最近看了一些AI的内容，发现很多概念性的东西都没有那么了解，就整合了一下，对比了一些平台和AI工具的，加了一点自己的理解，分享给大家，希望对大家的AI学习，在这个基础层面，有点帮助。
标记蓝色的，是我觉得可以重点关注下的。数智化转型网www.szhzxw.cn
一、基础认知类
1. 人工智能（AI）
这个是最基本的了，就是模拟人类智能的计算机系统，能完成推理、学习、感知等人类任务，作为产品经理，一定要明确AI产品的核心边界，是”辅助人类”而非”替代人类”，所有设计要围绕”人机协同”展开。
2. 机器学习（ML）
AI的核心分支，让计算机通过数据学习规律，无需手动编写规则，这个单词，我们就理解AI产品”数据驱动迭代”的本质就好，知道功能优化是需要依赖大量的数据积累的。
3. 深度学习（DL）
机器学习的子集，基于神经网络模拟人脑结构，处理图像、语言等复杂数据，这个是大模型、计算机视觉等功能的技术基础，懂原理还是很难的，尤其是对于我们产品经理，很多不了解技术的，但要最基本的，要知道”需要大量数据+算力”的特点。
4. 生成式AI（AIGC）
这个词提到很多，是能生成文本、图像、音频等新内容的AI技术，很热的词汇，也是当前AI产品的核心热门方向，核心应用场景包括内容创作、原型生成、文案生成等。数智化转型网www.szhzxw.cn
5. 判别式AI
通过数据判断类别、预测结果（如垃圾邮件识别、用户流失预测），主要用于”决策”，我们了解适配”决策类”的产品场景就好，比如风控审核、用户分层，等等。
6. 弱人工智能（ANI）
仅能完成特定领域任务的AI（如智能客服、导航），就是单一场景的，也是当前主流AI形态，产品设计需聚焦”单一核心场景”，这个是当下，我觉得产品经理该去思考的，设计产品功能的时候，就应该这样，这是比较合理的，而不是去盲目追求”全能”。
7. 强人工智能（AGI）
有弱，就有强嘛，意思就是具备人类通用智能的AI，能理解、学习任何人类任务，这个感觉得是长期发展的方向，当前落地很难，只需要关注伦理和社会影响对产品的潜在要求就好了。
8. 自然语言处理（NLP）
让AI理解、生成、处理人类语言的技术，也是一个基本的词汇，这个是可以支撑智能客服、文本总结、翻译等功能的，对于产品经理，核心关注点就是”语言理解准确率”和”交互自然度”。
9. 计算机视觉（CV）
也是提到挺多的词汇，意思是让AI”看懂”图像、视频的技术（如人脸识别、物体检测），比如说适配安防、电商识图、医疗影像等场景，核心关注”识别准确率”和”实时性”。数智化转型网www.szhzxw.cn
10. 语音识别（ASR）
将人类语音转化为文本的技术，这个就是字面意思了，可以支撑语音输入，会议转写等功能，核心关注”识别准确率”、”方言”、”噪声适配性”，尤其是”方言”，我觉得还蛮有意思的一个方向。
二、模型相关类
1. 大语言模型（LLM）
基于海量文本训练的NLP模型，能理解和生成人类语言（如GPT、文心一言），这是这个方向最基础的一个词汇了，也是多数文本类AI功能的核心，需根据场景选择”通用模型”或”垂直模型”。
2. 基础模型（Foundation Model）
通过海量通用数据训练的大模型，可适配多个下游任务（如LLaMA、CLIP），这是AI产品的”底座”，可通过微调适配垂直场景，降低开发成本。
3. 微调（Fine-tuning）
用垂直领域小数据集优化基础模型，提升特定场景效果，也就是优化的阶段了，有点像”训练”，核心价值是让通用模型适配行业需求（如医疗LLM微调），需明确”微调目标”和”数据需求”。
4. 提示词工程（Prompt Engineering）
设计精准输入指令，让AI输出符合预期的结果，这里不用懂太多，也不需要懂代码，会提需就好，这个是AI产品交互设计的核心能力。
5. 上下文窗口（Context Window）
我们开一个窗口聊天，有那些上下文，前后关联记忆，就是这个，就是AI能”记住”的输入文本长度上限，我们做设计的时候，对于长文档总结、多轮对话功能，需匹配模型的上下文窗口大小，避免信息丢失。
6. 检索增强生成（RAG）
让AI先从真实知识库检索信息，再生成内容，避免”胡说八道”，意思就是我们先去对接一个知识库，让AI学习，再去输出内容，比如智能客服、智能知识库。
7. 模型量化（Quantization）
降低模型参数精度，减少算力、内存消耗，提升运行速度，这个是移动端、边缘端AI产品的关键技术，需平衡”速度”和”效果”。
8. 模型蒸馏（Distillation）
将大模型的知识迁移到小模型，保留核心能力的同时缩小体积，这个适配资源有限的场景（如小程序AI功能），可以降低部署成本。
9. 少样本学习（Few-shot Learning）
用少量样本就能让模型适应新任务，适合数据稀缺的垂直领域（如小众行业AI工具），减少数据标注成本。
10. 零样本学习（Zero-shot Learning）
无需样本，模型直接适配新任务（如用通用LLM写小众行业文案），评估模型通用性的关键指标，影响产品的场景覆盖能力。
11. Transformer架构
当前LLM、CV大模型的核心架构，通过”注意力机制”捕捉数据关联，这个也挺深奥的，不用懂原理，知道其是”大模型能力的基础”即可，影响模型的效果和效率。
12. 注意力机制（Attention Mechanism）
让模型聚焦输入数据的关键部分（如理解句子时关注核心词汇），影响AI理解用户需求的准确性，是优化交互体验的技术基础。
13. 分词器（Tokenizer）
将文本拆分为模型可理解的”token”（词元），这个会影响LLM的文本处理效果的，设计提示词时需考虑分词规则，避免歧义。
14. 生成温度（Temperature）
控制AI生成内容的随机性（温度高→更发散，温度低→更精准），这个是可以根据场景调整参数的，如文案创作选高温度，数据总结选低温度。
15. Top-k采样
从AI生成的前k个候选结果中随机选择，控制生成的多样性，都是挺深奥的词，可以和温度配合使用，平衡内容的”多样性”和”准确性”。
16. 多模态模型（Multimodal Model）
这个关键，要懂，是能处理文本、图像、音频等多种数据的模型（如GPT-4V、DALL·E），能支撑跨模态交互场景（如”图文生成视频””语音+图像问答”）。
17. 扩散模型（Diffusion Model）
生成式AI的核心模型之一，通过”逐步去噪”生成图像、视频，适配图像生成、视频创作等场景，关注”生成质量”和”速度”。数智化转型网www.szhzxw.cn
18. 对抗生成网络（GAN）
通过生成器和判别器的对抗训练生成内容，这是早期生成式AI的核心技术，当前多用于图像修复、风格迁移等场景。
19. 模型即服务（MaaS）
通过API接口提供模型能力（如OpenAI API、百度智能云API），快速落地AI功能的核心方式，需评估”成本、稳定性、效果”三大指标，也就是我们能够对接，直接调用的模型。
20. 开源模型
公开模型架构和权重，可自由使用、修改和分发的模型，比如之前deepseek爆火，一个原因就是开源了，当然，肯定不会全部功能都开源的，只有部分，现在很多模型都有这样，还有一些智能体平台也是。
三、落地执行类
1. 人机协同（Human-AI Collaboration）
AI负责执行性工作，人类负责决策性工作，这是目前我们和AI协作的核心了，也是我们AI产品设计的原则，如让AI写PRD初稿，PM负责判断需求价值。
2. AI产品MVP
最小可行AI产品，聚焦核心场景验证价值（如用RAG做简单的企业问答工具），这样可以降低试错成本，先验证”用户需求”再迭代功能。
3. Prompt设计
为AI产品设计用户输入指令的交互方式（如模板化提示词、引导式提问），直接影响用户体验，需让普通用户也能精准触发AI能力。
4. 提示词模板（Prompt Template）
预设固定格式的提示词，用户只需填充关键信息，这个设计就会降低用户的使用门槛。
5. 多轮对话管理
让AI记住历史对话信息，实现连贯交互，比如支撑智能客服、AI助手等场景，需设计”对话中断、话题切换、历史回溯”功能。
6. 功能触发条件
定义AI功能的启动场景（如用户输入关键词、停留时长达标），这样可以避免AI”过度打扰”用户，提升交互的自然度。
7. AI能力封装
将复杂的AI技术封装为简单功能（如把RAG封装为”文档问答”按钮），封装后的功能可以直接使用，就能降低用户使用门槛，让非技术用户也能快速上手。
8. AI效果评估指标
衡量AI功能表现的指标（如准确率、召回率、用户满意度），需要建立AI产品的迭代标准，避免”凭感觉”优化。数智化转型网www.szhzxw.cn
9. API集成
将第三方AI API（如OpenAI、阿里云）接入自有产品。
10. 私有化部署
将AI模型部署在企业内部服务器，而非公有云，比如适配金融、医疗等数据敏感行业，满足数据安全需求。
11. 公有化部署
就是部署在云服务器，可以生成对外的链接，大家都可以访问的。
12. 边缘计算部署
将AI模型部署在边缘设备（如手机、摄像头），而非云端。
13. 容错机制
设计AI功能出错时的应对方案（如提示”当前无法回答，建议换个问题””返回人工服务”），这个主要就是针对用户体验的，可以降低用户不满，提升产品的可靠性。
四、数据相关类
1. 训练数据
用于训练AI模型的数据（如LLM的海量文本、CV的图像数据集），产品经理需要知道”数据质量决定模型效果“，需关注数据的”准确性、多样性、合规性”。
2. 验证数据
用于验证模型效果、调整参数的数据，也是评估模型迭代效果的关键，需和训练数据独立，避免数据泄露。
3. 测试数据
用于最终测试模型性能的数据，也是产品经理判断AI功能是否符合上线标准的依据，需覆盖边缘场景（如极端用户输入、异常数据）。数智化转型网www.szhzxw.cn
4. 数据标注（Data Labeling）
给原始数据打标签（如给文本标”正面、负面”、给图像标”物体位置”），这个很重要，这是监督学习模型的核心数据准备工作，需控制标注成本和准确率。
5. 弱监督学习
用少量标注数据+大量未标注数据训练模型。
6. 无监督学习
无需标注数据，让模型自动从数据中发现规律（如用户聚类、异常检测），主要是适配数据难以标注的场景，如用户行为分析、市场趋势识别。
7. 数据清洗
去除数据中的噪声、错误、重复信息，清晰数据很关键的。
8. 数据增强（Data Augmentation）
通过旋转、裁剪（图像）、同义词替换（文本）等方式扩充数据。
9. 数据脱敏
去除数据中的个人标识信息（如姓名、手机号），”敏”，就是敏感的意思。
10. 隐私计算
在保护数据隐私的前提下进行数据协作（如联邦学习、差分隐私），适配多方数据合作的场景（如跨企业AI模型训练），兼顾数据价值和隐私保护。数智化转型网www.szhzxw.cn
11. 向量数据库
存储和检索AI可理解的”向量数据”，搭配RAG使用。
12. 数据湖/数据仓库
存储企业海量数据的系统，为AI模型提供数据来源。
五、风险合规类
1. AI幻觉（Hallucination）
AI生成不存在、错误的信息，意思就是AI的生成结果是有问题的，这个结果事实都不存在，这里就要我们设计”事实校验环节”了，比如引用来源、人工审核等，避免误导用户。
2. 算法偏见（Algorithmic Bias）
AI模型因训练数据问题，对特定群体产生歧视（如性别、种族偏见），训练数据需要多样化，上线前评估模型的公平性。
3. AI伦理
AI产品需遵守的道德准则（如不伤害人类、尊重隐私、公平公正），这个就设计的时候注意下好了，避免设计可能危害用户、社会的功能（如深度伪造诈骗工具）。
4. 模型安全
防止AI模型被攻击、篡改（如 adversarial attack 对抗攻击），这个主要是技术方面，要选择安全的模型部署方式，定期进行安全测试。数智化转型网www.szhzxw.cn
六、应用场景类
1. 智能客服
用NLP技术自动回答用户问题，替代部分人工客服，在AI时代，最容易取代的一个岗位，可能就是客服了，很多公司都在布局了，主要还是搭建流程，知识库，还得有”人工客服”的底线处理准备。
2. 内容生成
用AIGC生成文案、图像、视频、代码等，可以适配营销、产品、研发等场景，提升内容生产效率。
3. 智能推荐
通过用户行为数据，推荐个性化内容、商品（如电商推荐、短视频推荐），做这个功能，就要关注”点击率、转化率”，避免过度推荐导致用户反感。
4. 智能搜索
基于NLP理解用户搜索意图，返回精准结果（如语义搜索、多模态搜索），可以提升搜索效率，适配”模糊搜索”、”多关键词搜索”场景。
5. 文档处理
用NLP/RAG技术处理文档（如总结、翻译、问答、提取关键信息），这个适配企业办公，法务、医疗等场景，可以提升文档处理效率。
6. 智能助手
个人/企业级AI助手（如ChatGPT、企业内部AI助手），提供多场景服务。
7. 图像/视频分析
用CV技术分析图像/视频（如人脸识别、物体检测、行为分析），适配安防、电商、医疗等场景，提升分析效率。
8. 语音交互
基于ASR/TTS（语音合成）技术，实现语音对话（如智能音箱、车载语音）。数智化转型网www.szhzxw.cn
9. 自动化流程
用AI自动化企业、产品流程（如自动化报表、自动化审批、自动化客服回复），比如说钉钉多维表就有这个，还有一些RPA工具，也算，n8n这种，也是。
10. 个性化学习推荐
基于用户学习进度、薄弱点，推荐定制化学习内容（如教育APP的习题推送、课程规划），这里主要就是AI的推荐算法了。
11. AI数字人交互
通过数字人实现拟人化交互（如直播带货数字人、政务咨询数字人），现在很火的一个词。
12. AI原生应用
从产品构思之初就围绕AI核心能力构建，而非简单加入AI功能的”外挂式”应用。
七、工具平台类
1. 通用LLM平台
OpenAI（GPT系列）、百度文心一言、阿里通义千问、字节跳动火山方舟，可以快速验证AI功能的核心工具，可通过API集成。
2. 垂直领域AI平台
医疗AI（推想科技）、金融AI（平安科技）、电商AI（阿里妈妈），垂直领域AI产品的参考标杆，可学习其场景适配方案。数智化转型网www.szhzxw.cn
3. 数据标注工具
LabelStudio、VGG Image Annotator（VIA）、百度众包，可以对接数据标注工作，评估标注效率和质量。
4. AI开发平台
TensorFlow、PyTorch（模型开发）、AWS SageMaker、阿里云PAI（模型部署），这个可以了解开发流程，便于和研发团队沟通。
5. Prompt工具
PromptBase（提示词市场）、ChatGPT Prompt Engineer（提示词编辑器），可以优化提示词设计，提升AI输出效果。数智化转型网www.szhzxw.cn
6. 向量数据库工具
Milvus、Pinecone、FAISS，这个我觉得得知道的，我们传统的数据库，其实就是存表单数据的，那些文本、图片、视频之类的，就得是向量数据库，这个是支撑RAG功能的核心工具。
7. AI效果评估工具
Weights & Biases、TensorBoard，可以查看模型迭代效果，辅助决策优化方向。
8. 低代码AI平台
腾讯云TI-ONE、百度智能云千帆、钉钉宜搭AI，零代码、低代码落地AI功能，降低开发门槛。
9. 内容生成工具
MidJourney（图像）、Runway（视频），等等，这种就很多很多了，我们了解AIGC内容生成的能力边界，适配产品场景。数智化转型网www.szhzxw.cn
10. AI监控工具
Evidently AI、Gantry（监控模型效果、数据漂移），可以持续监控AI产品的运行状态，及时发现效果下滑问题。
八、智能体类
1. 智能体（Agent）
这是AI发展的未来了，具备自主感知、规划、决策、执行能力的AI系统，能主动完成复杂目标，产品经理，搞这个方向就对了，这是下一代AI产品的核心形态，适配自动化办公、智能运营等场景，需聚焦”目标拆解能力”和”环境适配性”设计。
2. 多智能体协作（Multi-Agent Collaboration）
多个智能体分工配合完成复杂任务（如一个智能体做需求调研、一个做方案设计）。
3. 智能体工具调用（Agent Tool Calling）
智能体自主选择并使用外部工具（如数据库查询、API调用、文档编辑）完成任务，需规划智能体的工具库，明确工具调用的触发条件，提升其解决复杂问题的能力。
4. 智能体环境交互（Agent-Environment Interaction）
智能体感知外部环境变化（如用户需求调整、系统状态变更）并动态调整策略的能力，设计时需提升智能体的环境适应性，避免因环境变化导致任务失败。数智化转型网www.szhzxw.cn
九、进阶认知类
1. AI生态
围绕AI形成的产业链（如模型提供商、数据服务商、应用开发商），最终，其实就是要整合生态资源，提升产品竞争力（如接入多个模型API，根据场景切换）。
2. GPU/NPU
硬件的了，GPU擅长并行计算，是AI训练的”引擎”；NPU是手机等设备中专为AI计算设计的芯片。
3. 具身智能（Embodied AI）
AI与物理身体结合，能感知并交互真实世界（如机器人、自动驾驶），这个代表了AI与物理世界交互的未来，关注其传感器、执行器和实时决策挑战。数智化转型网www.szhzxw.cn
若您对人工智能感兴趣，可添加数字化转型网小助手思思微信加入人工智能交流群。若您在寻找人工智能供应商，可联系数字化转型网小助手思思（17757154048，微信同号）数智化转型网www.szhzxw.cn
若您为人工智能服务商，可添加数字化转型网小助手Nora，加入人工智能行业交流群。
若您为人工智能创业者，可添加数字化转型网社群主理人Carina，加入人工智能创业交流群。
免责声明: 本网站(https://www.szhzxw.cn/)内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。本网站刊载的所有内容(包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等) 版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。
本文由数智化转型网（www.szhzxw.cn）转载而成，来源于网络；编辑/翻译：数智化转型网（Professionalism Achieves Leadership 专业造就领导者）默然
数智化转型网www.szhzxw.cn
