让 AI 智能体直接控制第三方服务，而无需人工手动操作每个界面。大多数智能家居设备和互联平台都有这些隐藏的按钮，即使普通用户从未见过或使用过它们。随着 AI 智能体能力的增强，它们越来越能够自主发现和使用这些端点，为自动化开启了强大（有时甚至是意想不到）的可能性。

思维链

面对一个简单的问题，人脑可以不假思索地回答，比如“长颈鹿和猫哪个更高？”但在许多情况下，你常常需要纸笔来推导出正确答案，因为其中涉及中间步骤。例如，如果一个农民有鸡和牛，总共有 40 个头和 120 条腿，你可能需要列出一个简单的方程式才能得出答案。

在 AI 领域，大语言模型的思维链推理意味着将问题分解为更小的中间步骤，以提高最终结果的准确性。虽然得到答案通常需要更长的时间，但答案的正确率更高，尤其在逻辑或编码任务中。推理模型是在传统大型语言模型基础上开发的，并通过强化学习优化了思维链推理能力。

编码代理

这是“AI智能体”中一个更具体的概念，指的是能够自主执行一系列步骤以实现目标的程序。编码代理是专门应用于软件开发领域的版本。与仅建议代码供人类审查和粘贴不同，编码代理可以自主编写、测试和调试代码，处理那些通常占据开发者大量时间的迭代和试错工作。这些代理可以在整个代码库中运行，发现错误、运行测试并推送修复，所需的人工监督极少。可以将其想象成一个永不停歇、永不分神的快速实习生——不过，和任何实习生一样，人类仍需要审查其工作。

算力

虽然这是一个多义词，但“算力”通常指支撑 AI 模型运行的关键计算能力。这种处理能力为 AI 行业提供燃料，使其能够训练和部署强大的模型。该术语也常作为提供计算能力的硬件（如 GPU、CPU、TPU 等构成现代 AI 行业基础的基础设施）的简称。

深度学习

深度学习是自我改进的机器学习的一个子集，其 AI 算法设计为具有多层人工神经网络结构。与线性模型或决策树等更简单的基于机器学习的系统相比，这种结构使其能够进行更复杂的关联。深度学习算法的结构灵感来源于人脑中相互连接的神经元通路。

深度学习 AI 模型能够自行识别数据中的重要特征，而无需人类工程师定义这些特征。其结构还支持算法从错误中学习，并通过重复和调整的过程改进自身输出。然而，深度学习系统需要大量数据点才能产生良好结果（通常数百万或更多）。与更简单的机器学习算法相比，它们通常需要更长的训练时间，因此开发成本也往往更高。