TechCrunch 在 5 月 9 日发布了一份 AI 常见术语表，并表示会随着行业变化继续更新。

这事看起来很小：一篇词典文章而已。但我反而觉得它很有代表性。AI 行业现在最稀缺的，不是新名词，而是把名词翻译成人话的能力。

AGI、AI agent、API endpoint、chain of thought、distillation、fine-tuning、hallucination、inference、LLM……这些词每天出现在发布会、融资稿、采购方案和老板转发的链接里。很多人听完点头，其实心里没底。

更麻烦的是，点头本身会变成预算。

发生了什么：一份 AI 术语表，真正补上的是语境

TechCrunch 这份指南用通俗语言解释了一批高频 AI 术语。它不是产品发布，也不证明哪家公司技术领先。

它的价值在另一处：把 AI 公司、投资人和产品发布会上反复使用的词拆开，放回更清楚的语境里。

几个关键信息值得抓住：

  • **AGI 没有公认测试.** OpenAI、Google DeepMind 等机构对 AGI 的表述并不完全一样，有的强调“多数经济价值工作”，有的强调“多数认知任务”。别把它当成已经抵达的终点。
  • **Agent 不是聊天机器人改名.** 它强调多步骤、自主执行，可能调用工具、API 或第三方接口。
  • Coding agent 不只是补全代码。 更进一层的说法，是它能跨代码库查错、运行测试、提交修复。
  • **幻觉不是小毛病.** 它指模型生成错误信息。放在健康、法律、金融场景里，就是现实风险。
  • **训练、推理、微调、蒸馏不是一回事.** 把这些词混着用，往往就是误判成本的开始。

这份更新版术语表比普通“AI 词典”多给了一个提醒：同一个词在研究、产品和销售语境里，常常不是同一个东西。

研究人员说“agent”，可能在谈任务规划和工具调用。产品经理说“agent”，可能在谈用户流程。销售说“agent”，可能已经变成“能替你干活”。

三个词，听起来一样，风险完全不同。

为什么重要：技术词正在变成商业词

过去几年，ChatGPT、Claude、Gemini、Microsoft Copilot、Meta Llama 这些产品，把大语言模型从论文和实验室里推到了普通人的屏幕上。

技术词也跟着出圈。

这本来没问题。问题在于，词一旦进入商业语境，就会自动变软。边界会被磨掉，限制会被藏起来，演示会被包装成能力。

“能回答”会被讲成“能解决”。

“能调用工具”会被讲成“能自主完成业务”。

“降低幻觉”会被讲成“可靠可控”。

这就是 AI 黑话最危险的地方。它不是让人听不懂，而是让人以为自己听懂了。

对普通用户来说，误解一个词，最多是多试几个产品。对企业来说，误解一个词，可能就是采购合同、合规责任、数据暴露和业务中断。

尤其是企业 IT、法务和业务负责人。你不需要像研究员一样理解每个技术细节，但至少要分清：

术语更准确的含义最常见误读
训练用大量数据让模型学习模式以为训练完就能解决所有场景
推理模型运行并生成答案或判断以为每次回答都在继续学习
微调在已有模型上用专业数据继续训练以为微调一定能消除错误
蒸馏用大模型输出训练较小模型忽略授权、质量损失和服务条款风险
Agent能规划多步骤并调用工具的系统以为它可以稳定替代员工
幻觉模型生成错误信息以为只是表达不严谨

这张表不是考试用的。它是防忽悠用的。

谁最受影响：不是最会用 AI 的人，而是要替 AI 担责的人

我更在意的不是普通用户会不会背这些词，而是企业里谁会为这些词买单。

最受影响的两类人很具体。

一类是企业采购和业务负责人。他们听到“agent”时，真正该问的不是“它聪不聪明”，而是：

  • 成功率怎么统计？
  • 失败后能不能回滚？
  • 它能调用哪些系统？
  • 权限怎么给？
  • 谁审核关键动作？
  • 出错后供应商承担什么责任？

如果这些问题没有答案，所谓 agent 很可能只是一个带工具按钮的聊天框。

另一类是法务、合规和安全团队。他们听到“微调”“蒸馏”“RAG”“垂直模型”时，真正该盯的是数据来源、授权边界和输出责任。

蒸馏尤其容易被说得很轻巧：用大模型输出来训练小模型，听起来省钱、轻便、聪明。但现实里有服务条款、版权、质量损耗和可追溯性问题。小模型跑得快，不等于账算得干净。

“天下熙熙，皆为利来。”这句话放到 AI 行业一点不违和。新术语的扩散，当然有技术进步的成分，也有销售效率的成分。一个词越模糊，越容易塞进 PPT；越容易塞进 PPT，越容易进预算。

真问题：模型看着更强，产品反而更虚

AI 这几年有一个很反常的现象：底层模型确实在变强，但很多产品说明反而变得更虚。

原因不复杂。模型能力是连续提升的，商业承诺却喜欢跳级表达。

模型能写一段代码，于是产品说能当工程师。

模型能总结合同，于是产品说能做法务助理。

模型能调用日历和邮件，于是产品说能替你管理工作流。

中间那一大段工程化工作，被一句“agentic workflow”吞掉了。

可真正难的地方，偏偏就在中间：权限管理、异常处理、工具接口、上下文完整性、日志审计、人工复核、责任划分。

AI 从“回答问题”走向“执行任务”，这条路是对的。我不反对 agent，甚至认为它是下一阶段产品竞争的核心。但现在很多 agent 叙事跑得太快，快到把失败成本甩给用户。

一个聊天机器人答错了，用户会骂它蠢。

一个 agent 执行错了，可能改坏代码、发错邮件、误删数据、触发错误交易。

这不是同一级别的风险。

所以判断一个 AI 产品，不能只看它用了什么模型，也不能只看发布会上演示得多顺。要看它有没有把失败当成产品设计的一部分。

能成功一次，叫演示。

能失败得可控，才叫系统。

AGI 最容易被神化，也最该被降温

AGI 是这套 AI 语言里最有魔法味的词。

它有一个很适合传播的优点：足够大，足够模糊，足够让人自动脑补。

TechCrunch 指出的关键背景很重要：不同机构对 AGI 的定义并不一致。有人强调经济价值工作，有人强调认知任务。到目前为止，没有一个公认测试能让行业说，“到了，就是今天”。

这就决定了，AGI 更像一个方向性概念，而不是产品规格。

我不太买账那种把 AGI 当时间表卖的说法。因为它把最难验证的问题，包装成最容易下注的故事。

历史上每一轮技术扩张都会造出自己的大词。铁路时代讲连接大陆，电力时代讲点亮一切，互联网泡沫时代讲点击改写商业。里面当然有真东西，也有泡沫。AI 不完全一样，但人性很像：资本喜欢远景，销售喜欢简化，用户喜欢相信捷径。

AGI 这个词的问题不在于它不能讨论，而在于它太容易替代具体问题。

别问“什么时候 AGI”。先问这个系统今天能不能稳定完成某个任务。错了能不能发现。发现后能不能修。修完有没有记录。责任有没有人接。

这些问题不性感，但它们决定 AI 能不能进生产环境。

接下来该观察什么：词能不能长出标准

AI 行业不会停止造词。也没必要停止。

技术发展本来就会带来新语言。问题是，新语言最后要不要接受检验。

接下来我会盯几件更硬的事：

  • **Agent 的成功率怎么披露.** 是一次演示成功，还是多轮任务统计？失败算不算？
  • **幻觉率怎么按场景报告.** 通用问答、医疗、法律、金融不能混在一个指标里讲。
  • AGI 有没有公开、可复核的评测框架。 没有标准，就少拿它当商业承诺。
  • **蒸馏和训练数据是否合规.** 小模型如果靠灰色来源省钱，迟早会把成本还回去。
  • **企业部署有没有权限和审计设计.** 没有这两项，agent 越能干，风险越大。

术语表能帮人入门，但不能替产品背书。

这也是我对 AI 黑话一直比较警惕的原因。它们有时候是知识入口，有时候是遮羞布。区别不在词本身，在词后面有没有可验证的能力、边界和责任。

“名可名，非常名。”AI 行业越会命名，读者越要追问那几个土问题：能做什么，不能做什么，错了谁担责。

别把黑话当魔法。魔法不需要验收，系统需要。