简介：面对层出不穷的AI概念，与其死记名词解释，不如先理解它们背后的共同逻辑：人工智能的本质，是把人类智能形式化为可计算模型。本文从这一主线出发，梳理术语之间的层级关系、诞生动机与工程含义，帮助新手建立可迁移的AI认知框架。
很多初学者都有类似的经历：刷了大量文章和视频，看到“Transformer”“注意力机制”“向量数据库”“智能体”这些词时好像都认识，但一旦被问到“为什么需要这个技术”“它解决了什么问题”“和另一个概念是什么关系”，就答不上来。
原因并不在于记忆力不够，而在于绝大多数内容只在做“名词解释”。它们告诉你一个术语“是什么”，却很少告诉你“为什么会有它”。于是大量概念在脑海中彼此孤立，像一堆散落的拼图，始终拼不出完整的图景。
理解AI术语的正确方式，不是按字母顺序去背词典，而是沿着一条主线去追问：这个技术是为了解决什么问题而出现的？它在整个AI系统中处于哪一层？它依赖什么前置概念，又催生了什么后续概念？
这条主线，可以追溯到人工智能最根本的目标：把智能形式化。
计算机诞生之初，最擅长的事情是计算。无论多复杂的算术运算，只要规则明确，计算机都能在极短时间内完成。这自然会引出一个问题：既然计算能力可以被机器实现，那么人类独有的“推理”能力，是否也能被机器模拟？
这就是人工智能最早的提问方式。它隐含了一个关键假设：如果智能可以被表达为一套形式化的规则或数学结构，那么计算机就有机会实现它。
所谓“形式化”，指的是把模糊的、依赖直觉和经验的思维过程，转化为精确的、可被机器执行的逻辑公式、符号运算或数学函数。比如：
人类推理：如果下雨，地面会湿。形式化表示：rain → wet_ground
一旦推理过程能够被这样表达，计算机就可以利用逻辑规则进行推导。这也是早期符号主义人工智能的基本思路。
后来人们发现，很多智能行为很难用显式规则完整描述。比如识别一张图片里是否有猫，很难写出一组“如果……那么……”的规则来覆盖所有猫的形态。于是思路发生了转变：不再让人类手工总结规则，而是让机器从大量数据中自动学习一个数学函数，这个函数能够在给定输入时输出正确结果。
这就是机器学习的核心思想。机器学习并没有放弃形式化，只是把“形式化的对象”从显式逻辑规则，变成了可学习的数学模型。术语虽然变了，但背后的主线没有变：智能被表达为某种可计算结构，计算机通过执行该结构来模拟智能行为。
理解了这一点，很多后续术语就不再是孤立的名词，而是这条主线在不同阶段、不同层次上的具体展开。
如果把“智能形式化”看作总纲，那么后续的术语大致可以按照“为什么需要它、它处在哪一层、它依赖什么、它带来什么”四条线索来理解。
在机器学习中，模型通常指一个数学函数。它接收输入，经过内部计算，产生输出。而参数就是这个函数中可以调整的数值。训练过程本质上是在寻找一组参数，使模型在给定数据上的表现尽可能好。
例如，一个最简单的线性模型可以写作：
y = w * x + b
这里的 w 和 b 就是参数。模型结构很简单，但它已经具备“从数据中学习”的基本形态。后续更复杂的模型，无论是深度神经网络还是大语言模型，本质上都只是这个框架的扩展——函数变得更复杂，参数变得更多，但“用可学习函数逼近智能行为”的思路没有改变。
早期机器学习非常依赖人工设计特征。特征就是从原始数据中提取出来、对模型有帮助的信息。比如预测房价时，面积、地段、楼层就是特征。
但人工设计特征存在瓶颈：很多高维数据，比如图像、语音、自然语言，很难靠人工提取出足够好的特征。于是出现了表示学习，让模型自己从原始数据中学习有用的表示。深度学习就是表示学习的典型代表。
这里的术语演进逻辑是：“智能行为难以用显式规则描述” → “需要从数据中学习模型” → “模型效果依赖特征” → “人工特征有局限” → “让模型自动学习表示”。每一个新概念的出现，都是为了解决前一个概念在工程或理论上遇到的难题。
训练是模型从数据中学习参数的过程。推理是模型使用已经学习好的参数对新输入进行预测的过程。
这种区分对理解工程系统非常关键。训练阶段通常需要大量计算资源，可能运行数小时甚至数周；而推理阶段需要尽可能快、成本尽可能低。因此很多架构设计和优化手段，都是围绕“训练效率”和“推理效率”两个目标展开的。
理解“训练/推理”的差别之后，再去看“模型压缩”“量化”“蒸馏”“批处理”等术语，就会发现它们大多是在回答同一个问题：如何让一个训练好的模型在推理阶段更快、更省、更容易部署。
传统模型的推理输出通常是一个预测结果，比如一个类别、一个数值或一段文本。但在真实应用中，仅仅输出文本往往不够。用户可能希望模型查询数据库、调用天气服务、读取文档或执行计算。
这时就需要一种机制，让模型能够按照结构化方式描述“我想调用哪个函数、传什么参数”。这一思想在业内常被称为函数调用。它本质上是在为模型提供一组可执行工具的抽象接口。
这个方向的进一步延伸，是让模型不再局限于单个函数调用，而是能够组合多个工具、规划调用顺序、根据中间结果调整策略。这也就引出了智能体相关术语群的核心含义：把模型从“只会回答问题”的程序，升级为“能够与环境交互并完成任务”的系统。
理解到这一层后，很多看似高深的概念其实都共享同一个逻辑：拓展模型与外部世界交互的能力，而交互过程本身仍然需要被形式化地定义和描述。
每遇到一个新术语，先别急着查定义，而是问自己：
这三个问题比背下定义更有价值。因为它们把术语放回了问题语境中，而术语只有在问题语境中才是有意义的。
很多教程喜欢把AI术语分成“模型类”“算法类”“工程类”“应用类”。这种分类有帮助，但更容易造成割裂感。
更好的做法是建立层次关系。比如：
智能形式化└── 机器学习：从数据中学习函数├── 表示学习：自动学习特征│ └── 深度学习：多层表示学习├── 训练/推理：模型的生命周期└── 模型能力扩展├── 函数调用：调用外部工具└── 智能体：多步规划与交互
这样每个概念都能在树状结构中找到位置，理解一个节点的前置条件，也就能理解它为什么存在。
很多AI术语之所以显得抽象，是因为它们被包装成了学术词汇。实际上，大多数术语都可以翻译成更具体的工程表达。
比如：
把术语翻译成工程语言之后，不仅更容易理解，也更容易判断它在实际系统中的作用。
假设你正在设计一个“能根据用户自然语言查询自动调取后台数据并生成报表”的系统。这个需求会自然牵出一连串术语。
首先，你不可能为每一种问法都写死规则，于是考虑用模型来理解用户意图。为了提升理解效果，你需要把用户输入转化为合适的表示，现代方案通常使用预训练语言模型完成这一步。
模型理解意图后，需要执行查询。你不能让模型凭空猜数据库结构，于是要给它提供可调用的函数接口。模型输出一个结构化的函数调用请求，系统接收后执行查询。
如果用户的问题很复杂，需要先查A表、再根据A表结果查B表，模型就需要具备多步规划能力。这就走向了智能体的思路：模型不只是单次调用工具，而是在一个循环中与环境持续交互。
最后，系统上线后还要关注推理延迟和资源开销，可能需要对模型做量化或推理优化。
你看，整个过程并没有先去背“模型”“表示”“函数调用”“智能体”“量化”的字典定义，而是被一个真实问题自然地带了出来。每个术语都出现在它“不得不出现”的位置上。
AI术语不是用来背诵的列表，而是智能形式化这条主线在不同阶段、不同层次上的推理结果。
当你能够从“计算机如何模拟智能”这个原点出发，沿着“为什么需要它”一路追问下去，就会发现大多数概念之间存在清晰的因果链。模型、训练、推理、表示、函数调用、智能体……它们不是彼此无关的词汇，而是同一棵树上的不同分叉。
因此，对新手来说，最重要的不是记住更多名词，而是建立一套属于自己的术语推导方式。每遇到一个新词，不急着看定义，先尝试推断它为什么会出现。这个推断过程本身，就是真正理解AI的开始。