人工智能

人工智能是让软件完成某些通常与思考有关的能力，例如识别语言、发现模式、预测结果、生成媒体或选择行动。本书把它作为总伞词：机器学习、模型、提示词、智能体、工具和自动化都在伞下。它和人类智能的边界必须保留：AI 可以在窄任务上表现惊人，却没有自己的生活经验、责任感或常识。真正值得问的不是它算不算“真的聪明”，而是它延展、模仿或扭曲了哪一种判断。

机器学习

机器学习是让系统从数据里学出模式，而不是由工程师把每条规则都手写进去。之所以有用，是因为今天很多 AI，从推荐系统到大语言模型，都依靠大量例子训练出来。这里不要把机器学习和深度学习混为一谈：深度学习只是其中很强的一类，机器学习还包括决策树等更简单的方法。说 AI 会学习，通常指它会根据证据调整，并不等于它像人一样理解。

深度学习

深度学习是一类机器学习方法，用很多层神经网络去学习复杂模式。它让 AI 从手工设计特征，跃迁到能大规模处理图像、语音、翻译和语言生成的系统。要避免把深度学习理解成深刻理解：深度说的是计算层数，不是智慧或意识。它的力量来自无数小的数学调整叠在一起，所以既惊人，也常常难以看清内部原因。

模型

模型是 AI 系统学出来的一套结构，用来把输入变成输出。训练之后，它携带统计模式，可以回答、分类、预测、推荐或生成。本书里的语言模型、扩散模型、部署、评估和治理都围绕它展开：模型是团队测试、调校、包裹、监控，有时也要替换的对象。要把模型和应用分开：应用是你点击的产品，模型只是其中一个判断引擎。模型不是完整智能，而是关于“什么常常跟着什么”的压缩下注。

数据

数据是被记录下来的信息，AI 可以从中学习，也可以据此行动。它可能是文字、图像、语音、数字、点击、标签或传感器读数，并决定模型能注意到什么。在实际 AI 应用中，训练、测试、偏见和评估都从数据开始：收集了什么，遗漏了什么。不要把数据等同于知识：数据是材料，知识是被整理成可用理解的材料。坏数据不只是让系统混乱，它会教会系统错误习惯。

数据集

数据集是一组整理好的数据，用来训练、测试或评估 AI 系统。AI 很少直接使用散乱信息，而是使用有边界、有格式、有标签、有说明的例子。要避免把数据和数据集混在一起：数据可以是原材料，数据集是有人选择后放在一起的一片材料。在本书里，它直接连到标签、准确率、偏见和基准测试，因为它决定了成功到底按什么来算。数据集从来不只是被发现，它总是被框定。

算法

算法是解决问题或做决定的一套步骤。对 AI 来说，算法说明系统怎样搜索、优化、分类、更新权重或选择行动。常见误读是把算法和模型混在一起：算法更像方法或菜谱，模型则可能是用数据学习之后得到的结果。这个词听起来神秘，真正的力量却来自把判断过程变成可重复的步骤。一旦决定可以重复，它扩大的速度就会超过人的注意力。

输入

输入是你交给 AI 系统、让它完成任务的东西。它可以是一段提示词、一张图片、一个表格、一段录音、传感器读数，甚至是一整组文档。本书里，输入和输出相对，也连着上下文、任务和提示词工程，因为更好的输入常常带来更好的回答。它要求我们把输入和训练数据区分开：训练数据在使用前教模型，输入是在使用时交给模型。AI 的魔法感，常来自一个小输入唤醒了一个巨大的已学习系统。