前言：后台收到很多AI入门小伙伴的留言，大多是类似的困惑：“看教程全是陌生术语，越看越懵”“刷到AI相关内容，却分不清哪些是真的、哪些是噱头”。其实AI入门的第一道坎，从来不是“技术难度”，而是“认知壁垒”——分不清术语的含义，很容易走弯路、打退堂鼓。

本文整理了AI入门最常用的10个术语，全程大白话拆解，不堆砌专业定义，零基础也能轻松看懂，适合所有CSDN AI新手、转行者，收藏起来，随用随查！

一、基础核心术语（必掌握）

1. 弱AI（窄AI）：目前我们接触的所有AI，都是弱AI，只能完成特定任务，比如聊天机器人只能聊天，图像识别只能识别图像，不能像人类一样具备通用智能，就像“专才”。

2. 强AI（通用AI）：能像人类一样，具备感知、思考、推理、学习等所有智能能力，能应对各种场景，目前还未实现，属于AI的终极目标，就像“全才”。

3. 大语言模型（LLM）：我们平时用的聊天机器人（比如豆包、GPT），本质就是大语言模型。它是训练了海量文本数据后，能理解人类语言、生成连贯文本、回答问题的模型，核心能力是“理解和生成语言”，也是普通人最容易接触到的AI应用形式。

二、常用技术术语（理解即可）

4. 过拟合：模型“学太死”的表现，简单说就是模型过度贴合训练数据，甚至记住了数据里的噪声，导致面对新数据时，预测效果很差。比如训练时准确率能达到99%，但实际使用时准确率只有60%，就是典型的过拟合，解决方法可以是增加数据量、使用正则化等。

5. 特征工程：对原始数据进行处理，生成更有效的特征，从而提升模型性能的过程。常用的操作有归一化（将特征缩放到0-1之间）、标准化（将特征转换为均值0、方差1）、独热编码（将类别特征转换为机器能识别的数字形式）等，是机器学习中提升模型效果的关键步骤。

6. 梯度下降：优化模型参数的核心算法，通俗比喻就是“像下山时沿最陡的方向逐步走到山脚”，通过不断调整模型参数，让模型的预测误差（损失）达到最小。学习率是梯度下降中的关键参数，步长太大可能震荡，太小则收敛太慢。

7. 神经网络：模拟人脑神经元连接的计算模型，是深度学习的核心。它由输入层（接收原始数据）、隐藏层（提取特征）、输出层（输出结果）组成，每层包含多个神经元，通过调整神经元之间的连接权重，实现对数据的学习和预测。

8. 提示词（Prompt）：我们给AI下达的“指令”，比如“帮我写一篇AI入门的博客”“生成一张猫咪的图片”，都是提示词。提示词的质量直接决定AI的输出效果，好的提示词会明确角色、限制条件和需求，让AI更精准地完成任务。

三、实操相关术语（新手必备）

9. 训练集/测试集：训练集是用来“教”模型学习的数据，测试集是用来“检验”模型效果的数据，就像学生的“练习题”和“考试题”，两者要分开，不能混用，否则会导致模型评估不准确。

10. 准确率：评估模型效果的核心指标，简单说就是“模型预测正确的数量÷总预测数量”，准确率越高，说明模型效果越好，新手初期重点关注这个指标即可。

补充提醒：入门阶段，不用死记硬背术语的定义，重点是“理解它的作用”，知道这个术语对应AI的哪个功能、在什么场景下用，就足够了。后续深入学习时，再慢慢细化细节。