附录A：术语表
本附录整理了AI系统学习和工作中常用的专业术语中英文对照，按字母顺序排列，便于读者查阅和记忆。术语表涵盖了人工智能、机器学习、深度学习、硬件架构、编译器、推理系统等AI系统核心领域的专业词汇。
A. 基础概念与通用术语
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| Artificial Intelligence | 人工智能 | AI | 研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的新兴技术科学 |
| Machine Learning | 机器学习 | ML | 人工智能的一个分支，研究如何让计算机从数据中自动学习并改进算法性能 |
| Deep Learning | 深度学习 | DL | 使用多层神经网络进行学习的机器学习方法，能够自动学习特征表示 |
| Neural Network | 神经网络 | NN | 模拟生物神经网络的计算模型，由大量神经元连接而成 |
| Artificial Neural Network | 人工神经网络 | ANN | 由人工神经元组成的计算系统，模仿生物神经网络的结构和功能 |
| Perceptron | 感知机 | 最简单的人工神经元模型，是神经网络的基础组成单元 | |
| Multi-Layer Perceptron | 多层感知器 | MLP | 由输入层、隐藏层和输出层组成的前馈神经网络 |
| Deep Neural Network | 深度神经网络 | DNN | 包含多个隐藏层的神经网络，具有强大的表征学习能力 |
| Convolutional Neural Network | 卷积神经网络 | CNN | 专门用于处理图像数据的神经网络，通过卷积操作提取空间特征 |
| Recurrent Neural Network | 循环神经网络 | RNN | 适合处理序列数据的神经网络，能够记住之前的信息 |
| Long Short-Term Memory | 长短期记忆网络 | LSTM | 一种特殊的RNN，通过门控机制解决长期依赖问题 |
| Transformer | 变换器 | 基于注意力机制的神经网络架构，是大语言模型的基础 | |
| Generative Pre-trained Transformer | 生成式预训练变换器 | GPT | 基于Transformer的大规模预训练语言模型 |
| Bidirectional Encoder Representations from Transformers | 变换器的双向编码器表示 | BERT | 基于Transformer的双向预训练语言模型 |
B. 数学与优化基础
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| Gradient | 梯度 | 多元函数在某点的偏导数向量，指向函数值增长最快的方向 | |
| Gradient Descent | 梯度下降 | GD | 常用的优化算法，沿着梯度负方向更新参数以最小化损失函数 |
| Stochastic Gradient Descent | 随机梯度下降 | SGD | 每次使用单个样本或小批量样本计算梯度进行参数更新 |
| Learning Rate | 学习率 | 梯度下降中参数更新的步长，控制模型学习的速度 | |
| Loss Function | 损失函数 | 衡量模型预测值与真实值之间差距的函数 | |
| Mean Squared Error | 均方误差 | MSE | 回归任务常用的损失函数，计算预测值与真实值差的平方均值 |
| Cross Entropy | 交叉熵 | 分类任务常用的损失函数，衡量两个概率分布的差异 | |
| Activation Function | 激活函数 | 向神经网络中引入非线性因素的函数，如ReLU、Sigmoid等 | |
| ReLU | 线性整流函数 | 常用的激活函数，f(x) = max(0, x) | |
| Sigmoid | S型曲线函数 | 将值映射到(0,1)区间的激活函数 | |
| Softmax | Softmax函数 | 将向量映射为概率分布的函数，常用于多分类输出层 | |
| Back Propagation | 反向传播 | BP | 计算神经网络梯度的核心算法，通过链式法则反向传递误差 |
| Forward Propagation | 前向传播 | 输入数据在神经网络中从输入层到输出层的计算过程 | |
| Parameter | 参数 | 神经网络中需要学习的权重和偏置 | |
| Hyperparameter | 超参数 | 训练前需要设置的参数，如学习率、批量大小等 | |
| Over Fitting | 过拟合 | 模型在训练数据上表现良好但在测试数据上泛化能力差 | |
| Under Fitting | 欠拟合 | 模型在训练数据和测试数据上都表现不佳 | |
| Regularization | 正则化 | 防止过拟合的技术，如L1、L2正则化、Dropout等 | |
| Dropout | 丢弃法 | 训练时随机丢弃部分神经元以防止过拟合 | |
| Batch Normalization | 批归一化 | BatchNorm | 对批量数据归一化以加速训练稳定性的技术 |
| Layer Normalization | 层归一化 | LayerNorm | 对单个样本的所有特征进行归一化 |
C. 硬件与芯片架构
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| Central Processing Unit | 中央处理器 | CPU | 计算机的核心处理单元，适合串行计算和复杂逻辑控制 |
| Graphics Processing Unit | 图形处理器 | GPU | 专为并行计算设计的处理器，擅长处理大规模并行任务 |
| Tensor Processing Unit | 张量处理器 | TPU | 谷歌专为深度学习设计的专用AI芯片 |
| Neural Processing Unit | 神经网络处理器 | NPU | 专为神经网络计算的AI芯片，如华为昇腾系列 |
| Field-Programmable Gate Array | 现场可编程门阵列 | FPGA | 可编程的硬件芯片，可根据需求配置为特定功能 |
| Application-Specific Integrated Circuit | 专用集成电路 | ASIC | 为特定应用定制的芯片，如Google TPU |
| Accelerator | 加速器 | 专门用于加速特定计算的硬件设备 | |
| SIMD | 单指令多数据流 | SIMD | 一种并行计算模式，一条指令处理多个数据 |
| SIMT | 单指令多线程 | SIMT | GPU采用的并行执行模式 |
| CUDA | 统一计算设备架构 | CUDA | NVIDIA推出的并行计算平台和编程模型 |
| Tensor Core | 张量核 | GPU中专门用于加速矩阵运算的硬件单元 | |
| NVLink | NVIDIA高速互联技术 | GPU之间的高速数据传输通道 | |
| Memory Hierarchy | 内存层次结构 | 寄存器→L1缓存→L2缓存→L3缓存→主存→存储的层次结构 | |
| Cache | 缓存 | 位于CPU和主存之间的高速存储器 | |
| Bandwidth | 带宽 | 数据传输的速率，通常以GB/s为单位 | |
| Throughput | 吞吐量 | 单位时间内处理的数据量 | |
| Latency | 延迟 | 完成一次操作所需的时间 | |
| Power Consumption | 功耗 | 芯片工作时消耗的电功率 | |
| Thermal Design Power | 热设计功率 | TDP | 芯片散热系统需要处理的的最大热量 |
| Die | 芯片核心 | 芯片上集成电路的物理区域 | |
| Compute Density | 计算密度 | 单位面积或体积内的计算能力 |
D. 编译器与中间表示
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| Compiler | 编译器 | 将高级语言转换为机器语言的程序 | |
| Source-to-Source Compiler | 源到源编译器 | 将一种高级语言转换为另一种高级语言的编译器 | |
| Intermediate Representation | 中间表示 | IR | 编译器中用于表示源代码的抽象数据结构 |
| Abstract Syntax Tree | 抽象语法树 | AST | 表示程序语法结构的树形数据结构 |
| Three-Address Code | 三地址码 | TAC/3AC | 形如x = y op z的简单赋值语句序列 |
| Static Single Assignment | 静态单赋值 | SSA | 每个变量只被赋值一次的IR形式，便于优化 |
| Lexical Analysis | 词法分析 | 编译器前端阶段，将源代码分解为词素序列 | |
| Syntax Analysis | 语法分析 | 编译器前端阶段，根据语法规则分析词素序列 | |
| Semantic Analysis | 语义分析 | 编译器前端阶段，检查程序的语义正确性 | |
| Code Generation | 代码生成 | 编译器后端阶段，将IR转换为目标机器代码 | |
| Optimization | 优化 | 改进代码性能的过程，包括多种优化技术 | |
| Loop Optimization | 循环优化 | 针对循环结构的优化，如循环展开、循环分块等 | |
| Constant Folding | 常量折叠 | 编译时计算常量表达式的优化技术 | |
| Dead Code Elimination | 死代码消除 | 删除不会被执行的代码的优化技术 | |
| Common Subexpression Elimination | 公共子表达式消除 | CSE | 消除重复计算的优化技术 |
| Inlining | 内联 | 将函数调用替换为函数体的优化技术 | |
| Register Allocation | 寄存器分配 | 决定变量如何映射到硬件寄存器的过程 | |
| Instruction Scheduling | 指令调度 | 重新排列指令顺序以提高执行效率 | |
| Data Flow Analysis | 数据流分析 | 分析数据在程序中的传递和变化 |
E. AI编译器与框架
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| AI Compiler | AI编译器 | 专门用于深度学习模型的编译器 | |
| Operator Fusion | 算子融合 | 将多个连续算子合并为一个算子的优化技术 | |
| Graph Optimization | 图优化 | 对计算图进行结构优化和等价变换 | |
| Kernel | 内核/核函数 | 在硬件上执行的具体计算实现 | |
| Auto Tuning | 自动调优 | 自动搜索最优执行参数的技术 | |
| AutoTVM | 自动TVM | TVM的自动调优系统 | |
| Ansor | TVM的第二代自动调优系统 | ||
| Meta Schedule | 元调度 | TVM的新一代自动调优框架 | |
| XLA | 加速线性代数 | XLA | TensorFlow的编译器 |
| Glow | Facebook的AI编译器 | ||
| MLIR | 多级中间表示 | MLIR | LLVM旗下的通用编译器框架 |
| TVM | 端到端优化编译器 | TVM | Apache TVM深度学习编译器 |
| Relay IR | Relay中间表示 | TVM的神经网络中间表示 | |
| TorchScript | PyTorch的模型导出格式 | ||
| ONNX | 开放神经网络交换 | ONNX | 跨框架模型交换格式 |
| SafeTensors | 安全张量格式 | 高效安全的模型序列化格式 | |
| Framework | 框架 | 提供AI开发基础结构和工具的软件系统 | |
| Programming Paradigm | 编程范式 | 编程的基本方式和风格 | |
| Dynamic Graph | 动态计算图 | 运行时动态构建的计算图，灵活但效率较低 | |
| Static Graph | 静态计算图 | 编译时预先构建的计算图，效率高但灵活性低 | |
| JIT Compilation | 即时编译 | JIT | 运行时动态编译的技术 |
F. 自动微分与计算图
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| Automatic Differentiation | 自动微分 | AD | 自动计算函数导数的技术 |
| Computational Graph | 计算图 | 表示计算依赖关系的有向无环图 | |
| Data Flow Graph | 数据流图 | DFG | 表示数据在计算节点间流动的图 |
| Control Flow | 控制流 | 程序执行顺序的控制结构 | |
| Differential | 微分 | 描述函数局部线性变化的数学概念 | |
| Derivative | 导数 | 描述函数变化率的概念 | |
| Partial Derivative | 偏导数 | 多元函数对单个变量的导数 | |
| Chain Rule | 链式法则 | 计算复合函数导数的法则 | |
| Jacobian | 雅可比矩阵 | 多元函数一阶偏导数构成的矩阵 | |
| Gradient Accumulation | 梯度累积 | 多个小批量梯度累加模拟大批量训练 | |
| Mixed Precision | 混合精度 | 同时使用多种精度进行训练和推理 | |
| FP16 | 半精度浮点 | 16位浮点数格式 | |
| FP32 | 单精度浮点 | 32位浮点数格式 | |
| FP64 | 双精度浮点 | 64位浮点数格式 | |
| BF16 | BFloat16 | 谷歌设计的16位浮点格式，指数位与FP32相同 | |
| Symbolic Execution | 符号执行 | 用符号值而非具体值执行程序的技术 |
G. 模型压缩与量化
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| Model Compression | 模型压缩 | 减小模型尺寸和计算量的技术总称 | |
| Quantization | 量化 | 将高精度数据转换为低精度表示的技术 | |
| Weight Quantization | 权重量化 | 仅对模型权重进行量化 | |
| Dynamic Quantization | 动态量化 | 推理时动态确定量化参数 | |
| Static Quantization | 静态量化 | 预先确定量化参数的量化方法 | |
| Quantization-Aware Training | 量化感知训练 | QAT | 在训练中模拟量化效应 |
| Post-Training Quantization | 训练后量化 | PTQ | 模型训练完成后进行量化 |
| INT8 | 8位整数 | 常用的低精度表示格式 | |
| Pruning | 剪枝 | 删除网络中不重要的连接或神经元 | |
| Structured Pruning | 结构化剪枝 | 按结构删除神经元组 | |
| Unstructured Pruning | 非结构化剪枝 | 随机删除单个连接 | |
| Knowledge Distillation | 知识蒸馏 | 将大模型知识迁移到小模型的技术 | |
| Teacher-Student | 教师-学生 | 知识蒸馏中的大模型和小模型 | |
| Model Sparse | 模型稀疏 | 权重中包含大量零值的模型状态 | |
| Low-Rank Factorization | 低秩分解 | 用低秩矩阵近似原始权重矩阵 | |
| Neural Architecture Search | 神经网络结构搜索 | NAS | 自动搜索最优网络结构的技术 |
H. 推理系统与部署
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| Inference | 推理 | 使用训练好的模型进行预测的过程 | |
| Inference System | 推理系统 | 支持模型部署和推理请求处理的完整系统 | |
| Inference Engine | 推理引擎 | 执行模型推理的核心组件 | |
| Model Serving | 模型服务 | 将模型部署为服务供外部调用 | |
| Model Deployment | 模型部署 | 将训练好的模型发布到生产环境 | |
| Online Service | 在线服务 | 实时处理请求的服务模式 | |
| Batch Inference | 批量推理 | 一次处理多个输入的推理方式 | |
| Real-Time Inference | 实时推理 | 低延迟要求的即时推理 | |
| Request | 请求 | 发送给推理系统的输入数据 | |
| Response | 响应 | 推理系统返回的预测结果 | |
| Preprocessing | 预处理 | 推理前对输入数据进行的处理 | |
| Postprocessing | 后处理 | 推理后对输出结果进行的处理 | |
| Batching | 批处理 | 将多个请求合并处理的机制 | |
| Dynamic Batching | 动态批处理 | 根据条件动态调整批大小的技术 | |
| Scheduling | 调度 | 决定任务执行顺序和时间的技术 | |
| Load Balancing | 负载均衡 | 分配推理请求到多个推理实例 | |
| Model Versioning | 模型版本管理 | 管理不同版本模型的系统 | |
| A/B Testing | A/B测试 | 比较两个模型版本性能的技术 | |
| Canary Deployment | 金丝雀部署 | 渐进式发布新模型的策略 | |
| Shadow Mode | 影子模式 | 新模型并行运行但不返回结果 | |
| Model Registry | 模型注册表 | 集中存储和管理模型的地方 |
I. 分布式训练与并行计算
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| Distributed Training | 分布式训练 | 在多个计算设备上进行模型训练 | |
| Data Parallelism | 数据并行 | 不同设备处理不同数据，持有相同模型副本 | |
| Model Parallelism | 模型并行 | 将模型拆分到不同设备上 | |
| Pipeline Parallelism | 流水并行 | 不同设备处理模型的不同阶段形成流水线 | |
| Tensor Parallelism | 张量并行 | 将张量拆分到多个设备上计算 | |
| Hybrid Parallelism | 混合并行 | 结合多种并行策略 | |
| Synchronous Training | 同步训练 | 所有设备同步更新参数 | |
| Asynchronous Training | 异步训练 | 设备异步更新参数，可能存在陈旧梯度问题 | |
| Parameter Server | 参数服务器 | 集中管理模型参数的服务器 | |
| AllReduce | 全规约 | 分布式计算中汇总所有节点数据 | |
| Collective Communication | 集体通信 | 多个节点间的通信操作 | |
| Point-to-Point Communication | 点对点通信 | 两个节点间的直接通信 | |
| Gradient Synchronization | 梯度同步 | 同步各设备计算的梯度 | |
| Local Batch Size | 本地批量大小 | 单个设备上的批量大小 | |
| Global Batch Size | 全局批量大小 | 所有设备批量大小的总和 | |
| Worker | 工作节点 | 执行计算任务的节点 | |
| Master | 主节点 | 协调其他节点工作的节点 | |
| Elastic Training | 弹性训练 | 支持动态添加删除节点 | |
| Fault Tolerance | 容错 | 节点故障时继续训练的能力 | |
| Checkpoint | 检查点 | 保存训练状态用于恢复 |
J. 性能指标与评测
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| Accuracy | 准确率 | 正确预测样本占总样本的比例 | |
| Precision | 精确率 | 预测为正的样本中真正为正的比例 | |
| Recall | 召回率 | 真正为正的样本中被正确预测的比例 | |
| F1 Score | F1分数 | 精确率和召回率的调和平均 | |
| Confusion Matrix | 混淆矩阵 | 展示分类预测与真实标签关系的矩阵 | |
| Throughput | 吞吐量 | 单位时间内处理的样本数量 | |
| Latency | 延迟 | 一次推理所需的时间 | |
| Tail Latency | 尾部延迟 | 高百分位的延迟，如P99延迟 | |
| Frames Per Second | 每秒帧数 | FPS | 图像/视频处理中的性能指标 |
| Queries Per Second | 每秒查询数 | QPS | 服务处理请求的速率 |
| Mean Time to Recovery | 平均恢复时间 | MTTR | 系统故障后恢复的平均时间 |
| Model Size | 模型大小 | 模型占用的存储空间 | |
| Memory Footprint | 内存占用 | 模型运行时占用的内存量 | |
| GPU Utilization | GPU利用率 | GPU计算资源的使用程度 | |
| Roofline Model | 屋顶线模型 | 评估计算性能的理论模型 | |
| Benchmark | 基准测试 | 用于性能评估的标准测试 | |
| Speedup | 加速比 | 优化后相比优化前的性能提升比例 | |
| Amdahl's Law | 阿姆达尔定律 | 并行计算加速比的理论上限 |
K. 系统架构与运维
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| Container | 容器 | 轻量级的虚拟化技术，封装应用及其依赖 | |
| Docker | 流行的容器化平台 | ||
| Kubernetes | 容器编排平台，用于自动化部署和管理容器化应用 | ||
| Microservices | 微服务 | 将应用拆分为小型独立服务的架构风格 | |
| Service Mesh | 服务网格 | 微服务间通信的基础设施层 | |
| API Gateway | API网关 | 作为系统统一入口的网关服务 | |
| Load Balancer | 负载均衡器 | 分发请求到多个后端服务的组件 | |
| Reverse Proxy | 反向代理 | 代理服务器接受客户端请求并转发给内部服务器 | |
| Service-Level Agreement | 服务等级协议 | SLA | 服务提供商与客户之间的服务质量承诺 |
| Service-Level Objective | 服务等级目标 | SLO | 服务的具体性能目标 |
| Continuous Integration | 持续集成 | CI | 频繁合并代码并自动测试的实践 |
| Continuous Delivery | 持续交付 | CD | 代码经过测试后可以随时部署的生产准备状态 |
| Monitoring | 监控 | 追踪系统状态和性能的活动 | |
| Observability | 可观测性 | 通过数据理解系统内部状态的能力 | |
| Telemetry | 遥测 | 远程收集系统数据的技术 | |
| Logging | 日志 | 记录系统事件的信息 | |
| Tracing | 追踪 | 跟踪请求在系统中的完整路径 | |
| Incident | 事件 | 导致服务中断或性能下降的问题 | |
| On-Call | 值班 | 随时响应系统告警的责任 | |
| Runbook | 运行手册 | 处理常见问题的标准操作流程 | |
| Single Point of Failure | 单点故障 | 系统中的单一故障点 | |
| High Availability | 高可用 | HA | 系统持续运行的可用性能力 |
L. 大模型相关术语
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| Large Language Model | 大语言模型 | LLM | 参数规模巨大的语言模型 |
| Foundation Model | 基础模型 | 在大规模数据上预训练的大型模型 | |
| Pre-training | 预训练 | 在大规模无标注数据上进行的自监督学习 | |
| Fine-tuning | 微调 | 在特定任务上调整预训练模型 | |
| Instruction Tuning | 指令微调 | 使用指令-响应对微调模型 | |
| Reinforcement Learning from Human Feedback | 人类反馈强化学习 | RLHF | 利用人类反馈优化模型 |
| Prompt Engineering | 提示工程 | 设计输入提示以获得更好输出 | |
| Prompt | 提示 | 输入给模型的文本引导 | |
| Few-Shot Learning | 小样本学习 | 从少量样本中学习的能力 | |
| Zero-Shot Learning | 零样本学习 | 无需训练样本即可完成任务 | |
| In-Context Learning | 上下文学习 | 在提示中提供示例的学习方式 | |
| Chain-of-Thought | 思维链 | 展示推理过程的提示技术 | |
| Temperature | 温度 | 控制生成随机性的采样参数 | |
| Top-k Sampling | Top-k采样 | 只考虑前k个最可能token的采样方法 | |
| Nucleus Sampling | 核心采样 | 只考虑累计概率达到阈值的token | |
| Context Length | 上下文长度 | 模型一次能处理的最大token数 | |
| Attention Mechanism | 注意力机制 | 让模型关注输入不同部分的技术 | |
| Self-Attention | 自注意力 | 输入序列内部元素间的注意力计算 | |
| Multi-Head Attention | 多头注意力 | 并行计算多组注意力 | |
| Positional Encoding | 位置编码 | 为序列中的位置信息进行编码 | |
| Token | 词元 | 文本被分割的最小单位 | |
| Tokenizer | 分词器 | 将文本分割为token的工具 | |
| Embedding | 嵌入 | 将离散token映射为连续向量 | |
| Vocabulary | 词表 | 模型认识的全部token集合 | |
| Vocabulary Size | 词表大小 | 词表中token的数量 | |
| Generation | 生成 | 模型根据输入产生输出的过程 | |
| Inference | 推理 | 模型产生输出的过程（也指代模型本身） | |
| Hallucination | 幻觉 | 模型产生看似合理但错误的内容 | |
| Alignment | 对齐 | 使模型行为符合人类意图和价值观 | |
| Scaling Law | 缩放定律 | 模型性能随规模变化的规律 |
M. 芯片架构与设计
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| Instruction Set Architecture | 指令集架构 | ISA | 处理器支持的指令集合和功能定义 |
| Reduced Instruction Set Computer | 精简指令集计算机 | RISC | 简化的指令集设计理念 |
| Complex Instruction Set Computer | 复杂指令集计算机 | CISC | 复杂指令集设计理念 |
| Pipelining | 流水线 | 将指令执行分为多个阶段并行处理 | |
| Out-of-Order Execution | 乱序执行 | 不按程序顺序执行指令以提高效率 | |
| Branch Prediction | 分支预测 | 预测程序分支走向的技术 | |
| Superscalar | 超标量 | 同时发射多条指令的处理器 | |
| Very Long Instruction Word | 超长指令字 | VLIW | 一条指令包含多个操作的架构 |
| Systolic Array | 脉动阵列 | 專用於矩陣運算的硬體陣列結構 | |
| Die Area | 芯片面积 | 芯片核心区域的大小 | |
| Process Node | 制程节点 | 芯片制造工艺的尺寸标准 | |
| Clock Frequency | 时钟频率 | 处理器运行的速度 | |
| IPC | 每指令周期数 | IPC | 每周期执行的指令数 |
| Utilization | 利用率 | 硬件资源实际使用程度 | |
| Roofline | 屋顶线 | 展示计算性能上限的模型 | |
| Arithmetic Intensity | 算术强度 | 每字节内存传输的计算量 | |
| Off-Chip Memory | 片外内存 | 芯片外部的内存 | |
| On-Chip Memory | 片上内存 | 芯片内部集成的内存 | |
| scratchpad | 便笺式内存 | 片上高速内存 | |
| Data Reuse | 数据复用 | 多次使用同一数据减少内存访问 |
N. 其他重要术语
| 英文术语 | 中文术语 | 缩写 | 释义 |
|---|---|---|---|
| API | 应用程序接口 | API | 定义软件组件交互方式的接口 |
| SDK | 软件开发包 | SDK | 帮助开发特定应用的工具集合 |
| End-to-End | 端到端 | 从输入到输出的完整过程 | |
| Edge Computing | 边缘计算 | 在数据源附近进行计算的技术 | |
| Cloud Computing | 云计算 | 通过网络提供计算资源的服务 | |
| Data Center | 数据中心 | 放置计算设备和存储设备的设施 | |
| RDMA | 远程直接内存访问 | RDMA | 直接访问远程内存的技术 |
| InfiniBand | 高速网络互连技术 | ||
| Ethernet | 以太网 | 常用的局域网技术 | |
| PCIe | 高速外部设备互连总线 | PCIe | 连接硬件设备的接口标准 |
| Virtual Machine | 虚拟机 | 虚拟化的计算环境 | |
| Kernel-Based Virtual Machine | 基于内核的虚拟机 | KVM | Linux内核的虚拟化技术 |
| SR-IOV | 单根I/O虚拟化 | 允许虚拟机直接访问硬件的技术 | |
| Passthrough | 直通 | 虚拟机直接使用物理设备的技术 | |
| Topology | 拓扑 | 系统或网络的结构布局 | |
| Fat Tree | 胖树 | 数据中心常用网络拓扑结构 | |
| Dragonfly | 蜻蜓 | 一种高扩展性网络拓扑 | |
| Modularity | 模块化 | 将系统分解为独立模块的设计方法 | |
| Abstraction | 抽象 | 隐藏细节只暴露关键特征的概念 | |
| Interface | 接口 | 定义组件交互方式的边界 | |
| Implementation | 实现 | 具体代码和逻辑的完成 | |
| Specification | 规格说明 | 对系统功能的详细描述 | |
| Verification | 验证 | 确认系统实现符合规格的过程 | |
| Validation | 确认 | 确保系统满足用户需求的过程 | |
| Benchmark | 基准测试 | 用于比较性能的标准测试 | |
| Profiling | 性能分析 | 分析程序性能特征的活动 | |
| Debugging | 调试 | 定位和修复程序错误的过程 | |
| Hotspot | 热点 | 程序中消耗最多时间的部分 | |
| Bottleneck | 瓶颈 | 限制整体性能的关键点 |
附录使用说明
本术语表按照主题分类组织，便于读者在学习和工作中快速查阅。建议读者：
- 通读理解：首先通读一遍，建立对AI系统各领域术语的初步认识
- 重点记忆：根据学习进度，重点记忆当前章节相关的术语
- 查阅参考：在实际学习和工作中遇到陌生术语时，随时查阅
- 实践应用：在写作和交流中主动使用这些术语，加深记忆
术语表会持续更新补充，欢迎读者提供宝贵意见和改进建议。