全球AI使用现状

世界总人口现在是81亿，如果画成一个方块图，每个方块代表320万人。

68.8亿人还从没用过 AI（灰色方块），占84%。

13.8亿人跟 AI 有过对话（绿色方块），占16%。

1500万～2500万人付费订阅了 AI 服务（黄色方块），占0.3%。

200万～500万人使用 AI 生成了自己的编程项目（红色方块），占0.04%。

图片数据截至2026-03-06前有效

AI应用常见新词汇

随着大模型技术的发展，AI领域在近两年出现了大量新的技术词汇，例如：LLM、Prompt、RAG、Agent等。
这些概念不仅出现在技术文章中，也逐渐进入企业应用场景。

理解这些核心术语的出现原因，有助于更好地理解当前AI系统的工作方式以及未来的应用方向。

一、LLM（Large Language Model，大语言模型）

出现背景

在早期的自然语言处理（NLP）领域，模型通常只能完成单一任务，例如：

  • 情感分析
  • 文本分类
  • 机器翻译

每个任务都需要单独训练一个模型，开发成本较高，通用性也较差。

随着深度学习的发展，研究人员开始训练参数规模更大的通用语言模型，通过海量文本数据进行训练，使模型能够同时具备多种语言理解和生成能力，这类模型被称为 大语言模型（LLM）。

核心含义

LLM是一种通过大量文本数据训练得到的人工智能模型，能够理解和生成自然语言。

实际作用

大语言模型是当前AI应用的核心基础能力，可以用于：

  • 智能对话
  • 自动写作
  • 代码生成
  • 文档总结
  • 数据分析辅助

目前大部分AI应用平台，本质上都是围绕LLM构建的。

二、Prompt（提示词）

出现背景

大语言模型并不是传统意义上的“程序”，它不会严格按照固定逻辑执行任务，而是根据用户输入内容进行语言生成。

因此，用户输入的 指令质量 会直接影响AI输出结果，这就催生了“Prompt”这个概念。

核心含义

Prompt是用户输入给AI模型的指令或文本内容，用来引导模型生成期望的回答。

简单来说：

Prompt = 用户给AI的任务说明。

例如：

“请总结以下文章的核心观点。”

这就是一个Prompt。

实际作用

Prompt决定了AI输出内容的方向和质量。
通过优化Prompt，可以显著提升AI回答的准确性和可读性。

三、Prompt Engineering（提示词工程）

出现背景

在AI应用过程中，人们逐渐发现：

同一个模型，在不同Prompt下，输出质量差异非常大。

因此开始研究 如何设计更好的Prompt，从而让AI更稳定地完成任务，这一方法逐渐形成了一个新的领域——提示词工程。

核心含义

Prompt Engineering是指通过设计结构化提示词，提高AI输出质量的一种方法。

常见方式包括：

  • 明确任务描述
  • 设定角色
  • 提供示例
  • 分步骤思考

实际作用

提示词工程在以下场景中非常重要：

  • AI写作
  • AI数据分析
  • AI客服系统
  • AI编程助手

在很多企业AI应用中，Prompt设计本身就是核心能力之一。

四、RAG（Retrieval-Augmented Generation）

出现背景

大语言模型虽然能力很强，但存在两个明显问题：

  1. 模型知识来源于训练数据，无法获取企业内部数据
  2. 模型有时会生成看似合理但实际错误的信息（AI幻觉）
  3. 与模型的交互记忆上也受限于模型的上下文长度

为了让AI能够结合外部知识回答问题，研究人员提出了 RAG技术架构。

核心含义

RAG是一种将 信息检索技术 与 大语言模型生成能力 结合的技术方案。

基本流程如下：

1 用户提出问题
2 系统在知识库中检索相关资料
3 将检索到的内容提供给大模型
4 大模型结合资料生成回答

实际作用

RAG广泛用于企业AI应用，例如：

  • 企业知识库问答
  • 智能客服系统
  • 文档检索助手
  • 技术支持机器人

目前大多数企业AI知识库系统，都是基于RAG技术实现的。

五、Agent（智能体）

出现背景

传统AI模型只能完成单一任务，例如回答问题或生成文本。

但在实际应用中，人们希望AI能够：

  • 自动完成复杂任务
  • 调用不同工具
  • 执行多步骤操作

因此提出了 AI Agent（智能体） 的概念。

核心含义

Agent是一种能够自主规划任务，并调用不同工具完成目标的AI系统。

与普通AI模型不同，Agent具有以下特点：

  • 能拆解任务
  • 能调用工具
  • 能执行多步骤流程

实际作用

AI Agent通常用于：

  • 自动数据分析
  • 自动生成报告

近年来许多AI平台都开始支持Agent能力。

六、Embedding（向量化）

出现背景

计算机并不能直接理解自然语言，因此需要把文本的语义转换成可以计算的数学形式。

为了解决这个问题，研究人员提出了 Embedding（向量化）技术。

核心含义

Embedding是把文本转换为一组数字向量的技术。

例如：

一句话可能会被表示为：

[0.12, -0.33, 0.58, …]

通过这些向量，可以计算不同文本之间的语义相似度。

实际作用

Embedding是很多AI应用的重要基础能力，例如：

  • 语义搜索
  • 文档相似度计算
  • RAG知识库检索

七、Token（标记）

出现背景

大语言模型在处理文本时，并不是按“字”或“词”直接理解，而是将文本拆分成更小的单位进行计算，这种单位就是Token。

这样做的原因是：

  • 统一不同语言的处理方式
  • 提高模型计算效率
  • 便于模型进行概率预测

核心含义

Token是模型处理文本的最小单位，可以是：

  • 一个字
  • 一个词
  • 或一个字词片段

例如：

一句话可能会被拆分为多个Token后再输入模型。

实际作用

Token在AI应用中非常关键：

  • 影响模型输入长度限制
  • 影响调用成本（很多模型按Token计费）
  • 影响回答完整性

八、Context Window（上下文窗口）

出现背景

大模型在处理文本时，并不能无限读取内容，而是有一个“记忆范围”的限制，这个限制就是上下文窗口。

随着应用复杂度提升，人们越来越需要模型处理更长内容（例如合同、报告），因此Context Window成为重要指标。

核心含义

Context Window指模型一次可以处理的最大Token数量。

例如：

  • 8K上下文
  • 32K上下文
  • 128K上下文

实际作用

上下文窗口直接影响：

  • 能否处理长文档
  • 多轮对话的连续性
  • RAG系统中可注入的知识量