TechCrunch 5 月 29 日发布一份 AI glossary，并称会随行业变化持续更新。这不是一次性新闻爆料，而是一份 living document：它试图把 AGI、AI agent、LLM、RAG、RLHF、幻觉、推理、微调、蒸馏等常见词，用非技术读者能理解的语言重新讲清。

这件事真正重要的地方，不是 TechCrunch 又做了一个知识页面，而是 AI 行业正在把大量尚未稳定的概念包装成日常话术。普通用户、企业采购和非 AI 岗位的科技从业者，常常在会议里听懂了每个字，却没把握这些词到底指什么。术语表的价值，就在于把“听起来很先进”拆回“到底能做什么、不能保证什么”。

TechCrunch 做的是术语校准，不是技术判决

原文最有用的处理，是没有把 AGI 写成一个已经抵达的终点。它列出 OpenAI、OpenAI charter 和 Google DeepMind 对 AGI 的不同说法：有的强调“多数经济价值工作”，有的强调“多数认知任务”，Sam Altman 也曾用“可雇佣的中位数人类同事”作类比。结论很清楚：AGI 仍是一个边界模糊的词，不是行业公认的计量单位。

AI agent 也类似。它通常指能代表用户连续执行任务的系统，比如报销、订票、订餐，甚至写代码和维护代码。但当前行业里的 agent，更多是“朝自主多步骤任务演进的产品形态”，并不等于已经能稳定、完全自主地处理复杂工作。TechCrunch 特意提到，相关基础设施还在搭建，这一点比许多产品演示更接近现实。

可以把几个高频词先放在同一张表里看：

术语更准确的理解容易误用的地方
AGI对“通用智能”的目标性描述当成已经实现或已有统一标准
AI agent可调用工具、执行多步骤任务的 AI 系统当成不需要人工监督的全自动员工
LLM通过大量文本学习语言模式的大模型误以为它天然理解事实与因果
推理 inference模型被运行、生成输出的过程和“逻辑推理能力”混为一谈
微调 fine-tuning在已有模型上用特定数据继续训练误以为能彻底消除模型缺陷
蒸馏 distillation用大模型输出训练更小模型忽略数据来源、服务条款和能力损失

最容易混淆的是模型生命周期

对非专业读者来说，AI 术语最大的坑常常不在某个单词，而在生命周期混乱。训练、推理、微调、蒸馏听起来都像“让模型变聪明”，实际指向不同环节。

训练是模型学习数据模式的过程，成本高，依赖数据和算力。推理是把训练好的模型跑起来，回答问题或生成内容。微调是在已有模型基础上补一段领域数据，让它更适合客服、医疗问答、法务检索这类窄任务。蒸馏则像“老师带学生”：用大模型的输出去训练小模型，换取更低成本和更快速度，但通常要接受能力折损和合规边界。

这个区分会直接影响企业决策。采购一个 AI 产品时，如果供应商说“我们训练了行业模型”，和“我们基于通用大模型做了微调”，投入、壁垒和风险完全不同。前者可能意味着更重的数据、算力和长期维护；后者落地更快，但对底座模型和外部接口依赖更强。单看演示效果，很难判断长期可控性。

历史上，科技行业不止一次用术语制造理解落差。云计算早期，“私有云”“混合云”“托管机房”也被混着讲，直到采购、合规和运维成本把概念重新压实。今天 AI 术语经历的是类似过程，只是速度更快，参与者更多。

幻觉、链式思维和 RAG 不是魔法开关

TechCrunch 对“幻觉”的解释足够直白：模型编造了错误信息。这不是小毛病。医疗建议、法律判断、财务分析里，一次看似流畅的错误回答，可能比一个明确的“不知道”更危险。

链式思维常被描述为让模型分步骤思考。它确实可能提升数学、逻辑、代码任务的正确率，但代价是响应更慢，也不保证每一步都可靠。RAG，即检索增强生成，则让模型在回答前参考外部资料，常用于降低知识过期和胡编风险。但它依赖检索源质量、切片方式和引用约束；如果召回的是错资料，模型依然会把错误包装得很像答案。

最该受影响的，是两类人。关注 AI 的普通用户需要学会判断：一个回答写得顺，并不等于事实稳。科技从业者和企业采购则要把术语翻译成验收条件：是否能追溯资料来源、是否有人审、错误率如何记录、出了事故谁负责。

接下来真正该观察的，不是哪家公司把这些词讲得更漂亮，而是行业会不会把术语落到可测试的承诺上。AGI 和 agent 这种词短期内仍会漂移；训练、推理、微调、蒸馏、RAG 这类工程概念，则应当被写进产品说明、合同边界和内部评估表。术语一旦进入预算，就不能只停在宣传页。