Penulis|Golem(@web 3_golem)
Sekarang, orang di dunia crypto kalau tidak mengikuti AI, mudah diejek (iya, teman saya, pikirkan kenapa kamu mengklik artikel ini).
Apakah kamu sama sekali tidak mengerti konsep dasar AI, setiap singkatan dalam kalimat ditanyakan ke Douban apa artinya? Apakah kamu juga bingung dengan berbagai istilah khusus di acara offline AI, tapi harus pura-pura tidak ketinggalan?
Walaupun tidak realistis untuk langsung masuk ke industri AI dalam waktu singkat, tapi mengetahui kosakata dasar berfrekuensi tinggi di industri AI tidak ada ruginya. Beruntung, artikel berikut ini dibuat untuk kamu↓ Disarankan dengan tulus untuk dibaca dengan seksama dan disimpan.
Kosakata Dasar (12)
LLM(Model Bahasa Besar)
Inti LLM adalah model pembelajaran mendalam yang dilatih dengan data besar, ahli dalam memahami dan menghasilkan bahasa, bisa memproses teks, dan sekarang semakin bisa memproses jenis konten lain.
Berbanding terbalik dengan SLM (Model Bahasa Kecil) — biasanya menekankan model bahasa yang lebih murah, lebih ringan untuk di-deploy, dan lebih mudah untuk dilokalkan.
AI Agent (Agen Cerdas AI)
AI Agent bukan hanya "model yang bisa mengobrol", tapi sistem yang bisa memahami tujuan, memanggil alat, menjalankan tugas langkah demi langkah, dan jika perlu bisa melakukan perencanaan dan verifikasi. Google mendefinisikan agent sebagai perangkat lunak yang bisa melakukan penalaran berdasarkan input multimodal dan menjalankan aksi atas nama pengguna.
Multimodal (Multimodal)
Model AI-nya tidak hanya membaca teks, tapi bisa sekaligus memproses berbagai bentuk input dan output seperti teks, gambar, audio, video, dll. Google secara jelas mendefinisikan multimodal sebagai kemampuan untuk memproses dan menghasilkan berbagai jenis konten.
Prompt (Kata Prompt)
Instruksi yang dimasukkan pengguna ke model, adalah cara interaksi manusia-mesin paling dasar.
Generative AI (AI Generatif / AIGC)
Menekankan AI "menghasilkan" bukan hanya mengklasifikasikan atau memprediksi, model generatif bisa menghasilkan teks, kode, gambar, stiker, video, dll berdasarkan prompt.
Token (Token)
Ini adalah salah satu konsep di dunia AI yang paling mirip "unit Gas". Model tidak memahami konten berdasarkan "jumlah kata", tapi memproses input output berdasarkan token, biaya, panjang konteks, kecepatan respons, biasanya sangat terkait dengan token.
Context Window (Jendela Konteks / Panjang Konteks)
Mengacu pada total token yang bisa "dilihat" dan dimanfaatkan model dalam satu kali, juga bisa disebut jumlah token yang bisa dipertimbangkan atau "diingat" model dalam pemrosesan tunggal.
Memory (Memori)
Membuat model atau Agent menyimpan preferensi pengguna, konteks tugas, status historis.
Training (Pelatihan)
Proses model mempelajari parameter dari data.
Inference (Inferensi / Eksekusi Penalaran)
Berbanding terbalik dengan pelatihan, mengacu pada proses model menerima input dan menghasilkan output setelah diluncurkan. Di industri sering dikatakan "pelatihan mahal, inferensi lebih mahal", karena banyak biaya di tahap komersialisasi nyata terjadi saat inference. Pembagian pelatihan/inferensi terkait juga adalah kerangka dasar dalam diskusi biaya deployment vendor utama.
Tool Use / Tool Calling (Pemanggilan Alat)
Artinya model tidak hanya mengeluarkan teks, tapi bisa memanggil alat seperti pencarian, eksekusi kode, database, API eksternal, dll, ini sudah dianggap sebagai kemampuan kunci Agent.
API (Antarmuka)
Infrastruktur saat produk, aplikasi, Agent AI terhubung ke layanan pihak ketiga.
Kosakata Lanjutan (18)
transformer (Arsitektur Transformer)
Sebuah arsitektur model yang membuat AI lebih ahli dalam memahami hubungan kontekstual, juga merupakan landasan teknis sebagian besar model bahasa besar saat ini, fitur terbesarnya adalah bisa melihat hubungan setiap kata dengan kata lain dalam satu bagian konten secara bersamaan.
Attention (Mekanisme Perhatian)
Ini adalah mekanisme inti paling kunci dari Transformer, fungsinya adalah membuat model secara otomatis menilai "kata mana yang paling perlu diperhatikan" saat membaca sebuah kalimat.
Agentic / Agentic Workflow (Alur Kerja Berciri Agen / Agentik)
Ini adalah istilah yang sangat panas belakangan ini, artinya sebuah sistem tidak lagi hanya "tanya jawab", tapi dengan otonomi tertentu memecah tugas, memutuskan langkah selanjutnya, memanggil kemampuan eksternal. Banyak vendor menganggapnya sebagai tanda "dari Chatbot ke sistem yang dapat dieksekusi".
Subagents (Sub-Agen)
Sebuah Agent dipecah lagi menjadi beberapa Agent kecil yang khusus menangani sub-tugas.
Skills (Modul Kemampuan yang Dapat Digunakan Kembali)
Dengan ledakan OpenClaw, kata ini belakangan明显 menjadi lebih umum, ini adalah unit kemampuan/petunjuk operasi yang dapat diinstal, digunakan kembali, dan dikombinasikan untuk AI Agent, tapi juga特别 diingatkan ada risiko penyalahgunaan alat dan paparan data.
Hallucination (Halusinasi Mesin)
Artinya model dengan serius mengoceh omong kosong, "merasakan pola yang tidak ada" sehingga menghasilkan output yang salah atau absurd, ini adalah output model yang tampak masuk akal tapi sebenarnya salah karena terlalu percaya diri.
Latency (Laten)
Waktu yang dibutuhkan model dari menerima permintaan sampai menghasilkan hasil, termasuk salah satu istilah teknik paling umum, akan sering muncul begitu membahas implementasi dan produktifikasi.
Guardrails (Pembatas/Pengaman)
Digunakan untuk membatasi apa yang bisa dilakukan model/Agent, kapan berhenti, konten apa yang tidak boleh dioutputkan.
Vibe Coding (Pemrograman Suasana)
Kata ini juga adalah istilah AI paling火爆 saat ini, artinya pengguna langsung menyampaikan kebutuhan melalui percakapan, AI yang menulis kode, dan pengguna tidak perlu mengerti secara spesifik cara menulis kode.
Parameters (Parameter)
Skala angka internal model untuk menyimpan kemampuan dan pengetahuan, sering digunakan untuk mengukur ukuran model secara kasar, "ratusan miliar parameter", "triliunan parameter" adalah istilah唬人 paling umum di dunia AI.
Reasoning Model (Model Penalaran Kuat)
Biasanya mengacu pada model yang lebih ahli dalam penalaran multi-langkah, perencanaan, verifikasi, eksekusi tugas kompleks.
MCP (Protokol Konteks Model)
Ini adalah istilah baru yang sangat panas dalam setahun terakhir, fungsinya mirip membuat antarmuka universal antara model dan alat/sumber data eksternal.
Fine-tuning / Tuning (Penyesuaian Halus)
Adalah melanjutkan pelatihan pada model dasar, membuatnya lebih adaptif untuk tugas, gaya, atau domain tertentu. Glosarium istilah Google secara langsung menyatakan tuning dan fine-tuning sebagai konsep terkait.
Distillation (Distilasi)
Mengompresi kemampuan model besar ke model kecil sebanyak mungkin, seperti membuat "guru" mengajari "murid".
RAG (Generasi yang Ditingkatkan dengan Retrieval)
Ini hampir sudah menjadi konfigurasi dasar AI perusahaan. Microsoft mendefinisikannya sebagai mode "pencarian + LLM", menggunakan data eksternal untuk memberikan grounding pada jawaban, menyelesaikan masalah data pelatihan model yang kedaluwarsa, tidak memahami basis pengetahuan privat. Tujuannya adalah membangun jawaban berdasarkan dokumen nyata dan pengetahuan privat, bukan hanya mengandalkan ingatan model sendiri.
Grounding (Penjajaran Fakta)
Sering muncul bersama RAG, artinya membuat jawaban model dibangun di atas dasar eksternal seperti dokumen, database, halaman web, dll, bukan hanya mengandalkan ingatan parameter "berimprovisasi bebas". Microsoft dalam dokumen RAG secara jelas menyatakan grounding sebagai nilai inti.
Embedding (Embedding Vektor / Vektor Semantik)
Adalah mengkodekan konten seperti teks, gambar, audio, dll menjadi vektor angka dimensi tinggi, untuk melakukan perhitungan kesamaan semantik.
Benchmark (Pengujian Patokan)
Cara menguji kemampuan model dengan一套 standar seragam, juga adalah bahasa peringkat yang paling disukai berbagai vendor model untuk "membuktikan diri mereka kuat".
Rekomendasi Bacaan
11 Pertanyaan Kunci Lobster: Pembongkaran Prinsip OpenClaw yang Paling Mudah Dimengerti
