怎样系统性地理解AI的技术名词？一个框架

AI领域的造词速度已经到了一个夸张的水平，各种概念眼花缭乱。从龙虾、Agent、循环工程（Loop Engineering），到现在前沿的持续学习和RSI（递归自我改进）。不管是对于初步了解行业还是跟踪AI行业的人，这都是一件比较头疼的事情。

怎样系统性地理解这些概念？笔者尝试提供一个框架。

首先，最重要的一点是，AI这两年的所有技术演进，始终围绕着一个终极目标：提升模型的智能水平。对我们普通人来说，具体就体现在AI能写出更好的代码、更好的文章、做更漂亮的PPT/网页等。

提升模型的智能水平的方式，可以分成两类：改变模型权重 vs 不改变模型权重（如下图）。

1 类型A：改变模型权重的方式，包括预训练和后训练。

预训练是模型的基础。通过大规模互联网文本数据上进行无监督学习，铸造模型的底层世界知识和语言直觉。由于高质量文本数据消耗殆尽以及物理算力的瓶颈，单纯依赖“堆参数”的预训练缩放正在逼近物理饱和点。

后训练通过监督微调和人类/AI反馈强化学习，教导模型理解如何理解指令、保持安全、对齐人类偏好，并以结构化的格式进行输出。这两年后训练的变化主要体现在推理模型，o1、Gemini Thinking、DeepSeek-R1等推理模型就是在这一层用强化学习训练出来的。

2 类型B：不改变模型权重的方式，主要包括推理时扩展（Inference-time Scaling）和Harness

推理时扩展的核心逻辑是在模型参数不变的前提下（不更新权重），通过分配更多的推理算力（生成更多思考Token、搜索更多路径）来换取更高的解答准确率。

Harness：Harness的原意是马具。大模型（Model）就像一匹力气很大的马，而 Harness 就像马鞍和缰绳，决定了AI这匹马往哪个方向走、如何受控。提示词工程、上下文工程、RAG、记忆、工具、MCP、Agent、Harness、循环工程、龙虾（OpenClaw）都属于这个类别。

3 新范式：持续学习、RSI

模型产生的输出与基于此得到的反馈，又会变成新的训练原料，从而成为一个闭环，从而我们可以引出持续学习和RSI等新兴范式（如下图）。

持续学习、RSI强调的是对整个闭环范式的改变。持续学习强调解决灾难性遗忘，每次模型与外界交互获得的经验可以内化到模型中，成为智能的一部分，从而构建AI长期+动态的学习能力。

RSI全称Recursive Self-Improvement，递归自我改进，关键在于递归，递归的本质是自己调用自己；AI改进的是“自己改进自己的能力"，形成复利式的增长。

文章来自于"Luis Lens"，作者 "Luis"。