一篇讲清 20 个 AI 基础概念，普通人入门先看这个就够了

最近很多人想学 AI，但第一步就卡在概念上。

所以我把最常见的 20 个 AI 基础词，尽量用最通俗的方式整理了一遍。让小白一篇就能学的会，先把这些词听懂，后面学工具、学应用会顺很多。

第一组：先分清 AI、机器学习、深度学习、神经网络

人工智能（AI），是一个大概念，目标是让机器具备类似人类智能的能力，比如理解、学习、决策、生成内容。

机器学习（ML），是实现 AI 的一种方法。它不靠人工把规则一条条写死，而是让机器从数据中自己找规律。

深度学习（DL），是机器学习中的一种重要方法，核心是多层神经网络，适合处理图片、语音、文本这类复杂信息。

神经网络（Neural Network），是一种模仿人脑连接方式的计算模型，也是很多现代 AI 系统的基础。

第二组：模型是怎么学的

监督学习：拿有“标准答案”的数据训练模型，比如房价预测、垃圾分类。

无监督学习：数据没有标签，让模型自己找结构和规律，比如用户分群、异常检测。

强化学习：通过不断试错和奖励机制，找到更优策略，比如游戏 AI、机器人控制。

训练（Training）：模型通过数据不断调整自己的过程，相当于“学习”。

推理（Inference）：模型学完以后拿来做判断和预测，相当于“考试”或“实际使用”。

第三组：模型为什么学不好

过拟合：模型把训练数据记得太死，换一套题就不会了。

欠拟合：模型能力不够，连基本规律都没有学明白。

这两个问题，本质上就是“学得太死”和“学得太浅”。

第四组：数据相关的核心概念

数据集（Dataset）：训练、验证、测试模型所用的数据集合。

特征（Feature）：输入给模型的关键信息，比如面积、地段、楼层。

标签（Label）：正确答案，比如“垃圾邮件”或“正常邮件”。

语料库（Corpus）：训练语言模型使用的大量文本内容，比如百科、新闻、书籍等。

数据增强（Data Augmentation）：通过旋转、翻转、改写等方式扩充训练数据，让模型学得更稳。

第五组：AI 是怎么“理解”文字和内容的

向量化（Vectorization）：把文字、图片等非数值内容转成数字表示，方便机器计算。

嵌入/词嵌入（Embedding）：把高维信息映射到向量空间，让语义相近的内容在数学上也更接近。

Token：模型处理文本时切分出的最小单位。AI 不是按“整段文字”理解，而是按 Token 一步步处理。

模型参数（Model Parameters）：模型在训练中学到的权重和偏置，可以理解为模型内部沉淀下来的“知识”。

为什么普通人也要懂这些概念？

因为你只要开始接触 ChatGPT、AI 绘图、智能体、自动化工作流，迟早都会遇到这些词。

你不需要一开始就学得很深，但你至少要知道：

• AI 是总称，
• 机器学习是方法，
• 深度学习是更强的分支，
• 训练是在学习，
• 推理是在使用，
• Token 和 Embedding 决定了模型怎么处理文字。

把这些底层概念理顺，后面学任何 AI 工具都会快很多。

---

来源：飞书 · AI Spark 知识库 ｜ 原文（最新版）：https://lcnniolukk80.feishu.cn/wiki/EWP3wA7rmiLw3vkTHc2chsVPnDw ｜ 归档：2026-06-04