超人工智能：是人工智能的一个发展阶段，超人工智能在一定层面超越人类智慧，学习能力突破人类极限，形成全面知识系统，能够寻索解决复杂问题。

达特茅斯会议：是1956年8月在美国汉诺丁镇达特茅斯学院举行的科学家会议，会议主题为用机器来模仿人类学习以及其他方面的智能，并起名为人工智能，该会议被广泛认为是全球人工智能研究的开始，1956年被认为是人工智能元年。

多核神经网络处理器：指集成了多个神经网络计算单元的处理器。

机器学习：是一门涉及计算机科学、概率论、统计学、逼近论、凸分析等学科与理论多领域交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

基础层：指支撑人工智能领域的底层技术，如芯片、数据中心、传感器、通信设施与操作系统等。

计算机视觉：是通过机器学习模拟人类视觉功能人工智能技术，实现对图像或视频的识别、标记、分类与处理，是人工智能技术的重要研究方向之一。

技术层：指人工智能领域的算法与框架技术，算法如计算机视觉、机器学习、语音识别等，框架指深度学习框架等。

流片：是指通过工厂，像流水线一样通过一系列工艺步骤生产芯片。

强人工智能：是人工智能的一个发展阶段，强人工智能与人类智慧相当，具有知识体系、创新与自我意识，能快速学习新知识解决新问题。由于强人工智能其自我意识的存在，强人工智能的研究存在较大的社会争议。

人工智能（Artificial Intelligence）：是通过计算机模拟及延展人类智慧行为与人类头脑思维的科学技术，是结合计算机科学、数学与统计学等学科构建的完整基础理论、方法、技术及应用系统。

弱人工智能：是人工智能的一个发展阶段，弱人工智能低于人类智慧，仅能解决单一问题，无知识体系与自我、创新意识。世界人工智能发展水平现处于该阶段。

深度学习：是机器学习的研究方向之一，是通过学习样本数据的特征规律与层次关系使机器具分析、归类、预测等人类智能行为的一项技术。深度学习的主流实现方法有三种：（1）基于卷积运算的神经网络系统，即卷积神经网络（CNN）；（2）基于多层神经元的自编码神经网络，包括自编码以及近年来受到广泛关注的稀疏编码两类（SC）；（3）以多层自编码神经网络的方式进行预训练，进而结合鉴别信息优化神经网络权值的深度置信网络（DBN）。

深度置信网络（DBN） ：深度置信网络（Deep Belief Network）是一个概率生成模型，与传统的判别模型的神经网络相对，深度置信网络生成的模型是建立一个观察数据和标签之间的联合分布，对样本发生概率进行判断。

稀疏编码：是一种无监督学习方法，它用来寻找一组“超完备”基向量（指线性代数中基的元素）来更高效地表示样本数据。稀疏编码算法的目的就是找到一组基向量，使得开发者能将输入向量表示为这些基向量的线性组合。

异构并行架构：指能将不同计算任务分发给不同硬件计算单元，且能保证同时运行的芯片架构。

应用层：指人工智能领域技术的实际应用，可分为通用应用与特定行业应用，通用应用指计算机视觉应用与语音识别应用等，特定行业应用指人工智能在某一特定行业的针对性应用方案，如智慧安防解决方案。

语音识别：是通过机器学习模拟人类听觉功能的人工智能技术，实现对音频的识别、标记、分类与处理，是人工智能技术的重要研究方向之一。

云端AI推理芯片：指部署在云端（指远程主机通过网络集中提供的服务）的利用神经网络模型进行推理预测的推理芯片。

云端AI训练芯片：指部署在云端（指远程主机通过网络集中提供的服务）的用于构建神经网络模型的训练芯片。

智适应教育：是通过人工智能算法提供可规模化的、数据驱动的个性化教育。

终端AI推理芯片：指部署在终端（指实际信息采集时所用的网络设备）的利用神经网络模型进行推理预测的推理芯片。

自编码器：是一类在半监督学习和非监督学习中使用的人工神经网络（ANN），其功能是通过将输入信息作为学习目标，对输入信息进行表征学习。

自然语言处理：是一门融语言学、计算机科学、数学于一体的科学，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，是人工智能技术的重要研究方向之一。

AGI：通用人工智能（Artificial General Intelligence），又称广义人工智能，是一种具有知识迁移能力的人工智能系统，可通过已掌握的技能与知识，快速发散学习，形成知识体系解决新问题，甚至达到人类智慧。

ANI：专用人工智能（Artificial Narrow Intelligence），又称狭义人工智能，是通过对特定问题的研究学习与训练，解决某一特定问题的人工智能，例如AlphaGo，仅能运用于围棋领域，可迁移性较低。

ANN：人工神经网络（Artificial Neural Network），是从信息处理角度对人脑神经元网络进行抽象模拟的技术，其通过建立某种简单模型，按不同的连接方式组成不同的网络。

CNN：卷积神经网络（Convolutional Neural Network）是一类包含卷积计算（一种抽象化，符号化的运算方式）且具有深度结构的前馈神经网络，是深度学习的代表算法之一。

FD-SOI：全耗尽型绝缘体上硅（UTBB-FD-SOI），简称FD-SOI，是一种芯片制造中的平面工艺技术，是一种基于两大创新来实现平面晶体管结构的工艺技术：一是在体硅中引入了超薄的埋氧层作为绝缘层；二是用超薄的顶硅层制造出全耗尽的晶体管沟道。 FD-SOI在成本和性能方面具有优势，在IoT、5G、AI和ADAS/自动驾驶等等领域得到广泛应用。

FNN：前馈神经网络（Feedforward Neural Networks）是一种结构简单的神经网络，各神经元分层排列，每个神经元只与前一层的神经元相连，只接收前一层输出信息，并输出给下一层，各层之间没有反馈。前馈神经网络是目前应用最广泛、发展最迅速的人工神经网络之一。

FP：浮点数量（Floating-point），是浮点（在计算机中用以近似表示任意某个实数）单位，一个fp16数据占据两个字节，其中1位符号位，5位指数位，10位有效精度。

GPU：图像处理单元（Graphics Processing Unit）是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图像和图形相关运算工作的微处理器，也可用于为人工智能模型训练提供算力。

IaaS：基础设施即服务（Infrastructure-as-a-Service）提供消费者计算基础设施的使用权限，包括处理CPU、内存、存储、网络和其它基本的计算资源，用户能够部署和运行任意软件，包括操作系统和应用程序。

ImageNet：是计算机视觉领域的重要大型数据集项目，拥有包含2万多个类别的超过1,400万的手动注释图像，自2010年以来，ImageNet项目每年举办一次软件比赛，即ImageNet大规模视觉识别挑战赛（ILSVRC），软件程序竞相正确分类检测物体和场景，ImageNet也成为计算机视觉领域最受关注赛事。

K12：学前教育至高中教育（kindergarten through twelfth grade）是指从幼儿园到12年级（高三）的教育。

MCM：学习思想、学习能力与学习方法的拆分（Mode of Thinking, Capacity and Methodology）是松鼠AI全球独创的一套教育系统，将思想能力方法梳理和拆分，达到可定义、可测量、可传授。系统分析出每个孩子思维模式、学习能力和学习方法，通过人工智能来塑造和补足，发扬优势，补足短板。

MegaFace：是华盛顿大学人脸图像资料集，包含一百万张图片，代表690,000个独特的人像，是第一个在一百万规模级别的面部识别算法测试基准，是计算机视觉领域算法的权威测试。

OAM：操作维护管理（Operation Administration and Maintenance）的缩写，是加速器模组的规范，已形成行业内的标准。

PCT：专利合作条约（Patent Cooperation Treaty），是有关专利的国际条约。根据PCT的规定，专利申请人可以通过PCT途径递交国际专利申请，向多个国家申请专利。

ResNet-50：ResNet代表残差网络，而ResNet-50代表50层的残差神经网络。

SaaS：软件即服务（Software-as-a-Service）指通过网络等基础设施提供的软件服务，用户可在各种设备上通过客户端界面访问，如浏览器。消费者不需要管理或控制基础设施，包括网络、服务器、操作系统、存储等等。

SMLTA：是由百度提出的流式截断的多层注意力建模，是国际上首次实现局部注意力建模超越整句的注意力模型，在大幅提升识别速度的同时，也可用于提高识别准确率。

SQuAD：是斯坦福大学于2016年推出的文章数据集，是测试自然语言处理算法的阅读理解数据集，以榜单的形式在官网实时更新算法排名，是自然语言处理领域的权威技术榜单。

Switchboard：是一个电话通话录音语料库，作为语音识别系统的基准，其已被使用超过 20 年，人类记录在Switchboard中的成绩为5.9%的词错率。

TFlops：TFlops/s，可以简单写为T/s， 是数据流量的计数单位，意思是”1万亿次浮点指令每秒”，它是衡量一个电脑计算能力的标准。1TFlops=1,024GFlops，即1T=1024G。