附录B 关键术语表

本术语表按全书中的使用方式给出简明解释。术语在不同研究和工程语境中可能有更严格定义，正式项目应继续查阅相应技术文档和专业规范。

A—D

• AI协同开发：学生用自然语言向人工智能提供任务、材料和限制，人工智能协助生成、解释、调试和测试完整实现，学生负责运行、审查、验收与交接的开发方式。
• 标签：训练监督学习模型时给样本指定的目标类别或数值。
• 版本：能够区分数据、模型、代码、规则或文档变化状态的标识。
• 测试集：不参与训练和调参，用来估计模型在未见数据上表现的数据集合。
• 超参数：训练前由人设定、不会直接从训练数据学习的配置，例如学习率、训练轮数和窗口长度。
• 持续监测：系统投入有限使用后，定期观察质量、延迟、费用、错误和输入分布变化的过程。
• 大语言模型：从大量语言和其他数据中预训练、能够根据上下文生成或处理语言的大型模型。
• 代码差异：两个文件版本之间新增、删除和修改内容的记录，用于审查AI是否只进行了约定变化。
• 端侧推理：模型在靠近数据来源的手机、单板机、微控制器或其他边缘设备上运行推理。
• 多模态模型：能够在同一模型或统一表示中处理文字、图像、声音等多种数据形态的模型。
• 数据泄漏：训练或调参时意外使用了测试阶段才应知道的信息，使评价结果虚高。
• 数据漂移：系统运行时输入数据的分布与训练或验收时发生变化。
• 数据卡：记录数据来源、用途、构成、采集、授权、质量、限制和版本的说明文档。
• 数据契约：数据提供者和使用者对字段、类型、单位、允许值、缺失表示、来源与版本的共同约定。

E—M

• 分类：把输入映射到预先定义类别的模型任务。
• 分类阈值：把连续模型分数转换为类别或处理动作时使用的分界值。
• 泛化：模型对未参加训练但属于目标范围的新样本保持有效的能力。
• 规则基线：使用人工规则、阈值、平均值或其他简单确定性方法得到的参考结果。
• 回归：根据输入预测连续数值的模型任务。
• 回归测试：修改数据、模型、代码或规则后，重新运行一组固定测试，检查已有能力是否被破坏。
• 回滚：新版本出现问题时恢复到经过验证的上一版本。
• 混淆矩阵：按真实类别和预测类别统计分类结果的表格，可直接看到各类误认方向。
• 监督学习：使用带标签样本训练输入到目标输出映射的学习方式。
• 检索增强生成：先从外部材料检索相关证据，再将证据作为上下文约束生成模型的实现模式。
• 交付包：能够让另一位使用者复现、运行、验收和维护项目的一组文件与说明。
• 结构化输出：按照预先约定字段、类型和层级组织的模型或程序输出。
• 卷积神经网络：使用卷积等运算学习图像或局部信号特征的神经网络结构。
• 模型：根据输入产生预测、分类、生成或其他输出的参数化计算结构。
• 模型卡：说明模型用途、数据、评价、适用范围、限制、风险和版本的文档。
• 模型量化：用更低精度数值表示模型参数或计算，以减小模型和提高部分设备上的运行效率。

N—R

• 嵌入：把文本、图像或其他对象映射为稠密数值向量，使语义或特征相近对象在表示空间中更接近。
• 目标函数：优化过程中用于衡量方案好坏、需要最小化或最大化的计算表达。
• 迁移学习：利用预训练模型已经学到的表示，再用较少的新任务数据训练输出部分或小幅调整模型。
• 人工接管：在证据不足、冲突、越权或故障时，由明确人员停止自动流程并决定后续行动。
• 人在回路：系统在关键步骤保留人的确认、修正、授权或停止，而不是完全自动运行。
• 生成模型：根据输入条件产生新的文字、图像、声音、代码或其他内容的模型。
• 时间窗口：从连续信号或时间序列中截取、用于训练或推理的一段连续范围。
• 时序模型：处理按时间排列数据并利用前后变化关系进行分类、预测或异常发现的模型。

S—Z

• 损失函数：训练中衡量模型输出与目标差异、并用于调整参数的函数。
• 特征：程序或模型用于描述输入样本的可计算信息。
• 推理：使用已经确定参数的模型处理新输入并产生输出的过程。
• 无可行解：不存在同时满足全部硬约束的方案，系统应明确报告而不是伪造结果。
• 物理AI：通过传感、计算、行动和环境反馈与物理世界形成联系的人工智能系统。
• 系统状态：工作流在某一时刻所处的阶段，例如待处理、待确认、已完成或已停止。
• 相似度：衡量两个表示接近程度的数值；相似不等于事实相同或因果相关。
• 训练：使用数据调整模型参数，使模型在指定目标上逐步减小错误的过程。
• 训练集：直接用于调整模型参数的数据集合。
• 异常检测：学习或描述正常模式，并识别明显偏离该模式输入的方法。
• 优化：在目标函数和约束条件下搜索更合适方案的过程，不等同于生成内容或预测未来。
• 预训练模型：在大规模或通用数据上先训练、可被直接使用或迁移到新任务的模型。
• 召回率：真实正例中被模型正确发现的比例，漏报代价高时尤其重要。
• 准确率：全部测试样例中预测正确的比例；类别严重不平衡时不能单独代表系统质量。
• 置信分数：模型对当前输出给出的相对分数，必须结合训练范围和测试证据解释，不能直接当作现实事实概率。
• 知识截止与时效：模型参数或外部材料能够反映的信息时间范围；需要最新事实时必须核对当前来源。
• 状态机：用有限状态、允许转移和触发条件描述工作流程的确定性结构。
• 专业小模型：针对视觉、声音、时序或其他具体任务训练或迁移的相对小型模型。
• 自动化偏误：人因为系统看起来稳定或专业，过度相信自动输出而减少必要复核的倾向。

工作方法术语

• 完整项目：从明确输入出发，经过可见的模型、算法、规则和人工步骤形成工作输出，并能够运行、测试、判断、复现和交付的垂直任务；功能数量多不等于完整。
• 任务合同：对使用者、工作目标、输入、输出、约束、禁区、责任与验收样例的共同约定。
• 项目上下文：让AI和团队持续理解同一项目所需的任务说明、材料索引、文件结构、环境、规范和当前状态。
• 限定修改：明确指定修改目标、文件和不可改变内容，让AI只做可审查的小步变化。
• 固定回归门：任何版本更新都必须通过的一组固定测试和最低标准。
• 专业迁移卡：把公共核心项目迁移到某一专业时，对材料、规范、错误后果、交付物和责任人作出的重新定义。
• 最小可运行版本：从真实输入到可检查输出的最小完整链路，可用于尽早发现任务和接口问题。
• 验收门：决定某一版本能否进入下一阶段或有限使用的指标、样例和责任人条件。
• 运行门：项目能够启动、完成主链并在故障时安全停止的最低条件。
• 采用门：在项目已经能够运行后，进一步判断其是否比人工、规则或统计基线带来可证明收益的条件。
• 受控更新：在保留版本、测试、批准与回滚条件下更新数据、模型、代码或规则。