AI 入门必会 60 词·7 级扫盲速查表——一次记住，不用学第二趟

这是抖音 @Miss发行人一条 37 分钟长口播《AI 新手入门常见术语快速扫盲》的深度拆解。原料走双轨还原：SenseVoice 逐字稿（口播）+ 抽帧读屏（每页术语卡的英文与层级结构）。机器转写把英文糊成了「Y coding / cloud / dept / min max」，下面已按画面截图逐一校订为 Vibe Coding / Claude / DeepSeek / MiniMax，以画面与通用写法为准。

这不是简单搬运，而是把她讲的 60 个词重新排好队、补上她略过的精度，再在每个词后面加一刀「橙子注」——告诉你这个词到底卡在哪、什么时候真用得上。直接收藏当速查表即可。

一、先定性：这是一份「学 AI 第一年的术语地图」

新手学 AI 的第一个卡点，从来不是模型不够聪明，而是术语太多、英文太多，脑子先卡住。看视频遇到生词、Vibe Coding 时蹦出一串缩写，注意力就断了。

这条视频干的就是一件事：把你学 AI 第一年会撞见的所有高频词，一口气用大白话讲完，让你以后看文章、看视频不再头大。 它的高明之处不在哪个词讲得多深，而在它把 60 个散词编了一张从「零基础」到「专家」的阶梯地图——这恰恰是新手最缺的东西：不是缺定义，是缺顺序感，不知道哪些该现在懂、哪些可以later。

一句话定性：这是一份结构化的 AI 术语扫盲地图。它的真正价值是「分级」——把焦虑感（这么多词怎么记）翻译成台阶感（原来只要一级一级上）。

二、它的科普框架本身就值得抄：7 级难度阶梯

她把 60 个词分成 7 个 level，从「打开 AI 工具第一眼看到的按钮」一路爬到「AI 跑在什么硬件上」。这个分级不是随便排的，背后是一条清晰的认知动线：

Level	难度	主题	解决的问题
Lv1	零基础	产品界面	打开工具，认识屏幕上的按钮
Lv2	入门	使用基础	知道它的特性，学会跟它协作
Lv3	入门+	模型理解	懂它怎么工作，才用得更好
Lv4	中级	AI 概念·自动化	入门 Agent / Vibe Coding，开始让 AI 干活
Lv5	进阶	开发·AI 工程	自己动手做东西，碰开发工具
Lv6	开发者	系统·部署	和电脑底层打交道，把东西跑起来
Lv7	专家	模型原理·硬件	理解 AI 的能力边界从何而来

橙子注：这张表本身就是给「AI 科普类内容」的可复刻模板——先承认新手的恐惧（词太多），再用分级把恐惧拆成可下咽的小块。任何想做 AI 教学的人，都可以套这个「焦虑→分级→大白话」的三段结构。

下面进入正餐：60 词速查表，按 7 个 level 排。每个词 = 英文 / 一句话人话 / 橙子注（什么时候真用得上）。

三、60 词速查表（收藏版）

Lv1 · 零基础 —— 产品界面（打开就能看到的 5 个词）

AI（Artificial Intelligence，人工智能）：让机器去做「本来只有人能做的事」。注意它现在是「有一定智能、但还没到人的水平」——自动驾驶还开不过老司机，机器人还照顾不了猫狗。
Chatbox（聊天框）：你现在用的大多数 AI，都是「跟你对话」这一种形态。但这只是 AI 的一种外壳，不是全部。
输入 / 输出（Input / Output）：你给指令 = 输入，它给结果 = 输出。一句行话叫 Garbage in, garbage out——你问得烂，它答得就烂。
联网搜索（Web Search）：AI 默认只知道「训练截止日期之前」的事。按一下联网，它才去抓最新信息。
对话历史（Chat History）：新开一个对话，它就「不记得」上一个对话聊过什么了。

橙子注：Lv1 真正要建立的只有一个直觉——AI 是「一问一答 + 单个对话」的。理解了这两点，后面「上下文」「记忆」「窗口」全是它的延伸。「Garbage in, garbage out」是整条视频最该先记的一句，它直接决定你用 AI 的天花板。

Lv2 · 入门 —— 使用基础（学会协作的 11 个词）

Prompt（提示词）：你交给 AI 的任务说明。说得越清楚，它做得越准——跟「会不会给下属交代活」是同一种能力。
模型（Model）：AI 背后真正干活的「大脑」。Claude、GPT 是不同的模型，能力、性格、聪明程度都不一样。
模型版本（Model Version）：同一家也分新旧，像 iPhone 16/17/18。数字越大通常越新越强，更新太快才只能这么编号。
模型类型（Model Type）：像医生分科——有的专攻文字、有的看图、有的生成视频。复杂任务要串多个类型。
AIGC（AI Generated Content）：AI 生成的内容（音乐 / 图 / 视频 / 文章 / 代码）。这词现在提得少了，知道即可。
AI 应用（AI Application）：把模型能力包装成给人用的产品——小软件、小程序、插件、Skill。你每天打开的豆包、DeepSeek 都是 AI 应用。
上下文（Context）：这一轮对话里，你和 AI 聊过的所有内容。这个词极其重要：上下文没管好，AI 会越聊越傻。
记忆（Memory）：跨对话记住你是谁。默认是没有的，部分产品（如 GPT）专门做了——不确定就直接问它「你有没有跨对话记忆」。
知识库（Knowledge Base）：你上传的参考资料，让它在你给的范围内回答、不乱编。企业、重复性工作（周报、固定文案框架）特别好用。
插件（Plugin）：给 AI 装额外工具——装搜索它能联网，装代码它能跑代码。
多模态（Multimodal）：能同时理解文字、图片、声音的「全科医生」，更像真人，但单项专科未必最强。

橙子注：这一级藏着新手最大的认知红利——上下文管理。她给的招特别实在：有阶段性成果就「拷出来，开个干净的新窗口」。她写一篇长文要换三次上下文窗口，就为了不让 AI 变糊涂。这条比任何提示词技巧都值钱。另外「把活推回给 AI」（让它自己搜工具、自己解决）是把 AI 越用越强的关键心态。

Lv3 · 入门+ —— 模型理解（懂原理的 11 个词）

LLM（Large Language Model，大语言模型）：读过海量文字、专门理解和生成语言的大模型。它读过的字可能比你一辈子读的都多。
大模型 / 小模型：「大」指参数多、能力强。参数越多通常越聪明，也越贵。
开源 / 闭源（Open / Closed Source）：开源 = 谁都能下载改造（如 Llama、DeepSeek）；闭源 = 只给你用、不告诉你内部。代码、产品、Skill 也都可以开源。
幻觉（Hallucination）：AI 一本正经地胡说八道，还不知道自己错了。根因见下一条。
预测下一个词（Next-token Prediction）：AI 的底层机制——「今天我非常高____」它算出来大概率是「兴」。本质是数学计算，算着算着可能算错，就成了幻觉。
System Prompt（系统提示词）：藏在背后、由产品开发者写的「角色说明书」，决定 AI 是谄媚还是严肃、道德约束高还是低。你给的是 Prompt，开发者给的是 System Prompt，它优先级更高。
Temperature（温度）：控制 AI「发散还是听话」。头脑风暴用高温度（发散），要它严格照你的要求落笔就用低温度（收敛）。
Token：AI 世界的「出租车里程表」，约一个字符一个 Token，是计费 / 计量的最小单位。文字、图片、视频都能折算成 Token——相当于「秦始皇统一度量衡」。
上下文窗口（Context Window）：AI 单次对话能看到的最大范围。超了它就开始「乱码、忘事」，而且往往不提醒你。淤住了就 clear 或换新窗口。
Markdown：一种纯格式的轻量文档格式（标题、加粗，无颜色）。AI 默认用 Markdown 回复；让它存东西，存 .md 它读起来最方便。
提示词工程（Prompt Engineering）：研究「怎么问 AI 才能拿到更好答案」的学问。模型越强，它的重要性会下降，但基本功仍要有。

橙子注：这一级的精华是把「幻觉 = 预测下一个词的副作用」这条因果讲透了——知道它在做数学预测，你就不会再迷信它，会本能地交叉核实。她给的两条铁律值得抄：① 重要信息自己核实；② 让多个 AI 交叉比对。还有一个常被误解的点：System Prompt 的优先级高于你的 Prompt，这是你有时「指挥不动」AI 的根本原因。

Lv4 · 中级 —— AI 概念·自动化（真正的生产力，12 个词）

AGI（Artificial General Intelligence，通用人工智能）：让 AI 在「所有人类能做的事」上都达到人类水平。是全球科学家当下的努力方向。
涌现（Emergence）：模型大到某个临界点，突然学会没人教过的能力——像小孩某天突然就会了。AI 的能力是跳跃式、非线性增长的。
深度思考（Deep Thinking / Reasoning 模式）：很多 AI 上的一个按钮，让模型多花时间、把推理过程显示出来，答得更深。像让人「花一周深度调研」vs「随便看看」。
推理（Reasoning）：AI 做逻辑分析、数学推导的能力。推理强的模型，碰复杂问题不容易翻车。（注：英文里 Reasoning 和 Inference 都译「推理」，这里指前者。）
To B / To C：AI 产品卖给谁。To C = 卖给个人消费者（量大、客单价低、常靠免费+广告/升级）；To B = 卖给企业（客单价高、付费稳）。真正养活 AI 的主要是企业。
AI Native：骨子里就是 AI 时代的新东西，不是给旧软件「打个 AI 补丁」。她的比喻很妙：AI Native 就像 00 后 10 后，整个思路框架都是新的。
Agent（智能体 / 代理）：长了「手脚」的 AI——不只会说话，还能调用工具、搜索、控制电脑、自主拆解任务把事做完。对比 Chatbox「只有嘴巴」。
工作流（Workflow）：把多个步骤串成流水线，A 做完交给 B、B 交给 C（A/B/C 都是 AI）。每一步都要有验收标准，否则跑不起来。从手动到自动的起点。
Vibe Coding（氛围编程）：傻瓜式编程——不用懂代码，靠跟 AI 聊天就做出产品、插件、页面。你需要的不是会编程，而是会表达（「我要马卡龙色透透的背景、要高级感」）。
API（Application Programming Interface，应用程序接口）：虚拟世界里两个系统对接的「接口」。你买了某家大模型，就是通过 API 把它的能力取出来、接进你的 Claude Code / Codex。
API Key：接口的「暗号 / 银行卡密码」，绝不能外泄。社群里有人截图泄了 Key，要立刻撤回作废。
Error / 报错：用 Agent 时它干着干着会报错，别怕——读懂错在哪就知道怎么修。不会代码？拿豆包/GPT 拍照，让 AI 教你修 AI。

橙子注：这一级才是「AI 圈真正在聊的东西」，和生产力直接挂钩。三个我想加重的判断：① Agent vs Chatbox 是理解今天所有 AI 产品的分水岭——有没有手脚，能力天差地别；② 工作流的关键不是串步骤，是给每步定验收标准，这是从「能跑」到「跑得对」的分界；③ 「永远让 AI 来修 AI、让 AI 教你用 AI」——这是新手最快的成长杠杆，遇到报错别自己硬啃，截图丢回给 AI。

Lv5 · 进阶 —— 开发·AI 工程（自己动手的 9~10 个词）

GitHub：程序员存放和协作代码的平台，可以理解成「程序员的豆瓣 / 小红书」。想做什么先上去搜，多半有人做过了；Star 数 = 收藏数 = 好坏的参考。
HTML：网页格式。就像文档是 Word 格式，网页就是 HTML 格式。（很多看起来像 PPT 的页面，其实是 HTML 网页。）
前端（Frontend）：用户能看到的部分——页面、按钮、动效、颜色、数字。AI 最擅长写前端。
后端（Backend）：看不见的逻辑和数据存储——登录认证、你的订单/粉丝/推送怎么对应。只要涉及存储和逻辑，就有后端。
Debug / 调试（测试 Test）：开发时排查并修复 bug 的正常步骤。让 AI「每次检查并测试一下、debug 一下」，能大减返工。
MCP（Model Context Protocol）/ Skill：别人设计好的「工具协议 / 能力包」的统称。需要某个能力时，让 AI「搜搜市面上有什么 MCP 和 Skill 能干这活」。
微调（Fine-tuning）：在别人开源的大模型基础上，用你的专业数据再训练出一个小模型。
训练（Training）：让模型从海量数据里学习规律（看一万张猫的图，自己总结出「什么是猫」）。极其烧钱——训一个顶级模型的钱可能顶一所大学一年的研发经费。

橙子注：这一级的心法是「先搜，再造」——想做的东西大概率有人做过并开源了，先让 AI 上 GitHub 搜一圈，比从零撸高效得多。另外「MCP / Skill」她讲得偏浅，补一句：MCP 是让 AI 安全调用外部工具的标准协议，Skill 是封装好的能力包——它们正是 Agent 能「长出手脚」的零件来源，和 Lv4 的 Agent 是一条线。

Lv6 · 开发者 —— 系统·部署（碰底层的 7 个词）

Terminal / 终端：电脑里的原生「小黑板」，你在这个窗口里用文字跟电脑对话。别把它想成多高深的编程工具。
命令（Command）：你在终端里给电脑输入的指令。
路径（Path）：文件在电脑里的「门牌地址」，一长串带斜杠/下划线的字符串。让 AI 操作某个文件时，直接把文件拖进终端就会显示它的路径。
环境变量 / .env（Environment Variable）：藏敏感信息（比如 API Key）的隐藏文件 .env。配置 Claude Code 时会用到——知道「Key 放这里能被隐藏」就够了。
服务器（Server）：一台远程电脑，存着用户信息、随时接收你的请求（淘宝下单背后就是它）。服务海量用户要巨型机房。
部署（Deployment）：把你做的软件放到服务器上，让很多人能同时在线访问的过程。
端口（Port）：（她原话：不重要，先忽略。）补一句：端口是服务器上区分不同服务的「门牌号」，本地跑项目时会撞见 localhost:3000 这类，知道即可。

橙子注：这一级听着吓人，其实她说得对——「我也是文科生出身，都是基础知识」。新手只要建立一个意识：终端 = 跟电脑直接对话的地方，路径 = 文件地址，.env = 藏密码的地方，剩下的交给 AI 现场教你。真正要记死的只有一条红线：API Key 一定放 .env，别硬写进代码、别截图外发。

Lv7 · 专家 —— 模型原理·硬件（理解能力边界的 11 个词）

神经网络（Neural Network）：模仿人脑神经元设计的算法。今天的 LLM 本质就是一个巨大的神经网络。
参数（Parameters）：神经网络里训练调整的数值，相当于大脑神经元上的「连接点」。参数越多、模型越大、通常越聪明，也越贵。
AI 三要素：算法 / 数据 / 算力：缺一不可。算法是设计、数据是原料、算力是工厂。 数据 ≠ 只有数字，文字/图片/视频/物理世界的一切都是数据。
预训练 / 后训练（Pre-training / Post-training）：预训练 = 先上「九年义务教育」，学海量语言规律（最烧钱、最耗时）；后训练 = 上岗前学性格、学怎么好好服务和执行。
蒸馏（Distillation）：不从零训练，而是让别人的大模型来「教」、输出训练你的小模型，让小模型从大模型身上学本事。
GPU / CPU：芯片分两种，GPU 能并行计算、原本为游戏设计，没想到极适合做 AI——英伟达股价因此狂奔。芯片不足就「算不动」。
算力（Compute Power）：芯片的数量×质量 = AI 训练和推理的计算能力。「算力为王」：谁有更多 GPU，谁就能训出更强的模型。
数据中心（Data Center）：放满几千上万张 GPU 的巨型机房（算力集群），几万张 GPU 并联同时算。AI 公司烧的钱「够建航母」。
能源 / 电力（Energy / Power）：芯片极其耗电，一个算力中心可能要几个城市的用电量。电力基建因此成了国家级的牌。

橙子注：这一级的意义不是让你会造模型，而是理解 AI 的能力为什么有边界。一条暗线很值得记：算力 → 芯片（GPU）→ 数据中心 → 电力，AI 的尽头其实是能源。理解了这条物理链，你就明白为什么好模型要限额、为什么「用最聪明的模型」是省你脑力的最优解——因为它每算一次都真金白银地贵。

四、橙子私货：60 个词里，真正卡住新手的其实是这 6 个

扫盲贪多没用，按「用得上的频率 × 不懂的代价」排，新手最该先吃透的是这几个：

上下文 / 上下文窗口——90% 的「AI 怎么越来越笨」都是它没管好。学会「拷出来、开新窗口」立刻见效。
Prompt + 提示词工程——你和 AI 协作的天花板，本质是「会不会把要求说清楚」这个人类老技能。
幻觉 + 预测下一个词——理解它在「算」而不是「懂」，你才会本能核实，不被一本正经的胡说带偏。
Agent vs Chatbox——分清「有没有手脚」，你才知道该用对话框还是该上 Agent 干活。
API Key——唯一一个「不懂会出事」的词：泄露 = 被人盗刷算力。放 .env、别外发。
算力三要素（算法/数据/算力）——理解 AI 的成本与边界，从此不纠结「为什么它有时这么贵这么慢」。

其余 50 多个词，遇到了再回来查表即可，不用一次背完。这正是这条视频最体贴的设计：它给的是一张可随时翻的地图，不是一场要全记住的考试。

五、这条科普视频值得抄的 3 个手法

先共情恐惧，再给阶梯：开篇直接点破「术语多、英文多、脑子卡住」，把痛点说到观众心里，再用 7 级分级把焦虑拆成台阶。做任何教学内容都能套。
全程用类比，不用定义：模型版本 = iPhone 16/17；Token = 出租车里程表 / 秦始皇统一度量衡；AI Native = 00 后 10 后；上下文淤住 = 金鱼记忆。抽象词配生活类比，是科普能不能「让人记住」的胜负手。
边讲边夹「可立刻行动」的私货：讲上下文顺手教「拷出来开新窗口」、讲报错顺手教「拍照丢给 AI 修」、讲 Key 顺手警告「别截图外发」。知识里夹钩子，观众有获得感、愿意看到底。

六、三条她反复强调的提醒（也是给所有新手的）

重要信息一定自己核实，并让多个 AI 交叉比对——对抗幻觉的唯一笨办法，也是最有效的。
API Key 像银行卡密码，放 .env、绝不截图外发。
尽量用当下最聪明、最新的模型——它大幅省你和 AI 协作的脑力，也大幅降低对你自身能力的要求。

最后一句她说得最好，也最该裱起来：「在学习 AI 的路上，最好的老师就是 AI 本身。」 遇到不懂的词、看不懂的报错、想做又不会的东西——先别百度，先问 AI。这 60 个词的真正用法，是让你问得出更好的问题。