简介这份人工智能重点词汇表面向AI初学者、备考学生及需要梳理基础概念的开发者系统整理了人工智能领域的核心术语与理论框架帮助读者快速建立对智能行为规律、逻辑推理与知识表示的整体认知。资源包内含1个doc文档大小约29KB以词条释义形式组织内容便于检索与背诵。文档覆盖图灵试验、归结原理、命题与范式、Skolem标准形、一阶逻辑、置换与归类、支撑集、完全语义树与封闭语义树、不确定性推理、贝叶斯定理与贝叶斯网、知识库与推理机、产生式系统、语义网络、框架与对象、正向与反向推理等关键概念并延伸至学习、符号处理技术等信息水平相关术语。目前已有131人学习下载适合作为课程复习、面试准备或科研入门时的速查手册帮助读者在较短时间内把握人工智能基础理论脉络与术语体系。1. 人工智能重点词汇表92 个术语怎么串成能用的知识骨架很多人第一次翻人工智能教材卡住的地方不是公式而是术语密度。一页里冒出归结原理、前束范式、Skolem 标准形、支撑集、语义树每个词都认识连起来就不知道在说什么。这份《人工智能重点词汇表.doc》收录了 92 个核心术语从图灵试验、一阶逻辑、贝叶斯网一路覆盖到神经网络、自然语言理解、智能体。它不是教程也不是某本教材的替代品而是一张术语地图——把散落在逻辑推理、知识表示、机器学习、NLP 四个方向上的关键概念用最短的定义钉在各自的位置上。适合谁用如果你正在准备人工智能导论课的期末复习或者带人工智能大作业时需要快速确认某个术语的准确含义又或者刚转方向想用一两周把基础词汇过一遍这份词汇表能省掉大量翻教材目录的时间。它的价值不在于深而在于全和准——每个词条都给出了教材级的定义没有注水也没有夹带私货。下面我从怎么用它、怎么理解它的结构、以及哪些地方容易翻车三个层面拆开讲。2. 词汇表的结构拆解从逻辑推理到智能体的四条主线2.1 逻辑与定理证明线第 1 到第 24 条前 24 个词条构成了一条完整的逻辑推理链路。起点是人工智能和图灵试验这两个总纲性概念然后迅速切入归结原理——这是机器定理证明的核心方法。围绕归结原理词汇表依次给出了命题、范式、前束范式、Skolem 标准形、文字、子句、子句集这一串前置概念。这个顺序不是随意的要理解归结原理怎么工作你得先知道公式怎么化成前束范式怎么消去存在量词得到 Skolem 标准形怎么把公式拆成子句集。词汇表用 24 个词条把这条链路铺完了。再往后是一阶逻辑、个体词、谓词、量词、置换、归类、支撑集这些是归结原理的操作层概念。最后用公式永真、永假、可满足、不可满足、完全语义树、失败结点、封闭语义树收尾把逻辑推理的判定过程讲清楚了。如果你正在做人工智能导论的逻辑推理章节复习建议按这个顺序过一遍不要跳。2.2 不确定性推理与知识表示线第 25 到第 42 条第 25 条不确定性推理是一个转折点从这里开始词汇表从确定性逻辑转向概率和知识表示。Bayes 定理、全概率公式、贝叶斯网这三条是概率推理的基础。贝叶斯网的定义写得比较细强调了有向无环图和条件独立性这是理解后续概率图模型的关键。知识表示部分从第 29 条知识开始先给了 Feigenbaum、Bernstein、Hayes-roth 三个不同角度的定义然后引出表示观、计算效率、逻辑表示法、知识库、推理机、产生式系统。推理机那条明确列出了正向推理、反向推理、双向推理三种方式以及 Bottom-up 和 Top-down 的对应关系。再往后是与或图、语义网络、框架、对象把结构化知识表示的主要方法都覆盖了。这一段的编排逻辑是先讲知识是什么再讲怎么表示最后讲怎么用。2.3 机器学习与神经网络线第 43 到第 67 条第 43 条学习开始进入机器学习板块。西蒙对学习的定义——系统在不断重复的工作中对本身能力的增强或改进——是这一段的基调。接着是符号处理技术、信息水平、信息的质量、记忆学习、传授学习、演绎学习、类比学习、实例学习、发现学习、变型空间法、单个概念的学习。这一串词条把传统机器学习的几种范式都点到了其中实例学习和变型空间法讲得相对具体。第 55 条神经元开始进入神经网络。神经网络、人工神经元网络、神经网络技术、前馈型网络、反馈型全互联网络、网络规模、感知器、神经网络学习、BP 学习算法、反馈网络、Hopfield 神经网络、模式识别这 13 个词条构成了一条从生物神经元到具体网络模型的线。BP 学习算法的定义写得比较完整提到了梯度下降、迭代运算、隐层节点这些是理解 BP 网络的关键。Hopfield 神经网络那条强调了全互联和反馈以及无外部输入时进入稳定状态的性质。2.4 自然语言理解与智能体线第 68 到第 92 条第 68 条自然语言开始进入 NLP 板块。自然语言理解、句法分析、语法分析、语义分析、语用分析这五条把 NLP 的分析层次讲清楚了。短语结构语法那条给出了四元组定义 G (T, N, S, P)以及产生式规则的形式 a→b这是形式语言的基础。乔姆斯基体系那条把四种类型的语法列出来了正则语法、上下文无关语法、上下文有关语法、无约束短语结构语法并指出型号越高约束越多、生成能力越弱。再往后是语言串理论、有限状态网络、递归转移网络、扩充转移网络这三条网络概念是句法分析器的实现基础。语料库、词性标注、马尔可夫过程、动态规划、n-gram 模型这五条是统计 NLP 的基础。n-gram 模型那条明确说了 bigram 和 trigram 是常用的以及第 n 个词只与前面 n-1 个词相关的假设。最后 7 条是智能体相关智能体、正确动作、全能智能体、感知列、理想智能体、理想映射、智能体自治性。这一段比较短但把智能体的基本框架讲清楚了——传感器感知、效应器动作、感知列记录、理想映射定义反应序列。3. 怎么用这份词汇表三种场景下的具体操作3.1 期末复习场景按章节切块配合教材目录如果你正在准备人工智能导论课的期末这份词汇表最有效的用法是配合教材目录切块。具体操作第一步打开你的教材目录找到对应章节。比如蔡自兴那本《人工智能及其应用》的逻辑推理章节对应词汇表的第 1 到 24 条。第二步把词汇表里对应区间的词条复制到一个单独文档里逐条过。过的时候不要只看定义要问自己三个问题这个概念解决什么问题它的前置概念是什么它和相邻概念的区别在哪第三步对于定义里出现公式的词条比如 Bayes 定理、全概率公式、短语结构语法把公式手写一遍。词汇表里 Bayes 定理那条写了“设事件 A1A2A3…An 中任意两个事件都不相容”这是全概率公式的条件手写一遍能帮你记住。第四步对于有分类的词条比如乔姆斯基体系、推理方式、学习类型画一个简单的分类表。下面是一个示例分类维度具体类型对应词条推理方式正向推理、反向推理、双向推理第 37、38、39 条学习类型记忆学习、传授学习、演绎学习、类比学习、实例学习、发现学习第 47 到 52 条语法类型正则语法、上下文无关语法、上下文有关语法、无约束短语结构语法第 76 条这样过一遍比单纯背定义效率高得多。3.2 大作业选题场景用术语交叉找方向如果你正在做人工智能大作业需要找一个能落地的题目这份词汇表可以当选题雷达用。具体做法是把四个板块的关键词列出来然后两两交叉看哪些组合有现成的数据集和开源实现。比如“贝叶斯网 模式识别”可以做一个基于贝叶斯分类器的图像识别小系统。“n-gram 模型 词性标注”可以做一个中文分词和词性标注的对比实验。“BP 学习算法 模式识别”是最经典的手写数字识别。“语义网络 知识库”可以做一个简单的知识图谱查询系统。词汇表里每个词条的定义都给出了足够的关键词你拿着这些关键词去搜开源项目比漫无目的地找要快得多。注意词汇表本身不提供代码但它的术语定义足够精确能帮你快速判断一个开源项目是不是你要的方向。3.3 面试准备场景用定义做自测如果你在准备人工智能相关的面试这份词汇表可以当自测题库用。具体操作遮住定义只看词条名尝试用自己的话解释一遍。解释不出来的标记出来重点看。几个高频面试词条BP 学习算法、贝叶斯网、n-gram 模型、归结原理、语义网络、框架、智能体。这几个词条的定义要能脱口而出并且能举一个简单的例子。比如被问到 BP 学习算法你不能只背“依据梯度下降理论”还要能说清楚它怎么把分类问题转成非线性优化问题为什么要加隐层节点。词汇表里 BP 学习算法那条写了“将一组样本的分类问题转变为一个系统非线性优化问题采用优化中最普遍的梯度下降法用迭代运算求解神经元之间的联结权值”这句话拆开就是三个得分点问题转换、优化方法、迭代求解。面试时按这个结构说比背定义强。4. 避坑与常见问题术语表用不对反而添乱4.1 把词汇表当教材读越读越糊涂现象有人拿到这份词汇表从第一条开始逐条背背到第 20 条左右就坚持不下去了觉得每个词都懂但串不起来。原因词汇表是按主题分块的但块与块之间的过渡没有显式标注。第 1 到 24 条是逻辑推理第 25 到 42 条是概率和知识表示第 43 到 67 条是机器学习和神经网络第 68 到 92 条是 NLP 和智能体。如果不按块读而是线性地从头读到尾会在板块切换的地方卡住。解决先看目录结构把四个板块的边界找出来。每个板块单独过过完一个板块再进下一个。板块内部按词条顺序读板块之间可以跳。4.2 混淆“文字”和“子句”的定义现象第 8 条文字的定义是“不含任何连接词的谓词公式”第 9 条子句的定义是“一些文字的析取谓词的和”。有人把这两个搞混以为文字就是子句。原因这两个词条的定义都很短而且相邻容易看串。文字是原子公式子句是文字的析取。一个子句可以包含多个文字但一个文字本身不是子句。解决记一个简单例子。P(x) 是一个文字P(x) ∨ Q(x) 是一个子句。子句是文字的集合文字是子句的元素。这个区分在理解归结原理的时候很重要因为归结是在子句层面做的。4.3 把“前束范式”和“Skolem 标准形”搞反现象第 6 条前束范式的定义是“一切量词都位于该公式的最左边”第 7 条 Skolem 标准形的定义是“前束范式中消去所有的存在量词”。有人以为 Skolem 标准形是前束范式的一种但搞不清谁先谁后。原因这两个概念有严格的先后关系。先有前束范式再有 Skolem 标准形。Skolem 标准形是在前束范式的基础上消去存在量词得到的。解决记一个流程原始公式 → 前束范式 → Skolem 标准形 → 子句集。每一步做什么词汇表里都有对应的词条。把这个流程写在一张纸上贴在显示器旁边过一遍就记住了。4.4 忽略“不确定性推理”和“贝叶斯网”的关联现象有人把第 25 条不确定性推理和第 28 条贝叶斯网当成两个独立的概念分别背定义结果做题的时候不知道怎么把两者联系起来。原因词汇表里这两条之间隔了 Bayes 定理和全概率公式看起来像是独立的词条。但实际上贝叶斯网是不确定性推理的一种具体实现方式。不确定性推理是问题贝叶斯网是解决问题的一种工具。解决把第 25 到 28 条当成一个整体看。不确定性推理是总纲Bayes 定理和全概率公式是数学基础贝叶斯网是工程实现。这样串起来做题的时候就知道什么时候该用贝叶斯网。4.5 把“正向推理”和“反向推理”的方向搞混现象第 37 条正向推理是“从已知事实出发通过规则库求得结论”第 38 条反向推理是“从目标出发反向使用规则求得已知事实”。有人记反了以为正向推理是从目标出发。原因这两个词条的定义里都有“从……出发”但出发点是相反的。正向推理从事实出发反向推理从目标出发。另外正向推理也叫 Bottom-up反向推理也叫 Top-down这两个英文方向也容易搞混。解决记一个简单口诀正向从下往上反向从上往下。Bottom-up 是自底向上Top-down 是自顶向下。正向推理是数据驱动反向推理是目标驱动。把这两组对应关系写在一起就不容易混了。5. 从词汇表到知识图谱用 92 个术语搭一个可查询的本地索引这份词汇表最被低估的用法是把它转成一个可查询的本地索引。92 个词条每个词条都有明确的定义和分类这本身就是一个轻量级的知识图谱。我一般会做三件事。第一件事把词条按板块打标签。用 Python 写一个简单的脚本把词条名和板块对应起来# 将词汇表按板块分类方便后续检索 terms { 逻辑推理: [人工智能, 图灵试验, 归结原理, 命题, 范式, 前束范式, Skolem标准形, 文字, 子句, 子句集, 一阶逻辑, 个体词, 谓词, 量词, 置换, 归类, 支撑集, 公式G永真, 公式G永假, 可满足, 不可满足, 完全语义树, 失败结点, 封闭语义树], 概率与知识表示: [不确定性推理, Bayes定理, 全概率公式, 贝叶斯网, 知识, 表示观, 计算效率, 逻辑表示法, 知识库, 推理机, 产生式系统, 与或图, 正向推理, 反向推理, 双向推理, 语义网络, 框架, 对象], 机器学习与神经网络: [学习, 符号处理技术, 信息水平, 信息的质量, 记忆学习, 传授学习, 演绎学习, 类比学习, 实例学习, 发现学习, 变型空间法, 单个概念的学习, 神经元, 神经网络, 人工神经元网络, 神经网络技术, 前馈型网络, 反馈型全互联网络, 网络规模, 感知器, 神经网络学习, BP学习算法, 反馈网络, Hopfield神经网络, 模式识别], NLP与智能体: [自然语言, 自然语言理解, 句法分析, 语法分析, 语义分析, 语用分析, 短语结构语法, 句法分析器, 乔姆斯基体系, 语言串理论, 有限状态网络, 递归转移网络, 扩充转移网络, 语料库, 词性标注, 马尔可夫过程, 动态规划, n-gram模型, 智能体, 正确动作, 全能智能体, 感知列, 理想智能体, 理想映射, 智能体自治性] } # 按板块统计词条数量 for category, term_list in terms.items(): print(f{category}: {len(term_list)} 个词条)这段代码的逻辑很简单把 92 个词条按四个板块分组每个板块一个列表。跑一遍就能看到每个板块的词条数量。参数说明terms 字典的 key 是板块名value 是词条列表。你可以根据自己的理解调整分组比如把“模式识别”归到机器学习还是 NLP取决于你的使用场景。第二件事给每个词条加一个“前置词条”字段。比如“Skolem 标准形”的前置是“前束范式”“子句”的前置是“文字”。这样查一个词条的时候能顺着前置链往上找直到找到最基础的概念。这个操作不需要写代码用 Excel 就能做。加一列“前置词条”手动填一遍92 个词条大概花 20 分钟。第三件事把词条定义里的关键词提取出来做一个倒排索引。比如“归结原理”的定义里出现了“反证法”“逻辑”“完备性”这三个词就可以作为检索入口。下次你想找“反证法”相关的词条直接搜“反证法”就能定位到归结原理。这个用 Python 的 jieba 分词加一个简单的字典就能实现import jieba # 为每个词条建立关键词倒排索引 term_definitions { 归结原理: 又称为消解原理。该原理是一种基于逻辑的、采用反证法的推理方法。由于其理论上的完备性归结原理成为机器定理证明的主要方法。, 贝叶斯网: 由一个有向无环图DAG及描述顶点之间的概率表组成。其中每个顶点对应一个随机变量。, BP学习算法: 是一个依据梯度下降理论的很有效的算法许多问题都可由它来解决。BP算法将一组样本的分类问题转变为一个系统非线性优化问题。 } # 构建倒排索引 inverted_index {} for term, definition in term_definitions.items(): words jieba.cut(definition) for word in words: if len(word) 1: # 过滤单字 if word not in inverted_index: inverted_index[word] [] inverted_index[word].append(term) # 查询示例搜反证法能找到哪些词条 query 反证法 if query in inverted_index: print(f包含{query}的词条: {inverted_index[query]})这段代码的逻辑是对每个词条的定义做分词把每个词映射到包含它的词条列表。参数说明term_definitions 是词条和定义的字典jieba.cut 做中文分词len(word) 1 过滤掉单字。跑完之后你搜任何一个关键词都能找到相关的词条。这个索引建好之后复习的时候效率会高很多。最后说一个我自己的习惯。每次带人工智能导论的复习课我都会让学生先用这份词汇表做一次自测遮住定义只看词条名能说出定义的打勾说不出来的打叉。打叉的词条按板块归类看看是哪个板块薄弱。逻辑推理板块打叉多就去补归结原理和语义树神经网络板块打叉多就去补 BP 算法和 Hopfield 网络。这样有针对性的复习比从头背一遍快得多。从那以后我每次拿到新的术语表都强制走一遍“分板块 → 加前置 → 建索引”的流程希望帮到你。本文还有配套的精品资源点击获取