不透明循环，以及其他你该懂的 AI 术语

AI 正在改写世界，也在为这场改写发明一整套语言。随便旁听一场产品会、路演或行业论坛，你会听到人们把 LLM、RAG、RLHF 挂在嘴边——而就在上周，还多了一个「不透明循环」（opaque recurrence），OpenAI 新模型 Astra 里的推理技巧，一个让 AI 安全研究者集体紧张的词。词汇更迭的速度，快到让科技行业里最聪明的人也偶尔心虚。

TechCrunch 维护着一份 AI 术语表，自称「活文档」——像它描述的 AI 系统一样持续更新。2026 年 9 月这版收录了三十多个词条，从十年前就有的老概念到上周刚冒头的新词。原表按字母排序，方便查阅但不利于理解；本文把它拆成五层，从地基到天花板重排一遍，并在关键处补上中文语境下值得知道的事。

先看地图：五个概念层

这三十多个术语看似散乱，其实可以按「离硬件多远」叠成五层：

下面逐层展开。每一层的术语都只依赖它下面的层，你可以按顺序读，也可以只挑自己缺的那块。

基础层：AI 的物质基础

神经网络（neural network） 是多层堆叠的算法结构，深度学习和这一轮生成式 AI 的地基。用「模拟大脑神经元连接」做数据处理结构的设计思想可以追溯到 1940 年代，但真正解锁它的是 GPU——游戏产业带火的图形芯片，恰好擅长训练层数多得多的算法。语音识别、自动驾驶导航、药物发现，都建立在这个解锁之上。

深度学习（deep learning） 是机器学习的子集：算法自带多层人工神经网络结构，能做出比线性模型、决策树这类简单系统更复杂的关联。它最大的特点是「自己找特征」——不需要工程师预先定义数据里什么重要，算法自己在海量数据里认出来。代价也很直接：需要百万级以上的数据点，训练时间比简单算法长得多，开发成本水涨船高。

权重（weights） 是训练的核心产物：一组数值参数，决定数据里不同特征各占多少分量，最终塑造模型输出。训练开始时权重随机初始化，随着训练推进不断调整，直到输出越来越接近目标。举个具体例子：一个基于历史房价数据训练的模型，会为卧室数量、卫生间数量、是否独栋、有没有车库这些特征各配一个权重，训练结束后这些权重就反映了——在这份数据集里——每个因素对房价的影响程度。

训练（training） 就是喂数据让模型学规律的过程。数据量一路上涨，成本也一路上涨，所以行业里发展出折中手段：不从零开始，而是在已有模型上做定向补充训练。数据量不足时的另一个办法是迁移学习（transfer learning）：拿一个训练好的模型当起点，去做另一个相关任务，把学过的知识直接搬过来用。省时省数据，但边界要清楚——靠迁移获得通用能力的模型，要在自己的领域做得好，通常还得补训领域数据。

推理（inference） 是训练的下一步：让训好的模型真正干活，基于见过的数据做预测、下结论。手机处理器、数据中心 GPU、专用 AI 加速芯片都能跑推理，但差距巨大——同一个大模型，笔记本上慢如蜗牛，云端高端芯片集群上秒回。

算力（compute）是这一切的燃料，也是这个行业最常被当 shorthand 用的词：有时指计算能力本身，有时直接指 GPU、CPU、TPU 这些硬件。

语言模型层：模型怎么学会说话，怎么学坏

大语言模型（LLM，large language model） 是 ChatGPT、Claude、Gemini、Llama、Copilot、Le Chat 背后的那类模型。它是深度神经网络，由数十亿数值参数（就是权重）构成，学习词与短语之间的关系，形成一张语言的多维地图。地图的原料是数十亿本书、文章和转写文本；你发出提示词后，模型生成的是「最符合这个提示的模式」。

词元（token） 是人机沟通的基本单位。人用自然语言，模型用数据驱动的算法过程，中间的桥梁就是分词（tokenization）：把原始文本切成模型能消化的小块——往往是词的碎片而非完整的词，有点像编译器把人类语言翻译成二进制。企业场景里词元还有第二重身份：计费单位。多数 AI 公司按词元收费，用得越多付得越多。

模型学说话靠训练，学好学坏则各有各的机制。

强化学习（reinforcement learning） 的思路是让系统试错并因正确答案获得奖励——像用零食训宠物，只是这里的宠物是神经网络，零食是表示成功的数学信号。和监督学习（在固定标注数据集上训练）不同，强化学习让模型探索环境、采取行动、根据反馈持续更新行为。这个路子先在游戏和机器人控制上证明了自己，最近两年则成了打磨 LLM 推理能力的核心手段。基于人类反馈的强化学习（RLHF）如今是头部实验室微调模型的主流方式。

思维链（chain of thought） 是推理模型的关键技巧：把问题拆成更小的中间步骤再作答。「长颈鹿和猫哪个高」不需要打草稿，但「鸡兔同笼、共四十个头一百二十条腿」就得列方程了——模型同理。拆步作答更慢，但在逻辑和编程场景里更可能答对。现在的推理模型就是传统 LLM 经强化学习优化出思维链能力的产物。

幻觉（hallucination） 是行业给「AI 编造信息」起的正式名字：模型一本正经地生成错误内容。这被普遍认为是训练数据缺口的后遗症，也是 AI 质量最大的敌人——健康咨询返回有害医疗建议，是幻觉能造成的真实风险。行业应对幻觉的一条路线是把模型做专做窄：垂直领域 AI 需要的知识面更小，知识缺口和错误信息的风险也相应更小。

微调（fine-tuning）、蒸馏（distillation） 是两条「站在巨人肩膀上」的路径。微调是在已有训练之上补充任务导向的专项数据，让通用模型适配垂直场景——大量 AI 创业公司的产品路径正是：拿 LLM 当起点，用自己的领域知识微调出商业产品。蒸馏则是「老师-学生」模式：向大模型发请求、记录输出，用这些输出训练一个小模型去逼近老师的行为，用很小的损失换一个更小更快的模型。GPT-4 Turbo 大概率就是这么从 GPT-4 蒸馏来的。值得一提的是，所有 AI 公司内部都用蒸馏，但从竞争对手的模型上蒸馏，通常违反 API 服务条款——「用蒸馏追赶前沿模型」在行业里是个公开的秘密兼灰色地带。

效率层：更快、更便宜、更聪明地烧卡

混合专家模型（MoE，Mixture of Experts） 解决的是「大模型跑不动」的矛盾：把神经网络拆成许多个专门的小子网络（专家），每次任务只激活其中一小撮。不是把整个办公室叫来回答每个问题，而是内置一个路由器，只派对的专家出场。这样就能造出「巨大但依然跑得快、跑得起」的模型——任意时刻只有一小部分网络在干活。Mistral 的 Mixtral 是公开的代表作；OpenAI 新一代 GPT 被普遍认为用了某种 MoE，官方从未证实。

并行化（parallelization） 顾名思义：十个人同时做一个项目的不同部分，而不是一个人顺序做完所有事。现代 GPU 就是为同时做几千个计算而生的，这是它成为行业硬件骨干的根本原因。模型越来越大之后，「能不能把工作拆到很多芯片很多机器上并行」直接决定了模型能多快、多便宜地被造出来和部署——并行策略研究本身已经是一个独立学科。

内存缓存（memory cache） 是推理提速手段：把做过的计算存下来，下次同类查询直接复用，省掉重复计算。最有名的一种是 KV 缓存（key-value caching），工作在 Transformer 架构里，靠减少重复的算法劳动来缩短响应时间。

和缓存同属性能话题的还有词元吞吐量（token throughput）：单位时间内系统能处理多少词元，粗略等同于「这套系统一次能扛多少 AI 工作量」。它决定一个模型能同时服务多少用户、每个用户等多久，是 AI 基础设施团队的核心指标。Andrej Karpathy 有个坦率的说法：他看到自己的 AI 订阅闲置就会焦虑，就像读研时看到昂贵硬件没被用满——这个心态解释了为什么整个行业对吞吐量的追逐近乎执念。

验证损失（validation loss） 是训练时的实时成绩单：一个数字，越低越好。研究者盯它来决定何时停止训练、何时调整超参数、是否需要排查问题。它最重要的预警功能是抓过拟合（overfitting）——模型背下了训练数据而没学会可泛化的规律。原文的比喻很准：真理解课程的学生，和只背下去年考卷的学生，验证损失能告诉你你的模型正在变成哪一个。

这一层还有两个生成式技术的基石。GAN（生成对抗网络） 用一对互相较劲的神经网络：生成器试图造出以假乱真的数据，判别器试图识破伪造，这场结构化的对抗在无人干预下持续优化输出真实性。GAN 擅长窄域任务——逼真的照片和视频，deepfake 工具的技术底座就是它。扩散（diffusion） 则是当代图像、音乐、文本生成模型的心脏，灵感来自物理学：先逐渐加噪声毁掉数据结构直到只剩噪声，再学会「逆向扩散」从噪声里恢复数据。物理世界里糖溶进咖啡就回不去了，AI 的扩散系统偏偏要学会逆转这条路。

Agent 层：从说到做

AI 智能体（AI agent） 指能替你完成一系列任务的工具——报销、订票、订餐厅，甚至编写和维护代码——超出基础聊天机器人的范畴。这个新兴领域概念还很流动，「智能体」对不同人意味着不同的东西，配套基础设施也还在建设，但基本盘是一致的：一个可能调用多个 AI 系统的自治体系，执行多步任务。

编程智能体（coding agents） 是智能体的特化版本：不是建议代码让人审查粘贴，而是自己写、自己测、自己调 bug，包揽那些吞噬开发者一整天的迭代试错活。它们能操作整个代码库：找 bug、跑测试、推修复，人力监督降到最低。原文的比喻值得照搬：像雇了一个从不睡觉、从不走神的超快实习生——但和所有实习生一样，他的活儿仍需要人把关。

智能体要动手，就得有手。API 端点（API endpoints） 就是软件背后的「按钮」：别的程序按下这些按钮，软件就做事。开发者靠这些接口做集成——让一个应用从另一个拉数据，或让 AI 智能体直接控制第三方服务。大多数智能家居设备和联网平台都有这些隐藏按钮，普通用户从没见过也从不碰。而智能体越来越强之后，它们开始自己找到并按下这些按钮——自动化的大门，也伴随意料之外的缝隙。

MCP（Model Context Protocol，模型上下文协议） 是这层的关键标准：一个开放协议，让 AI 模型连接外部工具和数据——你的文件、数据库、Slack、Google Drive——而不需要开发者为每一对组合写定制连接器。可以把它理解成「AI 的 USB-C 口」。Anthropic 在 2024 年推出 MCP，后来交给 Linux 基金会，如今 OpenAI、Google、Microsoft 都已采纳——它可能是近年 AI 史上传播最快的标准。

开源（open source） 在 AI 语境下指代码公开可查可改的模型，Meta 的 Llama 家族是代表，操作系统的历史对照物是 Linux。开源让全球的研究者、开发者、公司在彼此的工作上叠加，加速进展，也让闭源系统难以提供的独立安全审计成为可能。闭源则是「能用但看不见内部」，OpenAI 的 GPT 系列即如此。开源还是闭源，已经是 AI 行业最定义性的争论之一。

天花板层：它会走多远，我们还能不能看见它怎么想

这一层的词，全是最近一两年才进入大众视野的——其中三个直接和 OpenAI 2026 年 9 月发布的 Astra 模型有关。

不透明循环（opaque recurrence） 指 AI 模型把同一个查询在自己内部层层反复处理，而不是用人类可读的语言一步步推理。它更高效——小模型用更少算力打出超越体量的表现——但留下的可读痕迹远少于正常思维链（就是你问聊天机器人求助时看到的那段「内心独白」）。安全研究者担心的正是这点：那些日志是抓模型不当行为的关键工具，而这项技术会让监督难上加难。

循环深度（recurrent depth） 是同一方法的工程学名。媒体把两个词几乎混用，但「循环深度」是工程师视角，「不透明循环」是强调安全担忧的框架——同一个东西，两种命名，两种立场。

神经语（neuralese） 是假想中的最坏情况：模型完全用自己的内部数值表示推理，不再经过人类可读的语言，思维彻底变成黑箱。目前没有任何已发布的模型这么做——OpenAI 表示 Astra 保持了思维链的可读性，并否认「神经语」的指摘。但安全研究者认为 Astra 对不透明循环的使用是朝那个方向迈出的真实第一步，这正是这个词在 Astra 报道之后突然爆红的原因。

递归自我改进（RSI，recursive self-improvement） 和 AGI 一样是个门槛概念：AI 模型在无人干预下开始改进自己，能力与自主性随之狂飙。在一些叙事里这是堪比「奇点」的灾变时刻——AI 从此对外界干预免疫。但 RSI 也描述一个具体得多的问题：一个 AI 模型能不能设计出自己的继任者？这让工程师有了可尝试的目标。一批新创公司已经出发去造递归自我改进的模型，多数并不渲染末日色彩，只把它呈现为下一个研究前沿。

AGI（通用人工智能） 本身依然是个边界模糊的词，但大方向一致：在多数乃至所有任务上超过普通人类的 AI。Altman 说 AGI 是「你能雇来当同事的中位数人类」；OpenAI 章程定义它为「在大多数经济上有价值的工作上超越人类的自主系统」；DeepMind 的版本是「在大多数认知任务上至少和人类一样强」。三家定义都不一样——原文的调侃很到位：困惑吗？没事，AI 研究最前沿的专家们也困惑。

最后是一个行业自嘲式的词：RAMageddon（内存末日）。AI 实验室为数据中心扫货内存芯片，剩下的货被炒得越来越贵：游戏机涨价、智能手机出货量面临十多年来最大跌幅、企业数据中心抢不到内存。涨价什么时候停？等短缺结束——但目前看不到多少短缺会结束的迹象。

一次请求，流过全部五层

把这套词汇串起来的最好方式，是跟着一次真实请求走一遍。

你在 ChatGPT 里问「帮我订下周二去东京的机票」。你的话先被分词成词元——这是语言模型层的入口。模型在推理阶段运转：如果它是个推理模型，会先走思维链拆解任务；如果底层是 MoE 架构，路由器此刻只激活相关专家子网络；KV 缓存让它跳过你和它之前对话里已经算过的部分。这些计算发生在算力层——某个数据中心的 GPU 上，那块芯片背后是整个 RAMageddon 时代的供应链。

模型理解任务后，进入 Agent 层：它通过 MCP 连接订票服务，按下对方的 API 端点，像那个从不睡觉的实习生一样替你完成多步操作。整个过程里，它受过的 RLHF 训练决定它表现得多有分寸，微调进的领域数据决定它懂多少行程规则，而幻觉风险始终悬在头顶——它可能把日期记错。

而如果它背后是 Astra 这类模型，你看到的思维链可能只是它真实计算过程的冰山一角——不透明循环在语言不可见的深处反复运转，走向无人能读的神经语。五个术语层，在一次订票请求里全部到场。

这张词汇表该怎么读

TechCrunch 说这是活文档，会随领域演进持续更新。这句话本身值得琢磨：AI 行业的词汇膨胀速度已经超过任何个人的吸收速度，术语表从「参考资料」变成了「需要追更的刊物」。

对中文读者，这张表有三个用处。其一，它是一份精确的「黑话对齐」清单——中文技术讨论里幻觉、蒸馏、思维链这些词的用法和英文原词一一对应，读英文一手资料时不会有概念错位。其二，五层结构是一张诊断图：读任何 AI 新闻，先判断它在讲哪一层——算力层的新闻（芯片、内存短缺）和天花板层的新闻（AGI、RSI）遵循完全不同的逻辑，混着读容易得出错误结论。其三，也是最要紧的：不透明循环、神经语、RSI 这三个词的走红说明，行业最前沿的争论已经从「AI 能做什么」转向「我们还能不能看见 AI 在做什么」。监督的可见性，正在成为和性能同权重的技术指标。

词汇表会继续变长。但有一件事这张表自己说不出口、需要读者自己记住：每一轮新词的加入，都对应着一轮新的能力、新的成本和新的风险同时到来。学会这些词的意思，只是第一步；学会在新闻里认出它背后能力、成本、风险同时到来的三重变化，才算真正读懂了 AI 这门语言。

本文基于 TechCrunch 2026 年 9 月 7 日版 AI 术语表（作者：Natasha Lomas、Romain Dillet、Kyle Wiggers、Lucas Ropek）翻译重组，原文持续更新中。