打开任何一篇 AI 资讯，扑面而来的全是”参数””对齐””多模态””涌现”。这些词不难，只是没人肯用大白话讲。本手册收录 15 个最常出现、最常被误用的术语，每个都给一句”人话版”翻译，并标注常见误区。
基础层
1. 模型（Model）
人话：学完所有课程之后的那份”知识本体”。训练好比上课，模型就是毕业时脑子里装下的东西。常见误区：把”模型”和”App”混为一谈——App 是模型开的小卖部，不是模型本身。
2. 参数（Parameters）
人话：模型脑子里可调节的”旋钮”总数，几十亿到上万亿个。新闻里”70B 模型”就是 700 亿个参数。常见误区：参数多不等于聪明，训练数据质量和方法同样决定成败——好比题海战术不保证成绩。
3. Token
人话：模型处理文字的”最小计量单位”，一个汉字或一个单词的片段。计费、上下文长度都以它为单位。常见误区：token 不等于字——中文一般 1 字约 0.5-1 个 token，英文 1 个单词可能被切成几段。
4. 训练 / 推理（Training / Inference）
人话：训练是”上学”，烧钱烧时间，一次完成；推理是”上班答题”，你每次提问都在触发推理。为什么 AI 公司天天喊算力紧张？因为全球用户每一次提问，都是一次推理作业。
能力层
5. 上下文（Context）与上下文窗口
人话：模型一次对话能”记在眼前”的内容上限，好比书桌大小。超出窗口的早期内容，模型就”看不见”了。常见误区：窗口大不等于记忆好——桌子上摊了 100 万字的资料，模型不一定都读得仔细。
6. 多模态（Multimodal）
人话：不只认文字，还认图、听声、看视频的模型。常见误区：多模态不是”几种功能拼在一起”，而是同一套理解系统打通了各种信息。
7. 涌现（Emergence）
人话：小模型完全不会的能力，模型规模大到某个程度后突然”冒出来”，比如复杂推理。这是大模型时代最神奇的现象，也是”大力出奇迹”的科学注脚。常见误区：涌现不是玄学，学界对其成因和真实性仍有争论。
8. 思维链（Chain-of-Thought）
人话：让模型”先打草稿再交卷”——把推理步骤写出来，正确率显著提高。你看到的”让我想一想……”就是它在写草稿。
9. 幻觉（Hallucination）
人话：模型一本正经地编造事实。根源是它擅长”说得像”，不负责”说得真”。凡是它给出的具体数字、文献、日期，默认需要核实。
10. 微调（Fine-tuning）与 RAG
人话：给模型补课的两种方式。微调是”让模型把资料读进脑子里”（改造模型本身，成本高）；RAG（检索增强生成）是”开卷考试”——答题前先去资料库里现查，再把查到的内容写进答案（不改模型，资料随时可换）。企业做智能客服大多选 RAG，原因正在于灵活。
训练层
11. 预训练（Pre-training）
人话：模型的”通识教育”阶段——海量读文本、练猜词，学出语言和常识。花费占训练总成本的绝大部分。
12. 对齐（Alignment）与 RLHF
人话：教模型”好好说话”的阶段——用人类评分反馈，让它偏向有用、诚实、无害的回答。RLHF 就是”基于人类反馈的强化学习”这个名字本身。常见误区：对齐不是审查，它的核心目标是让模型更有用而非更胆小。
13. 开源 / 开放权重（Open Weights）
人话：严格说大部分”开源大模型”开放的是”开放权重”——模型学好的那本”笔记”可以下载本地运行，但训练数据和过程通常不公开。常见误区：能下载 ≠ 完全开源。
14. 智能体（Agent）
人话：不只回答问题，还能”动手干活”的 AI——拆解任务、调用工具（搜索、查表、下单）、检查结果、迭代重试。普通对话模型是顾问，Agent 是能跑腿的助理。
15. 温度（Temperature）
人话：回答的”随机度旋钮”。调低，回答稳定保守；调高，回答跳脱有创意。写诗调高点，写合同调低点。
使用心法
这 15 个词背后，其实只有三条主线：模型是压缩的知识（参数、预训练），能力来自规模与反馈（涌现、对齐），可靠性靠系统补（RAG、思维链、人工复核）。
下次读 AI 新闻，带着这三条主线去套，绝大多数术语都能各归其位。术语的价值不是让外行觉得高深，而是让讨论变得精确——现在你也有了这份精确。