学 AI,从学词汇开始
不写代码也可以先理解 AI。分清 model、prompt、embedding、agent、training、inference 等核心术语,读懂新闻、产品发布和工作讨论。
很多人以为,学 AI 的第一步是写代码,或者读论文、上课程、补数学。对未来工程师来说,这当然重要。但对更多成年人来说,真正卡住他们的第一道门槛不是技术,而是语言。
你每天都在听到这些词:
model。 prompt。 agent。 embedding。 inference。 alignment。 context window。 multimodal。
它们出现在产品发布、新闻标题、投资讨论和朋友闲聊里。你大概知道它们和 AI 有关,但未必说得清它们之间的区别。于是你有一种奇怪的感觉:不是完全不懂,但也很难真正参与讨论。
这就是 AI 时代最常见的语言门槛。而它有一个好消息:语言门槛,是可以用语言的方式跨过去的。
词汇不是装饰,是接口
一个领域的词汇,通常不是行话表演,而是这个领域看世界的方式。
不知道 prompt 和 instruction 的差别,你很难理解为什么同一个模型在不同提示下表现完全不同。不知道 embedding 大概在做什么,你很难理解语义搜索、推荐和 RAG 为什么可行。不知道 training 和 inference 的区别,你也很难判断一家公司是在训练模型、部署模型,还是只是在调用别人的接口。
这些词是理解现实变化的接口。你听懂一个词,就多一个观察角度;分清两个词,就少一次被营销话术带走的机会。
而"分清两个词",正是入门阶段性价比最高的动作。下面这七组区分,能替你挡掉大部分混乱。
七组易混词:分清它们,就赢了一半
1. 模型(model)vs 产品(product) 模型是能力本身,产品是包着能力的壳。同一个模型可以驱动十个不同产品;一个产品也可能在你不知情时换了底层模型。听到"我们推出了新 AI",第一个值得问的问题是:新的是模型,还是只是界面?
2. 训练(training)vs 推理(inference) 训练是让模型从数据中学出结构;推理是使用训练好的模型生成回答、分类、预测或行动。许多 AI 产品并不训练基础模型,而是在已有模型上做调用、编排、微调或行业封装。这个区分会直接改变你对技术含量、成本结构和商业壁垒的判断。
3. 提示(prompt)vs 微调(fine-tuning) prompt 是改变输入,模型本身不变;fine-tuning 是用新数据继续训练,模型本身发生改变。前者便宜、即时、可逆,后者更昂贵、更慢,也更持久。很多产品说「为你定制」,实际可能只是换了一段更长、更细的 instruction。
4. agent vs 聊天机器人(chatbot) chatbot 是你问它答;agent 的关键特征是能自己调用工具、执行多步任务、根据中间结果调整下一步。判断标准很简单:它能不能在你不介入的情况下,完成一件需要好几步的事?不能的话,它只是一个被叫做 agent 的聊天框。
5. 开源(open source)vs 开放权重(open weights) 很多"开源模型"其实只公开了权重(训练结果),没有公开训练数据和完整训练代码。你可以下载和使用它,但无法完整复现它。这个区分在讨论 AI 主权、安全和商业授权时非常关键。
6. 幻觉(hallucination)vs 错误(error) 传统软件出错,常常是没有按规则执行;模型幻觉则可能是流畅、自信、语法完美地编造。它不只是普通 bug 意义上的故障,而是这类生成系统需要持续管理的固有风险。理解这一点,你就明白为什么"看起来很确定"在 AI 输出里不构成任何证据。
7. 能力(capability)vs 对齐(alignment) 能力是模型能做什么,对齐是它是否按人类意图和价值去做。一个模型可以能力很强而对齐很差,也可以反过来。公共讨论里的很多争吵,其实是一方在谈能力、另一方在谈对齐,彼此没意识到。
这七组区分背后有一个共同规律:理解一个领域,靠的不是记住定义,而是掌握区分。词典给你定义,区分给你判断力。
实战:拆一句发布话术
学词汇的检验标准,是你能不能拆解真实语句。看一句典型的产品发布话术:
"我们推出了 agentic 智能助手,基于微调后的前沿大模型,支持百万级 context window,通过 RAG 接入企业知识库,自动化多步工作流。"
逐词拆开:
- agentic:声称能多步自主执行。值得追问:哪些步骤真的不需要人介入?
- 微调后的前沿大模型:他们没有训练自己的模型,而是在别人的模型上做了 fine-tuning——这是完全不同的技术投入等级。
- 百万级 context window:一次能"看见"的文本量很大。真实问题是:长了之后,中间部分的信息还找得准吗?
- 通过 RAG 接入知识库:模型本身不懂你的企业,是先检索你的文档再作答。所以答案质量的上限,取决于检索质量而不只是模型能力。
- 自动化多步工作流:agent 的核心卖点。验证方法:要一个失败案例演示,而不是成功案例演示。
看到了吗?同一句话,不懂词汇的人听到的是"很厉害",懂词汇的人听到的是五个可以逐一验证的具体主张。这就是词汇给你的东西:不是知识炫耀,是提问能力。
为什么用口袋书,而不是术语表或信息流?
术语表(glossary)的问题是孤立:一个词、一个定义、下一个词。但如上所见,真正的理解发生在词与词的关系和区分里——而这需要编辑:需要有人决定哪些词放在一起、哪些区分值得写、哪个例子最能说明问题。
信息流的问题是无边界:AI 每天都有新模型、新产品、新观点,没有词汇框架时,追得越多越乱。你需要的不是更快的输入,而是一个会重复出现的稳定参照系——同一组词,反复遇见,逐渐织成网络。
这正是口袋书的形态优势:短到你真的读得完,稳定到你可以反复回来,编辑过所以词和词之间有顺序、有区分、有语境。一本 AI 主题的口袋书不解释整个 AI,它只做一件事:给你这套参照系。
试读词条:模型
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。
这就是词汇学习的价值:你不只是记住 model 的中文叫「模型」,而是开始知道它和应用、数据、训练、部署之间的关系。
双语的价值:同一个概念的两套说法
如果你在中文和英文之间切换,AI 词汇还有一层难度:很多词的中文翻译并不稳定。
prompt 可以是"提示词",但它真正指的是一种给模型设定任务的方式;alignment 译作"对齐",但它承载着安全、价值和人类意图这些远比"对齐"二字重的内容;agent 译作"智能体",而在商业语境里这个词已经被用得非常宽。
双语阅读的价值不是逐字对照,而是让你看到同一个概念在两种语言里如何各自成立——哪里可以直译,哪里必须重新理解。副产品是:下次在英文会议、邮件或播客里遇到这些词,你调用的不是翻译,而是概念本身。
一种简单的读法
第一遍,通读,不查。感受哪些词见过、哪些完全陌生。
第二遍,圈出你"最常见却说不清"的词——通常是 model、agent、embedding、RAG、alignment 这几个。
第三步,用自己的话解释其中三个,标准只有一条:能说出"它大概解决什么问题"。
最后,找一篇真实的 AI 产品发布或新闻,照着上面"拆话术"的方式过一遍。第一次可能只能拆出两三个词,没关系——你会发现,原本滑过去的句子开始有了抓手。
这就是词汇的作用。它不是终点。它是入口。
常见问题
学 AI 一定要会写代码吗? 不一定。取决于你的目标:想造 AI,要学工程;想理解和使用 AI、判断它对你的工作和生活意味着什么,词汇和概念层面的理解就是正确的第一步,而且这一步不需要任何编程背景。
AI 术语这么多,先学哪些? 先学高频出现且容易混淆的那一层:model、prompt、agent、embedding、training/inference、context window、RAG、alignment。大约二三十个词,就足以读懂大部分 AI 新闻和产品说明。
术语更新那么快,学了会不会很快过时? 产品名和模型名迭代很快,但底层概念词汇相当稳定——training 与 inference 的区分、embedding 的原理、对齐问题,这些框架性的词多年未变。学的是框架,不是时讯。
口袋书和网上免费的 AI 术语表有什么区别? 术语表给孤立定义;口袋书做的是选择和编辑——哪些词值得放在一起、哪些区分最重要、配什么例子。你买到的不是信息(信息免费遍地都是),是顺序和判断。
相关书籍
继续选一本书
选一个主题,从合集里继续往前走一步。
