很多人卡在人工智能这条路上不是因为数学不够好也不是因为代码写不出来而是被术语绊住了。读一篇论文摘要里五个词组有四个要查看官方文档指令微调对齐上下文学习混在一起不知道哪个是训练阶段哪个是推理技巧面试被问一句你了解自监督预训练吗脑子里先蹦出来的是self-supervised这个英文单词而不是它到底在做什么。这就是我动手整理这份**人工智能专业术语表中英文对照**的直接原因。这份表覆盖基础概念、网络结构、大模型、评估指标、工程落地、职业认证六个层面每个术语都给中文名、英文名外加一句人话解释。它适合三类人刚入门想建立框架的学生做项目需要快速对齐词汇的工程师以及要写大作业、准备面试、考认证的人。我尽量不写成字典而是写成一份可以直接拿来用的工具。1. 为什么术语表比教程更该先看1.1 术语混乱带来的真实麻烦我先说一个很具体的场景。有次带一个刚转方向的同学做文本分类项目他跑通了代码准确率也有 0.9但复盘的时候说不清楚自己做了什么。问他你用的是交叉验证还是固定划分他答我就是随机分的。问他F1 是多少他答我只看准确率。这不是能力问题是词汇没对齐导致的表达失能——他知道自己在做什么但没有对应的术语去指称它所以在沟通和写作时全部塌陷成我就是那样做的。术语混乱还有更隐蔽的代价。人工智能领域有个特点同一个概念在不同圈层有不同叫法。学术界叫Representation Learning表示学习工程界常说Feature Extraction特征提取到了产品文档里又变成语义理解。你要是不建立一张对照表就会以为是三个东西结果重复学了三遍。反过来有些词看着像同义词实际差得很远比如Parameter参数和Hyperparameter超参数一个由训练自动学出来一个必须你自己设定混用会让你的实验记录完全失去可复现性。我自己的做法是每进入一个新子领域先花两个小时只做一件事把该领域高频出现的三十到五十个术语抄下来写下中英文和一句话解释然后再去读教程。这个顺序反过来做效率会低很多因为教程默认你已经懂了那些词。1.2 这份表的组织逻辑与使用方式这份表的组织逻辑是按从地基到楼顶排的不是按字母排。字母序适合查阅不适合建立认知。我把它分成六层基础概念层回答这是什么学科、怎么学网络结构层回答模型内部长什么样大模型层回答现在主流的生成式系统怎么工作评估层回答怎么判断好坏、怎么发现偏见和幻觉工程层回答怎么把它跑起来、跑得快、跑在边缘设备上职业层回答这些岗位和认证分别叫什么。使用方式上我建议你分两遍看。第一遍顺着读不求记住只求知道原来还有这么个东西建立索引。第二遍是遇到具体问题时回来查这时候你已经有了上下文记忆会牢固得多。表格里的我的理解那一列是刻意写成口语的因为它比标准定义更容易在脑子里留下钩子。提示术语表最大的价值不是背下来而是让你在读到陌生词时知道自己该去哪一层找它。定位能力比记忆能力重要。2. 基础概念层先把地基上的词认全2.1 学科与范式类术语这一层的词决定了你怎么理解整件事。人工智能Artificial Intelligence, AI是最大的集合指让机器表现出类似智能行为的所有努力。它下面分出去两条历史路线一条是符号主义Symbolic AI靠规则和逻辑推理典型产物是专家系统Expert System另一条是联结主义Connectionism靠大量简单单元的连接和权重调整也就是今天的神经网络Neural Network, NN。这两条路线此消彼长了几十年现在主流是联结主义占上风但符号方法并没有消失它以知识图谱Knowledge Graph和本体Ontology的形式重新回到系统里用来做约束和事实校验。本体Ontology这个词特别值得单独说一句。它在哲学里译作本体论在人工智能里指的是对某个领域概念及其关系的形式化描述规范。你可以把它理解成给一个行业定一套带层级的词汇表和关系规则比如感冒是一种疾病疾病有症状这样的结构。它和知识图谱的关系是本体是骨架和语法知识图谱是填充进去的实例数据。近几年做智能体系统时本体又被重新提起原因是大模型的记忆和检索需要一个稳定的结构化底座否则多轮对话里它自己就会把概念搞混。通用人工智能Artificial General Intelligence, AGI和专用人工智能Narrow AI的区分也要清楚。今天你能用到的所有系统包括各种大模型都属于专用范畴——它们在特定任务上很强但没有跨领域的自主迁移能力。具身智能Embodied Intelligence则是另一条线强调智能必须依附于身体和环境的交互机器人抓取、导航这类任务都属于它。中文英文我的理解人工智能Artificial Intelligence, AI让机器表现出智能行为的总称机器学习Machine Learning, ML不写死规则让模型从数据里找规律深度学习Deep Learning, DL用多层神经网络做机器学习符号主义Symbolic AI靠规则和逻辑老派但没死联结主义Connectionism靠连接和权重现在的主流专家系统Expert System把专家经验写成规则的早期系统本体Ontology一个领域的概念和关系规范知识图谱Knowledge Graph按本体填好的实体关系网络通用人工智能Artificial General Intelligence, AGI能跨领域自主迁移的目标形态专用人工智能Narrow AI只擅长特定任务今天都是它具身智能Embodied Intelligence有身体、靠交互学出来的智能2.2 学习范式与训练方式术语这一组词是你读论文时出现频率最高的。监督学习Supervised Learning用带标签的数据无监督学习Unsupervised Learning不带标签自监督学习Self-supervised Learning是自己从数据里造标签——比如把句子里的某个词遮住让模型猜标签是数据自带的不需要人工标注。今天的大语言模型预训练几乎全是自监督这是它能吃下海量文本的关键。强化学习Reinforcement Learning, RL是另一个体系靠奖励信号引导行为不依赖标准答案。基于人类反馈的强化学习Reinforcement Learning from Human Feedback, RLHF就是把人的偏好排序当作奖励来源用来让模型输出更符合人类期待。后来为了降低成本出现了基于AI反馈的强化学习RLAIF让另一个模型来打分。迁移学习Transfer Learning和微调Fine-tuning是一对。前者强调把在一个任务上学到的知识搬到另一个任务后者是具体的操作手段。零样本Zero-shot、单样本One-shot、少样本Few-shot描述的是给模型看几个例子就让它干活上下文学习In-context Learning是这种现象的学名——模型参数没变只靠提示里的例子就调整了行为。元学习Meta-Learning是学会学习课程学习Curriculum Learning是按难度顺序喂数据知识蒸馏Knowledge Distillation是让小模型模仿大模型的输出分布。这里有个常见误解要提前纠正很多人把 Few-shot 和微调混为一谈。Few-shot 不改参数只改输入微调改参数要重新训练。前者便宜灵活后者稳定但成本高。选哪个取决于你的任务稳定性和调用频率。2.3 数据相关术语数据这一层的词汇看起来朴素但出错率最高。数据集Dataset通常切成训练集Training Set、验证集Validation Set、测试集Test Set三份。验证集用来调超参数测试集只在最后用一次。我见过不少人反复用测试集调参结果报出来的指标虚高得离谱。标签Label和标注Annotation是两个动作的产物和过程。真值Ground Truth是理论上正确的答案注意它不等于绝对真理只是你这份数据集里被认可的标准。特征Feature是喂给模型的输入描述嵌入Embedding是把离散对象映射成稠密向量词元Token是文本被切分后的最小单位分词Tokenization就是切分这个过程词表Vocabulary是切分后所有可能单位的集合。数据增强Data Augmentation在不改变语义的前提下扩充样本图像里常见的是翻转裁剪文本里常见的是同义替换和回译。数据泄漏Data Leakage是训练时不小心混入了测试信息是导致指标虚高的头号隐形杀手。类别不平衡Class Imbalance指某类样本远多于其他类会让模型偏向多数类。中文英文我的理解数据集Dataset样本的集合训练集Training Set用来学参数验证集Validation Set用来调超参数测试集Test Set最后只用一次别反复用标签Label样本对应的答案标注Annotation人工或半自动打标签的过程真值Ground Truth数据集内被认可的标准答案特征Feature描述样本的输入信息嵌入Embedding对象变成稠密向量词元Token文本切分后的最小单位分词Tokenization把文本切成词元词表Vocabulary所有词元的集合数据增强Data Augmentation不改语义地扩样本数据泄漏Data Leakage训练时混进了测试信息类别不平衡Class Imbalance某些类样本特别少3. 网络结构层模型内部到底长什么样3.1 基础组件与训练机制术语理解神经网络先认三个结构词输入层Input Layer、隐藏层Hidden Layer、输出层Output Layer。层与层之间靠权重Weight和偏置Bias连接这两类东西统称参数Parameter是训练要自动学出来的。而超参数Hyperparameter是你必须自己定的比如层数、学习率、批大小它们不参与梯度更新。激活函数Activation Function给网络引入非线性没有它再深的网络也等价于一个线性变换。常见的几个Sigmoid输出 0 到 1适合二分类末端Tanh输出 -1 到 1ReLU计算简单、缓解梯度消失是卷积网络的默认选择GELU更平滑是 Transformer 里的常见配置Softmax把一组数值变成概率分布用在多分类输出。反向传播Backpropagation是计算梯度的算法梯度下降Gradient Descent是沿着梯度更新参数的策略随机梯度下降Stochastic Gradient Descent, SGD每次只用一小批数据估梯度。批Batch是一次前向传播处理的样本数批大小Batch Size就是它的数量轮次Epoch是把整个训练集过一遍迭代Iteration是处理完一个批次。学习率Learning Rate决定每步走多远太大容易震荡不收敛太小训练慢得让人怀疑人生。过拟合Overfitting是训练集表现好、测试集拉胯欠拟合Underfitting是两边都差。应对手段有正则化Regularization、随机失活Dropout、批归一化Batch Normalization、层归一化Layer Normalization。残差连接Residual Connection让梯度能跨层直接回传是深层网络能训起来的关键设计。注意学习率不是越调越小就越好。很多人一遇到不收敛就把学习率砍十倍结果训练十轮还在原地。先看损失曲线形状再决定是调学习率还是换优化器。3.2 经典网络与 Transformer 架构术语经典架构先认识五个。多层感知机Multilayer Perceptron, MLP是最基础的全连接网络。卷积神经网络Convolutional Neural Network, CNN靠卷积核提取局部特征图像任务的老牌主力。循环神经网络Recurrent Neural Network, RNN处理序列但长距离依赖容易忘。长短期记忆网络Long Short-Term Memory, LSTM和门控循环单元Gated Recurrent Unit, GRU是它的改良版用门控机制控制信息保留。生成对抗网络Generative Adversarial Network, GAN用生成器和判别器互相博弈变分自编码器Variational Autoencoder, VAE走概率建模路线扩散模型Diffusion Model靠逐步去噪生成是当前图像生成的主流。Transformer这一套必须单独拆开讲。注意力Attention是让模型根据相关性给不同位置分配权重的机制。自注意力Self-Attention是序列内部自己算注意力多头注意力Multi-Head Attention是并行做多组捕捉不同子空间的关系。位置编码Positional Encoding是补上顺序信息因为注意力本身不区分先后。编码器-解码器Encoder-Decoder是两种结构的组合编码器负责理解解码器负责生成。前馈网络Feed Forward Network是注意力层后面那个逐位置变换的模块。再往上是工程化的词。混合专家Mixture of Experts, MoE把模型切成多个专家子网络每次只激活一部分用参数量换计算效率。上下文窗口Context Window是模型一次能看进去的词元上限。KV缓存KV Cache是推理时把已算过的键值存下来复用不做这个优化长文本生成会慢到无法接受。中文英文我的理解卷积神经网络Convolutional Neural Network, CNN提局部特征图像主力循环神经网络Recurrent Neural Network, RNN处理序列但记性差长短期记忆网络Long Short-Term Memory, LSTM带门控的序列模型生成对抗网络Generative Adversarial Network, GAN生成器和判别器互搏变分自编码器Variational Autoencoder, VAE概率路线的生成模型扩散模型Diffusion Model逐步去噪生成当前主流注意力Attention按相关性分配权重自注意力Self-Attention序列内部算注意力多头注意力Multi-Head Attention并行多组抓不同关系位置编码Positional Encoding补上顺序信息混合专家Mixture of Experts, MoE只激活部分专家省算力上下文窗口Context Window一次能看多少词元键值缓存KV Cache缓存历史结果加速生成4. 大模型与生成式人工智能层4.1 模型层级与训练阶段术语大语言模型Large Language Model, LLM指参数量大、在海量文本上训练的语言模型。基础模型Foundation Model是更宽的叫法泛指能迁移到多种下游任务的大规模预训练模型不限于语言。训练阶段分两大段预训练Pre-training在海量无标注数据上做自监督学习目的是获得通用表示能力后训练Post-training在预训练之后做定向调整包括监督微调Supervised Fine-Tuning, SFT、指令微调Instruction Tuning和对齐Alignment。对齐这个词容易被误解成让模型听话其实它的目标是让模型的行为与人类价值观和意图一致涵盖有用性、诚实性和无害性几个维度。对齐做过头会出现对齐税Alignment Tax也就是模型变得过度保守该答的也不答了。灾难性遗忘Catastrophic Forgetting是微调后模型丢掉了预训练阶段学到的通用能力这是持续学习里的经典难题。微调手段上全参数微调成本高所以有了参数高效微调Parameter-Efficient Fine-Tuning, PEFT代表方法是低秩适配Low-Rank Adaptation, LoRA思路是冻结原权重只训练一对低秩矩阵用极少的参数达到接近全量微调的效果。推理部署阶段还有量化Quantization、剪枝Pruning、知识蒸馏三件套来压缩模型体积。4.2 提示、生成控制与检索增强术语提示词Prompt是给模型的输入指令提示工程Prompt Engineering是设计这些输入的方法论系统提示System Prompt是设定角色和边界的顶层指令。思维链Chain of Thought, CoT是让模型把推理步骤写出来再给答案对数学和逻辑题效果明显。生成控制参数必须认识三个。温度Temperature控制随机性接近 0 时输出最确定调高会更发散Top-k 采样只在概率最高的 k 个候选里挑Top-p 采样也叫核采样Nucleus Sampling按累积概率截断候选集合。贪心解码Greedy Decoding每步都选概率最高的词束搜索Beam Search同时保留多条候选路径适合翻译这类需要整体最优的任务。生成式系统最该警惕的词是幻觉Hallucination指模型编造出看起来合理但实际错误的内容。对应的缓解思路叫接地Grounding让输出锚定在可验证的来源上。检索增强生成Retrieval-Augmented Generation, RAG是当前最常用的接地方案流程是先把文档切成分块Chunking编码后存进向量数据库Vector Database检索时做语义搜索Semantic Search召回结果再经过重排序Re-ranking后塞进提示。再往上一层是智能体Agent指能自主规划、调用工具调用Tool Use / Function Calling、并根据反馈调整的模型系统。多智能体协作叫多智能体Multi-Agent其中承担规划职责的模块常叫规划器Planner保存历史信息的模块叫记忆Memory。中文英文我的理解大语言模型Large Language Model, LLM参数大、文本量大训出来的模型基础模型Foundation Model能迁移到多任务的大模型预训练Pre-training海量无标注数据自监督学习监督微调Supervised Fine-Tuning, SFT用标注数据做定向调整对齐Alignment让行为符合人类意图低秩适配Low-Rank Adaptation, LoRA冻结原权重只训小矩阵量化Quantization降低数值精度省显存温度Temperature控制输出随机性核采样Nucleus Sampling, Top-p按累积概率截断候选思维链Chain of Thought, CoT先写推理再给答案幻觉Hallucination编造看似合理的内容检索增强生成Retrieval-Augmented Generation, RAG先检索再生成抑制幻觉智能体Agent能规划、调工具、自我调整的系统5. 评估、偏见与常见误用术语5.1 评估指标术语准确率Accuracy是最直观的指标但在类别不平衡时极具欺骗性——负样本占 99% 的数据集全猜负类也能有 0.99。所以要看精确率Precision即预测为正的样本里真正为正的比例召回率Recall即真正的正样本被找出来的比例以及两者的调和平均F1 分数F1 Score。混淆矩阵Confusion Matrix把四类结果排列出来是排查问题最直接的工具。ROC 曲线和AUC衡量排序能力与阈值无关。生成任务里常用困惑度Perplexity, PPL衡量语言模型对文本的意外程度越低说明预测越准。翻译和摘要用BLEU和ROUGE衡量与参考文本的重合度注意它们只看字面重合不理解语义。检测和分割任务看交并比Intersection over Union, IoU和平均精度均值mean Average Precision, mAP。基准测试Benchmark是统一评测集合基线Baseline是对比参照消融实验Ablation Study是逐个去掉模块看影响交叉验证Cross-Validation是轮换验证集以减少划分偶然性。5.2 偏见、安全与鲁棒性术语偏见Bias在人工智能语境里有两种含义一种是统计意义上的偏差另一种是模型输出对特定群体不公平公平性Fairness就是衡量和缓解后者的研究方向。偏见的来源通常是训练数据本身模型只是把数据里的倾向放大了。鲁棒性Robustness指模型面对扰动、噪声、分布外输入时保持稳定的能力对抗样本Adversarial Example是专门构造出来骗过模型的输入。可解释性Explainability和可解释性Interpretability常被混用前者偏重事后给出解释后者偏重模型本身结构上就能被理解。安全侧还有红队测试Red Teaming即主动扮演攻击方找漏洞以及越狱Jailbreak指绕过模型安全限制的提示手法。中文英文我的理解准确率Accuracy最直观但在不平衡时骗人精确率Precision预测为正里有多少真为正召回率Recall真正的正样本找出来多少F1 分数F1 Score精确率和召回率的调和平均混淆矩阵Confusion Matrix四类结果排开看困惑度Perplexity, PPL语言模型的意外程度交并比Intersection over Union, IoU检测框重叠程度消融实验Ablation Study逐个去掉模块看影响偏见Bias数据倾向被模型放大鲁棒性Robustness面对扰动保持稳定对抗样本Adversarial Example专门构造来骗模型的输入红队测试Red Teaming主动扮攻击方找漏洞5.3 术语误用速查有几个词我几乎每次交流都能听到被用错列出来对照一下。第一组是参数和超参数前者训练学后者人手定写实验记录时千万别混。第二组是验证集和测试集前者可以反复用来调后者只能用一次反复用测试集调参等于自己骗自己。第三组是Epoch和Iteration一个轮次包含多个迭代汇报训练进度时说错会被直接看出底子。第四组是微调和提示工程前者改参数后者不改成本差好几个量级。第五组是准确率和精度中文里精度有时指 precision有时泛指 accuracy讨论时最好直接说英文或写清楚定义。第六组是训练和推理一个在学习一个在使用很多资源估算的错误都出在把两者混着算。提示跟别人讨论指标时养成先说数据集分布、再说指标名称的习惯。脱离分布谈准确率基本没有意义。6. 工程落地、职业与学习路径词汇6.1 部署与推理优化术语推理Inference是模型跑起来给结果的过程和训练相对。衡量推理的两个核心指标是延迟Latency和吞吐量Throughput前者看单次响应多快后者看单位时间能处理多少请求两者经常互相牵制。浮点运算次数FLOPs用来估算计算量。硬件侧常见图形处理器GPU、张量处理器TPU、神经网络处理器NPU以及 NVIDIA 的并行计算平台CUDA。模型交换格式有开放神经网络交换格式Open Neural Network Exchange, ONNX推理加速有TensorRT高吞吐服务有vLLM。批推理Batch Inference把多个请求合并处理以提高吞吐代价是单请求延迟上升。模型服务Model Serving是把模型包装成接口的工程环节机器学习运维MLOps是覆盖训练、部署、监控、回滚的全流程实践。联邦学习Federated Learning让数据留在本地只上传模型更新差分隐私Differential Privacy通过在统计结果里加噪声保护个体信息。6.2 边缘计算与具身智能相关术语边缘计算Edge Computing是把计算放到靠近数据源的一侧边缘人工智能Edge AI就是在这类设备上跑模型。它的核心矛盾是算力、功耗、内存三者都紧所以必须配合模型压缩Model Compression包括量化、剪枝和蒸馏。微型机器学习TinyML指在单片机和超低功耗设备上跑的模型。开发板里Jetson Nano是入门常见选择配套的部署流程基本是导出 ONNX、再转 TensorRT 引擎、最后做量化校准。具身智能方向还要认几个词机器人学Robotics是学科总称同步定位与建图Simultaneous Localization and Mapping, SLAM解决我在哪、周围什么样操作Manipulation指抓取和操控物体仿真到现实迁移Sim-to-Real指在仿真里训练、迁移到真机上数字孪生Digital Twin是物理实体的虚拟映射用来做低成本试错。6.3 职业、认证与学习路径术语岗位名称先对齐。人工智能训练师对应AI Trainer工作内容偏数据标注策略、评测设计和模型行为调优现在已有分级认证体系三级通常要求能独立设计标注规范和评测方案。数据标注员Data Annotator偏执行层。算法工程师Algorithm Engineer偏模型设计和实验。机器学习工程师Machine Learning Engineer偏工程化落地。提示工程师Prompt Engineer专注输入设计。生成式人工智能应用工程师侧重把生成式能力接进具体业务系统。人工智能产品经理AI Product Manager负责需求定义和效果验收。人工智能伦理AI Ethics是研究与应用中的规范方向。学习路径上我建议按人工智能基础到人工智能导论到专项深入的顺序走不要一上来就啃大模型论文。人工智能基础概念和人工智能基础知识这两块打牢后面看任何方向都会快。如果是为了做人工智能毕业设计或人工智能大作业优先选有公开数据集、有可比基线、评测指标明确的任务比如经典的猫狗识别这类图像分类虽然简单但全流程跑通一遍的价值远大于追热点。认证方面华为人工智能初识微认证这类入门级认证适合建立框架高级别的生成式应用工程师认证更适合已经上手做过项目的人。中文英文我的理解推理Inference模型跑起来出结果延迟Latency单次响应耗时吞吐量Throughput单位时间处理请求数浮点运算次数FLOPs估算计算量边缘人工智能Edge AI在靠近数据源的设备上跑模型模型压缩Model Compression量化剪枝蒸馏三件套微型机器学习TinyML超低功耗设备上的模型同步定位与建图SLAM我在哪、周围什么样仿真到现实迁移Sim-to-Real仿真训练、真机部署数字孪生Digital Twin物理实体的虚拟映射人工智能训练师AI Trainer标注策略、评测设计、行为调优算法工程师Algorithm Engineer模型设计与实验7. 术语记忆与查阅的实操方法7.1 三层记忆法背术语最忌讳平铺直叙地刷表刷完一遍什么也留不下。我自己的做法是分三层。第一层是场景层每个术语必须挂在一个具体场景上比如数据泄漏挂在我曾经把测试集混进训练集导致指标虚高 0.15 的那次事故上。有场景的词回忆时是顺着故事出来的比孤立记忆牢固得多。第二层是对照层把容易混的成对术语写成两列表格逼自己写清楚差别。比如参数对超参数、验证集对测试集、微调对提示工程、精确率对召回率。这个动作看起来笨但它把我大概知道变成了我能说清而后者才是能在面试和写作里用得上的。第三层是输出层用自己的话给一个完全不懂的人解释这个术语不许用行话。如果你讲自监督学习时只能说就是自己监督自己说明还没真懂。讲成把句子里的词遮住让模型猜答案从原文里来不用人标才算过了这关。7.2 高频踩坑与排查第一类坑是中英文不对应。有些词中文有多个译法比如 Grounding 有人译接地有人译事实锚定有人干脆不译。遇到这种情况我的做法是记住英文原词中文只当辅助搜索文献时一律用英文。这样能避开大量同名不同义的混乱。第二类坑是缩写撞车。AI 既是 Artificial Intelligence在某些语境下也指 Adobe IllustratorML 既是 Machine Learning也出现在其他领域Transformer 既是模型架构也是别的技术名。查资料时把领域词一起带上比如Transformer 注意力机制命中率会高很多。第三类坑是版本漂移。同一个术语在不同阶段的含义会变。比如对齐在早期指格式对齐现在主要指价值对齐智能体在符号主义时代指规则驱动的软件实体现在指大模型驱动的自主系统。读老文献时要注意这一点别拿今天的定义去套十年前的论文。第四类坑是术语堆砌造成的虚假理解。有些人能连续说出多模态、具身、世界模型、端到端一串词但问其中任何一个的具体输入输出是什么就答不上来。判断自己是否真懂一个术语用一句话测试它的输入是什么、输出是什么、解决什么问题、代价是什么。四个问题答不上两个就是还没懂。注意术语表是地图不是领土。看懂地图不等于走过路最终还是要落到一个能跑起来的项目上。我在实际整理和使用这份表的过程中最大的体会是术语的价值不在于它听起来专业而在于它能压缩沟通成本。同一个概念你用一句话说清别人省下十分钟理解时间长期累积下来就是效率差距。另外提一句小技巧我会在术语表里给每个词标一个首次遇到时间半年后回看哪些词反复出现在不同项目里哪些词只出现过一次这个分布本身就能告诉你自己的知识结构偏在哪、缺在哪。这份表你不需要一次背完把它当成工具箱用到哪一层翻哪一层用着用着就长在脑子里了。