如果你是一个安卓开发最近大概率被这样的需求找过给 App 加一个智能客服入口把用户评论自动分类或者让拍照识别植物。问题是你打开技术方案一看满屏都是模型、特征、损失函数、Transformer、端侧推理……这些词单独看都认识连在一起完全不知道在说什么。这篇文章要做的事很简单用安卓开发能听懂的方式把 AI 和机器学习里的高频术语全部讲清。它不是让你转行做算法而是让你做到三件事第一看懂同事或外包给的方案文档第二知道哪些 AI 能力适合集成到 App哪些不适合第三真正动手把一个最小模型跑在手机或服务器上。先给一个判断机器学习不是什么玄学它本质上是一个“用数据找规律的程序”。传统程序是你写规则机器执行机器学习是机器从数据里总结规则你只负责提供数据和反馈。这个区别是理解所有 AI 术语的第一把钥匙。1. 为什么安卓开发者也必须懂 AI 术语过去AI 是算法工程师的专属领域移动端开发只需要调用后端接口。但最近两年的变化非常明显端侧智能、端云协同、大模型应用、智能体 Agent已经越来越多地出现在安卓项目方案里。这种变化背后有三个实际推力。第一个是硬件红利。现在的手机普遍配备 NPU 或独立 AI 加速单元端侧跑一个轻量模型已经不是实验性质而是常见的性能优化手段。人脸解锁、实时美颜、语音唤醒、相册分类这些功能在系统层已经跑了好几年。作为应用层开发者你迟早要面对“这个模型能不能放到客户端跑”的问题。第二个是隐私合规压力。很多数据不适合上传云端处理比如医疗影像、财务票据、用户的本地聊天内容。此时更合理的方案是让模型直接跑在设备端数据不出手机。如果你不懂端侧部署的基本原理就没法判断方案到底可不可行。第三个是成本控制。云端推理按照调用量计费日活百万的应用每天光模型调用费就是一笔不小的开支。把部分简单推理放到端侧既能降低延迟又能减少服务端成本。但这个优化有没有上限、什么场景适合需要你理解模型大小、推理耗时、资源占用这些概念。所以这篇文章并不是为了让你“追赶热点”而是给安卓开发者补上 AI 协作能力中最低成本的一块拼图术语系统。术语一旦通了文档能看懂会议能对话代码能落地。2. AI、机器学习、深度学习、生成式 AI、智能体别再混为一谈很多初学者把 AI、机器学习、深度学习当成同义词这是第一个需要纠正的概念。AI 是最大的概念指的是让机器表现出智能行为的所有技术。机器学习是 AI 的一个子集强调“从数据中学习规律而不是人工编写规则”。深度学习又是机器学习的一个子集使用多层神经网络自动提取特征。生成式 AI 是深度学习发展到一定阶段后的产物重点是从训练数据中学习分布然后生成新的文本、图像或音频。而智能体 Agent 是另一个维度。它不是一个独立的算法类别而是一套系统组合把大模型作为“大脑”配合工具调用、记忆、规划和行动完成某个目标。安卓开发最常见到的 Agent 形态是那些会调日历、发短信、查天气的“语音助手”或“自动化助理”。术语核心含义安卓开发者常见接触场景AI让机器表现出智能的统称泛指各类智能功能机器学习从数据中学习规律分类、回归、推荐深度学习多层神经网络学习图像识别、语音识别生成式 AI生成新内容AI 对话、文案生成、图像生成智能体 Agent模型 工具 记忆 规划自动化操作、智能助理这个区分为什么重要因为在技术方案评审时如果你听到“这个功能用深度学习来做”你至少能意识到第一它需要数据第二它需要训练第三它可能还需要 GPU 资源。如果你只是笼统地听到“用 AI”你根本无法评估成本和风险。对安卓开发来说还有一个务实的判断标准凡是把任务定义成“从已知样本中找规律”的基本都是机器学习问题凡是涉及连续决策和工具调用的才是 Agent 问题。大多数 App 里的“智能”需求本质上还是机器学习问题。3. 数据类术语特征、标签、训练集、测试集机器学习的第一步永远是数据。数据相关术语是安卓开发者读算法文档时最先遇到的一批词也是最容易被忽略的一批。3.1 特征与标签特征是你用来做判断的输入信息。标签是你希望模型预测的结果。举个安卓场景你做一个“用户评论情绪分类”功能输入是一条评论文本输出是“正面”或“负面”。这里评论的文本内容、评论长度、感叹号数量、是否包含某些情绪词都是特征而“正面 / 负面”就是标签。如果一条评论是“这个版本启动速度很快界面也很清爽”那这条数据可以表示成{ text: 这个版本启动速度很快界面也很清爽, length: 18, exclamation_count: 0, sentiment: positive }这里的length和exclamation_count是结构化特征text是原始文本sentiment是标签。模型训练时做的事就是找到这些特征和标签之间的映射关系。还有一种区分方式有标签的是监督学习没有标签的是无监督学习。你想让模型自动判断情绪属于监督学习你想让模型把相似的用户评论自动聚类但没有预定义类别属于无监督学习。绝大多数 App 内 AI 功能是监督学习。3.2 训练集、验证集、测试集数据不是随随便便扔给模型就行。实践中会把数据集切成三份。训练集用于让模型拟合规律占据数据的大部分。验证集用于训练过程中调整超参数防止模型只记住训练数据。测试集用于最终评估模拟模型在真实新数据上的表现。这三份数据之间必须没有交叉否则评估结果会虚高。很多新手犯的错误是用训练集的数据去做最终评估得出一个 99% 的准确率上线后被真实数据打回原形。这就是数据泄漏的典型表现。3.3 数据清洗与特征工程原始数据往往不能直接训练。文本里有噪声字符数值字段有缺失图片尺寸不统一这些都需要清洗。特征工程是把原始数据转换成更有表达能力的特征。同一个问题特征工程做得好的团队哪怕模型复杂度不高效果也可能碾压花哨的大模型。对安卓开发来说你不需要亲自做大量特征工程但要知道它存在并且知道它是项目耗时的重灾区。数据增强是在原有数据基础上生成更多变化样本常见于图像任务旋转、裁剪、调亮度。端侧图像识别项目如果遇到效果不稳通常会从这个方向补强。这里想提醒一点很多团队一上来就追求“模型越复杂越好”实际项目里数据质量才是最大的瓶颈。数据数量少、标签错误、类别不均衡这些问题靠调模型很难解决。4. 模型与算法术语神经网络、CNN、RNN、Transformer这一节是全文术语最密集的部分。我尽量用安卓开发的日常经验来类比。4.1 模型和算法的区别算法是一套学习规则模型是学习完成之后保存下来的参数集合。你可以把算法理解成一套“训练流程”把模型理解成流程跑完后的产物。安卓集成时拿到的是模型文件比如.tflite、.onnx或.pt这些文件本质上存储的就是一堆权重参数和网络结构配置。所以当你听到“我们用了 Transformer”他可能是在说训练时用的网络结构当你听到“这个模型有 70 亿参数”他是在说模型文件里权重规模。两者不在同一个层次。4.2 神经网络的基础组成神经网络由神经元、层、权重、偏置组成。一个神经元接收输入乘以权重再加上偏置最后经过激活函数输出结果。很多神经元堆叠成层很多层串联成网络。安卓开发里能类比的场景是 View 树单个 TextView 是神经元一个 LinearLayout 是一层整棵 View 树是网络。输入从最底层传入经过一层层计算最终在顶层输出预测结果。权重是网络最核心的东西。训练的时候网络不断调整权重让预测结果逼近真实标签。训练完成后权重固定下来推理时只做前向计算不再更新权重。4.3 CNN、RNN、Transformer 各自擅长什么CNN卷积神经网络擅长图像任务。它的核心操作是卷积和池化。卷积可以理解为用一个小窗口在图片上滑动提取局部特征池化是下采样压缩信息、降低计算量。为什么不用全连接网络直接处理图片因为图片像素太多全连接参数量爆炸而且无法保留空间结构。CNN 用局部连接和权值共享解决了这个问题。RNN循环神经网络擅长序列数据。它把上一个时刻的输出作为下一个时刻的输入从而形成“记忆”。LSTM 是 RNN 的改进版解决了长序列中的梯度消失问题。语音、文本、时间序列这些场景以前主要靠 RNN 系列。Transformer 是 2017 年后最重要的模型结构核心是注意力机制。注意力机制让模型在处理一个位置时可以同时关注序列中的所有其他位置从而捕捉长距离依赖。相比 RNN 的逐步串行Transformer 可以并行计算训练效率更高。为什么现在大模型都基于 Transformer因为语言本质上是一种长距离依赖非常明显的序列。一句话的意思可能由很远的上下文决定。RNN 处理这种长距离依赖很吃力Transformer 则天然擅长。对安卓开发来说这些结构不需要你都手动实现但你至少要知道图像任务默认可以选 CNN 或 MobileNet 这类轻量网络文本分类任务可以从 Transformer 家族的轻量模型入手简单场景甚至用传统机器学习就够了。5. 训练术语损失函数、优化器、过拟合、评估指标模型不是一次训练就完成。训练过程有一些高频术语方案文档里几乎必定出现。5.1 损失函数损失函数衡量模型预测结果和真实标签之间的差距。损失越小说明预测越准。分类任务常用交叉熵损失回归任务常用均方误差 MSE。可以把它类比成安卓开发里的单元测试失败数每次迭代模型都在想办法降低这个失败数。不同任务要选不同的“评分标准”。选错损失函数模型会学偏。5.2 优化器与梯度下降优化器是“如何调整权重”的策略梯度下降是最基本的优化思想。每次计算损失后根据梯度方向更新权重让损失逐步下降。SGD 和 Adam 是两种常见优化器。SGD 简单稳定Adam 收敛快、对超参数不敏感。实际项目中 Adam 用得更多。但 Adam 不保证一定比 SGD 泛化好具体要看任务。这里有个概念容易混淆epoch 和 batch size。一个 epoch 表示模型遍历完整个训练集一次。如果数据量太大不能一次性全部塞进内存就把数据切成多个 batch 轮流训练。batch size 是每个批次的数据量。学习率是每次权重更新的步长设置过大会震荡设置过小则训练太慢。5.3 过拟合与欠拟合过拟合是训练中最常见的问题模型在训练集上表现很好在测试集上表现很差。相当于一个学生把练习题答案背下来了遇到新题目就蒙。欠拟合相反模型连训练集都拟合不好说明容量不够或训练不足。解决过拟合的常用手段包括正则化、Dropout、数据增强和早停。正则化给权重增加惩罚项让权重不要过大Dropout 在训练时随机丢弃一部分神经元防止网络过于依赖某一特征早停是在验证集效果开始变差时停止训练。5.4 评估指标一个模型好不好不能只看准确率。分类任务常用的指标有准确率、精确率、召回率和 F1。准确率是预测正确的比例。精确率是“预测为正例的样本中真正为正例的比例”召回率是“真实正例中被预测出来的比例”。两者常常此消彼长F1 是两者的调和平均。在样本类别不均衡的场景下准确率会骗人。比如 99% 的样本是负例模型全部预测为负例也能获得 99% 准确率但没有任何使用价值。这时候需要看精确率和召回率。指标关注点安卓场景类比准确率整体正确比例全部判断里有几个是对的精确率预测正例的可靠性拦截的垃圾评论里有多少真垃圾召回率正例被找到的比率真实垃圾评论被拦住多少F1精确率和召回率的均衡综合评分6. 安卓端落地术语ML Kit、TFLite、ONNX、量化术语讲到这里开始进入安卓开发者真正动手的部分。AI 能力集成到 Android App大致有三种路线。6.1 三种集成路线第一种是纯云端 API。App 把图片或文本上传到服务端服务端调用训练好的模型返回结果。这种路线适合大模型、复杂推理但依赖网络且要考虑成本和隐私。第二种是端侧 SDK最有代表性的是 ML Kit。ML Kit 提供文本识别、人脸检测、物体识别、翻译、条码扫描等即用能力不需要你懂模型训练包一个 SDK 就能调用。适合需求固定、不想折腾算法的团队。第三种是自定义模型部署。你把训练好的模型转成 TFLite 或 ONNX 格式放进 App 的 assets 目录用推理引擎本地运行。这种路线适合有定制模型、对离线能力和隐私要求高的场景。对大多数安卓项目我的建议是优先考虑 ML Kit它封装得很好当 ML Kit 满足不了需求才考虑自定义模型部署。6.2 模型格式与推理引擎TensorFlow Lite 是谷歌推出的端侧推理方案支持 Android 和 iOS。模型通常以.tflite格式保存使用InterpreterAPI 加载执行。ONNX 是一个跨框架模型格式标准。用 PyTorch 训练的模型可以导出成 ONNX再用 ONNX Runtime 在安卓端运行。它解决了框架锁定问题团队里既有 TensorFlow 又有 PyTorch 时比较有价值。模型压缩是端侧部署必须考虑的问题。量化把模型里的浮点参数从 32 位降到 8 位或更低可以显著减小体积、提升推理速度但会带来少量精度损失。剪枝把不重要的权重直接置零或移除让模型更小。很多端侧模型必须经过量化才能在手机上跑得流畅。6.3 ML Kit 快速上手示例下面用一个文本识别示例展示 ML Kit 的使用方式。// 文件路径app/src/main/java/com/example/mlbasics/TextRecognitionHelper.kt import android.util.Log import com.google.mlkit.vision.common.InputImage import com.google.mlkit.vision.text.TextRecognition import com.google.mlkit.vision.text.latin.TextRecognizerOptions fun recognizeText(image: InputImage) { val recognizer TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS) recognizer.process(image) .addOnSuccessListener { visionText - val resultText visionText.text Log.d(MLKitDemo, 识别结果: $resultText) } .addOnFailureListener { e - Log.e(MLKitDemo, 识别失败, e) } }接入步骤很简单在build.gradle里添加 ML Kit 依赖把要识别的图片转成InputImage然后调用process方法。失败时优先检查图片方向、清晰度和模型依赖是否正确下载。6.4 TFLite 推理示例如果你的模型已经转成.tflite那就要用 Interpreter 来加载和推理。// 文件路径app/src/main/java/com/example/mlbasics/Classifier.kt import android.content.Context import org.tensorflow.lite.Interpreter import java.io.FileInputStream import java.nio.MappedByteBuffer import java.nio.channels.FileChannel class Classifier(context: Context, modelPath: String) { private var interpreter: Interpreter? null fun load(): Boolean { return try { val assetFileDescriptor context.assets.openFd(modelPath) val inputStream FileInputStream(assetFileDescriptor.fileDescriptor) val fileChannel inputStream.channel val startOffset assetFileDescriptor.startOffset val declaredLength assetFileDescriptor.declaredLength val modelBuffer: MappedByteBuffer fileChannel.map( FileChannel.MapMode.READ_ONLY, startOffset, declaredLength ) interpreter Interpreter(modelBuffer) true } catch (e: Exception) { e.printStackTrace() false } } fun classify(input: FloatArray, labelSize: Int): Int? { val output Array(1) { FloatArray(labelSize) } interpreter?.run(input, output) return output[0].indices.maxByOrNull { output[0][it] } } fun close() { interpreter?.close() interpreter null } }代码本身不复杂但有几个容易踩的坑。第一模型文件必须放在assets目录路径要和传入一致。第二Input 输出数组的 shape 必须严格匹配模型要求可以用interpreter.getInputTensor(0).shape()查看。第三Interpreter 使用完毕要调用close()否则会有内存泄漏。7. 一个最小实战流程从数据到端侧推理为了让上面的概念串起来我们走一个端到端的最小流程判断用户评论的情绪是正面还是负面。这一步的关键不是模型多强大而是让你亲眼看一次“数据 - 训练 - 导出 - 集成”的完整闭环。7.1 准备数据先准备少量带标签的评论数据。[ {text: 这个版本的启动速度很快, sentiment: positive}, {text: 升级后经常闪退, sentiment: negative}, {text: 界面设计很清爽, sentiment: positive}, {text: 耗电比之前严重, sentiment: negative}, {text: 拍照效果提升明显, sentiment: positive}, {text: 通知栏卡死了, sentiment: negative} ]真实项目中数据量至少几千条这里只用于演示流程。7.2 训练一个简单模型为了不在文章里展开完整的深度学习训练代码我们用 scikit-learn 的逻辑回归来做演示。这个环节只需要电脑有 Python 环境。# 文件路径train_demo.py import numpy as np from sklearn.linear_model import LogisticRegression # 特征1评论长度特征2感叹号数量 X np.array([ [12, 0], [35, 2], [18, 1], [50, 4], [28, 0], [45, 3] ]) # 1 表示正面情绪0 表示负面情绪 y np.array([0, 1, 0, 1, 0, 1]) model LogisticRegression() model.fit(X, y) print(模型系数:, model.coef_) print(模型截距:, model.intercept_) # 预测一条新评论长度 20感叹号数量 1 new_sample np.array([[20, 1]]) prediction model.predict(new_sample) print(预测结果:, prediction)运行前需要安装依赖pip install numpy scikit-learn运行后你就能看到模型系数和预测结果。逻辑回归的预测逻辑本身很简单就是加权求和加 sigmoid但它包含了你需要理解的完整流程喂数据、训练、预测。7.3 导出并集成到安卓在真实项目中训练好的模型会转换成 TFLite 格式放进assets。然后使用上一节的Classifier类完成加载和推理。你需要提前确定模型输入是几个特征输出是几个类别。以当前示例来说输入是两个 Float输出是两个类别的得分取得分高的作为预测结果。调用时只需// 文件路径app/src/main/java/com/example/mlbasics/MainActivity.kt val classifier Classifier(this, sentiment_model.tflite) classifier.load() val resultIndex classifier.classify(floatArrayOf(20f, 1f), 2) println(预测结果索引: $resultIndex) classifier.close()到这里你实际上已经走完了一个完整的 AI 功能集成流程。剩下的工作就是把真实数据集、真实模型结构和评估指标替换进来。7.4 如何验证效果端到端流程跑通后不能只看一次预测结果。建议分三步验证第一步在训练集上预测确认模型没有代码层面的 bug。第二步在测试集上做批量评估计算准确率、精确率、召回率和 F1。第三步拿真实用户数据做小流量测试观察线上效果。如果训练集效果很好、测试集效果很差基本可以判断为过拟合需要回到数据处理和正则化方向。8. 常见问题与排查思路安卓开发集成机器学习功能时有一些问题高频出现。这里汇总成表格方便你排查。问题现象可能原因排查方式解决方案加载 TFLite 模型失败assets 路径错误或模型文件损坏检查 assets 目录和模型大小确认路径拼写重新导出模型推理结果与预期完全不符输入数据没有做和训练时相同的预处理检查特征归一化逻辑在训练和推理两端保持完全一致的预处理流程模型文件太大APK 体积暴涨没有做量化压缩查看模型原始大小使用量化、剪枝或改用 ML Kit 等封装能力低端机运行卡顿模型输入尺寸过大CPU 推理耗时高监控推理耗时和内存占用降低输入分辨率启用 GPU/NPU 加速或换用更小模型端侧效果比云端差端侧模型做了量化精度下降对比量化前后评估指标接受精度损失或采用端云混合策略只把复杂样本发到云端ML Kit 依赖下载超时网络问题或依赖配置错误检查 Gradle 日志切换到稳定的镜像源或增加超时时间这里想重点强调第一个问题的排查顺序先确认 assets 路径正确再确认模型没有在传输过程中损坏最后确认 TFLite 版本和模型算子兼容。很多看起来复杂的问题源头只是一个路径拼写错误。9. 最佳实践与工程建议术语掌握之后真正拉开差距的是工程习惯。9.1 先定义评估指标再开始训练很多项目一开始只关心“能不能跑通”忽略了效果评估。上线前临时发现准确率不够又不知道该怎么调。正确的做法是在项目启动时就把任务定义清楚这个是分类还是回归正例是什么评估指标用准确率还是 F1最低可接受值是多少。指标先定训练才有方向。9.2 端侧能力要控制体积和功耗移动端资源有限。模型文件尽量控制在 10MB 以内输入图片尽量压缩分辨率推理操作放到后台线程。不要在主线程里跑推理否则 UI 会掉帧甚至触发 ANR。如果 App 有大量模型同时加载要设计合理的加载时机和释放策略。9.3 重视数据隐私和权限提示如果模型在端侧处理用户数据表面上减少了云上传但仍然需要在隐私政策中说明。如果使用云 API则要明确用户数据和第三方服务之间的边界。合适合规的问题不是技术问题但技术方案会影响合规判断。9.4 用灰度发布和监控保障迭代模型上线不是终点。线上数据分布会漂移用户使用习惯会变化模型效果会衰减。建议在 App 内加入轻量埋点统计推理请求量、成功率、耗时和用户反馈。新模型先对一小部分用户开放对比指标后再全量发布。9.5 与算法团队协同的版本管理模型也需要版本管理。建议约定模型文件的命名规则例如sentiment_model_v3_quantized.tflite并在代码里记录模型 hash。后端模型、安卓端模型、iOS 端模型要统一登记避免多人协作时搞混。9.6 从已有模板而不是从零开始如果想快速在安卓端跑通一个 demo建议先从 ML Kit 和 TensorFlow Lite 官方示例仓库入手。官方 example 覆盖了图像分类、对象检测、文本分类等常见场景直接改造成本远低于从零写一套。理解代码后再替换成自己的模型。10. 总结与后续学习方向这篇文章把所有高频术语按照“数据 - 模型 - 训练 - 部署 - 评测 - 工程化”的顺序串了一遍。你会发现它们不是零散的知识点而是同一条流水线上的不同环节。AI 功能要落地离不开清晰的业务问题定义、高质量的数据、合适的模型、可靠的部署和持续的评估。对安卓开发者来说接下来的学习路径可以分三步走。第一步把 ML Kit 的官方文档过一遍亲手跑两个 demo建立端侧 AI 的体感。第二步用 TensorFlow Lite 把你的自定义模型部署到手机理解模型转换、输入输出 shape 和推理性能。第三步如果在工作中遇到需要训练模型的需求再系统学习机器学习基础比如吴恩达的机器学习公开课或是周志华的《机器学习》重点章节。建议把本文收藏备用。下次有人再跟你说“这个功能用 AI 实现一下”你至少能提出几个决定性追问数据从哪来标签怎么定义效果怎么评估什么时候能见到第一个可运行的模型能回答清楚这三个问题的团队项目才值得启动。 
长河君 · 2026/8/27 20:43:39 · 阅读 1.2k 安卓开发者必读：AI与机器学习高频术语全解析
如果你是一个安卓开发最近大概率被这样的需求找过给 App 加一个智能客服入口把用户评论自动分类或者让拍照识别植物。问题是你打开技术方案一看满屏都是模型、特征、损失函数、Transformer、端侧推理……这些词单独看都认识连在一起完全不知道在说什么。这篇文章要做的事很简单用安卓开发能听懂的方式把 AI 和机器学习里的高频术语全部讲清。它不是让你转行做算法而是让你做到三件事第一看懂同事或外包给的方案文档第二知道哪些 AI 能力适合集成到 App哪些不适合第三真正动手把一个最小模型跑在手机或服务器上。先给一个判断机器学习不是什么玄学它本质上是一个“用数据找规律的程序”。传统程序是你写规则机器执行机器学习是机器从数据里总结规则你只负责提供数据和反馈。这个区别是理解所有 AI 术语的第一把钥匙。1. 为什么安卓开发者也必须懂 AI 术语过去AI 是算法工程师的专属领域移动端开发只需要调用后端接口。但最近两年的变化非常明显端侧智能、端云协同、大模型应用、智能体 Agent已经越来越多地出现在安卓项目方案里。这种变化背后有三个实际推力。第一个是硬件红利。现在的手机普遍配备 NPU 或独立 AI 加速单元端侧跑一个轻量模型已经不是实验性质而是常见的性能优化手段。人脸解锁、实时美颜、语音唤醒、相册分类这些功能在系统层已经跑了好几年。作为应用层开发者你迟早要面对“这个模型能不能放到客户端跑”的问题。第二个是隐私合规压力。很多数据不适合上传云端处理比如医疗影像、财务票据、用户的本地聊天内容。此时更合理的方案是让模型直接跑在设备端数据不出手机。如果你不懂端侧部署的基本原理就没法判断方案到底可不可行。第三个是成本控制。云端推理按照调用量计费日活百万的应用每天光模型调用费就是一笔不小的开支。把部分简单推理放到端侧既能降低延迟又能减少服务端成本。但这个优化有没有上限、什么场景适合需要你理解模型大小、推理耗时、资源占用这些概念。所以这篇文章并不是为了让你“追赶热点”而是给安卓开发者补上 AI 协作能力中最低成本的一块拼图术语系统。术语一旦通了文档能看懂会议能对话代码能落地。2. AI、机器学习、深度学习、生成式 AI、智能体别再混为一谈很多初学者把 AI、机器学习、深度学习当成同义词这是第一个需要纠正的概念。AI 是最大的概念指的是让机器表现出智能行为的所有技术。机器学习是 AI 的一个子集强调“从数据中学习规律而不是人工编写规则”。深度学习又是机器学习的一个子集使用多层神经网络自动提取特征。生成式 AI 是深度学习发展到一定阶段后的产物重点是从训练数据中学习分布然后生成新的文本、图像或音频。而智能体 Agent 是另一个维度。它不是一个独立的算法类别而是一套系统组合把大模型作为“大脑”配合工具调用、记忆、规划和行动完成某个目标。安卓开发最常见到的 Agent 形态是那些会调日历、发短信、查天气的“语音助手”或“自动化助理”。术语核心含义安卓开发者常见接触场景AI让机器表现出智能的统称泛指各类智能功能机器学习从数据中学习规律分类、回归、推荐深度学习多层神经网络学习图像识别、语音识别生成式 AI生成新内容AI 对话、文案生成、图像生成智能体 Agent模型 工具 记忆 规划自动化操作、智能助理这个区分为什么重要因为在技术方案评审时如果你听到“这个功能用深度学习来做”你至少能意识到第一它需要数据第二它需要训练第三它可能还需要 GPU 资源。如果你只是笼统地听到“用 AI”你根本无法评估成本和风险。对安卓开发来说还有一个务实的判断标准凡是把任务定义成“从已知样本中找规律”的基本都是机器学习问题凡是涉及连续决策和工具调用的才是 Agent 问题。大多数 App 里的“智能”需求本质上还是机器学习问题。3. 数据类术语特征、标签、训练集、测试集机器学习的第一步永远是数据。数据相关术语是安卓开发者读算法文档时最先遇到的一批词也是最容易被忽略的一批。3.1 特征与标签特征是你用来做判断的输入信息。标签是你希望模型预测的结果。举个安卓场景你做一个“用户评论情绪分类”功能输入是一条评论文本输出是“正面”或“负面”。这里评论的文本内容、评论长度、感叹号数量、是否包含某些情绪词都是特征而“正面 / 负面”就是标签。如果一条评论是“这个版本启动速度很快界面也很清爽”那这条数据可以表示成{ text: 这个版本启动速度很快界面也很清爽, length: 18, exclamation_count: 0, sentiment: positive }这里的length和exclamation_count是结构化特征text是原始文本sentiment是标签。模型训练时做的事就是找到这些特征和标签之间的映射关系。还有一种区分方式有标签的是监督学习没有标签的是无监督学习。你想让模型自动判断情绪属于监督学习你想让模型把相似的用户评论自动聚类但没有预定义类别属于无监督学习。绝大多数 App 内 AI 功能是监督学习。3.2 训练集、验证集、测试集数据不是随随便便扔给模型就行。实践中会把数据集切成三份。训练集用于让模型拟合规律占据数据的大部分。验证集用于训练过程中调整超参数防止模型只记住训练数据。测试集用于最终评估模拟模型在真实新数据上的表现。这三份数据之间必须没有交叉否则评估结果会虚高。很多新手犯的错误是用训练集的数据去做最终评估得出一个 99% 的准确率上线后被真实数据打回原形。这就是数据泄漏的典型表现。3.3 数据清洗与特征工程原始数据往往不能直接训练。文本里有噪声字符数值字段有缺失图片尺寸不统一这些都需要清洗。特征工程是把原始数据转换成更有表达能力的特征。同一个问题特征工程做得好的团队哪怕模型复杂度不高效果也可能碾压花哨的大模型。对安卓开发来说你不需要亲自做大量特征工程但要知道它存在并且知道它是项目耗时的重灾区。数据增强是在原有数据基础上生成更多变化样本常见于图像任务旋转、裁剪、调亮度。端侧图像识别项目如果遇到效果不稳通常会从这个方向补强。这里想提醒一点很多团队一上来就追求“模型越复杂越好”实际项目里数据质量才是最大的瓶颈。数据数量少、标签错误、类别不均衡这些问题靠调模型很难解决。4. 模型与算法术语神经网络、CNN、RNN、Transformer这一节是全文术语最密集的部分。我尽量用安卓开发的日常经验来类比。4.1 模型和算法的区别算法是一套学习规则模型是学习完成之后保存下来的参数集合。你可以把算法理解成一套“训练流程”把模型理解成流程跑完后的产物。安卓集成时拿到的是模型文件比如.tflite、.onnx或.pt这些文件本质上存储的就是一堆权重参数和网络结构配置。所以当你听到“我们用了 Transformer”他可能是在说训练时用的网络结构当你听到“这个模型有 70 亿参数”他是在说模型文件里权重规模。两者不在同一个层次。4.2 神经网络的基础组成神经网络由神经元、层、权重、偏置组成。一个神经元接收输入乘以权重再加上偏置最后经过激活函数输出结果。很多神经元堆叠成层很多层串联成网络。安卓开发里能类比的场景是 View 树单个 TextView 是神经元一个 LinearLayout 是一层整棵 View 树是网络。输入从最底层传入经过一层层计算最终在顶层输出预测结果。权重是网络最核心的东西。训练的时候网络不断调整权重让预测结果逼近真实标签。训练完成后权重固定下来推理时只做前向计算不再更新权重。4.3 CNN、RNN、Transformer 各自擅长什么CNN卷积神经网络擅长图像任务。它的核心操作是卷积和池化。卷积可以理解为用一个小窗口在图片上滑动提取局部特征池化是下采样压缩信息、降低计算量。为什么不用全连接网络直接处理图片因为图片像素太多全连接参数量爆炸而且无法保留空间结构。CNN 用局部连接和权值共享解决了这个问题。RNN循环神经网络擅长序列数据。它把上一个时刻的输出作为下一个时刻的输入从而形成“记忆”。LSTM 是 RNN 的改进版解决了长序列中的梯度消失问题。语音、文本、时间序列这些场景以前主要靠 RNN 系列。Transformer 是 2017 年后最重要的模型结构核心是注意力机制。注意力机制让模型在处理一个位置时可以同时关注序列中的所有其他位置从而捕捉长距离依赖。相比 RNN 的逐步串行Transformer 可以并行计算训练效率更高。为什么现在大模型都基于 Transformer因为语言本质上是一种长距离依赖非常明显的序列。一句话的意思可能由很远的上下文决定。RNN 处理这种长距离依赖很吃力Transformer 则天然擅长。对安卓开发来说这些结构不需要你都手动实现但你至少要知道图像任务默认可以选 CNN 或 MobileNet 这类轻量网络文本分类任务可以从 Transformer 家族的轻量模型入手简单场景甚至用传统机器学习就够了。5. 训练术语损失函数、优化器、过拟合、评估指标模型不是一次训练就完成。训练过程有一些高频术语方案文档里几乎必定出现。5.1 损失函数损失函数衡量模型预测结果和真实标签之间的差距。损失越小说明预测越准。分类任务常用交叉熵损失回归任务常用均方误差 MSE。可以把它类比成安卓开发里的单元测试失败数每次迭代模型都在想办法降低这个失败数。不同任务要选不同的“评分标准”。选错损失函数模型会学偏。5.2 优化器与梯度下降优化器是“如何调整权重”的策略梯度下降是最基本的优化思想。每次计算损失后根据梯度方向更新权重让损失逐步下降。SGD 和 Adam 是两种常见优化器。SGD 简单稳定Adam 收敛快、对超参数不敏感。实际项目中 Adam 用得更多。但 Adam 不保证一定比 SGD 泛化好具体要看任务。这里有个概念容易混淆epoch 和 batch size。一个 epoch 表示模型遍历完整个训练集一次。如果数据量太大不能一次性全部塞进内存就把数据切成多个 batch 轮流训练。batch size 是每个批次的数据量。学习率是每次权重更新的步长设置过大会震荡设置过小则训练太慢。5.3 过拟合与欠拟合过拟合是训练中最常见的问题模型在训练集上表现很好在测试集上表现很差。相当于一个学生把练习题答案背下来了遇到新题目就蒙。欠拟合相反模型连训练集都拟合不好说明容量不够或训练不足。解决过拟合的常用手段包括正则化、Dropout、数据增强和早停。正则化给权重增加惩罚项让权重不要过大Dropout 在训练时随机丢弃一部分神经元防止网络过于依赖某一特征早停是在验证集效果开始变差时停止训练。5.4 评估指标一个模型好不好不能只看准确率。分类任务常用的指标有准确率、精确率、召回率和 F1。准确率是预测正确的比例。精确率是“预测为正例的样本中真正为正例的比例”召回率是“真实正例中被预测出来的比例”。两者常常此消彼长F1 是两者的调和平均。在样本类别不均衡的场景下准确率会骗人。比如 99% 的样本是负例模型全部预测为负例也能获得 99% 准确率但没有任何使用价值。这时候需要看精确率和召回率。指标关注点安卓场景类比准确率整体正确比例全部判断里有几个是对的精确率预测正例的可靠性拦截的垃圾评论里有多少真垃圾召回率正例被找到的比率真实垃圾评论被拦住多少F1精确率和召回率的均衡综合评分6. 安卓端落地术语ML Kit、TFLite、ONNX、量化术语讲到这里开始进入安卓开发者真正动手的部分。AI 能力集成到 Android App大致有三种路线。6.1 三种集成路线第一种是纯云端 API。App 把图片或文本上传到服务端服务端调用训练好的模型返回结果。这种路线适合大模型、复杂推理但依赖网络且要考虑成本和隐私。第二种是端侧 SDK最有代表性的是 ML Kit。ML Kit 提供文本识别、人脸检测、物体识别、翻译、条码扫描等即用能力不需要你懂模型训练包一个 SDK 就能调用。适合需求固定、不想折腾算法的团队。第三种是自定义模型部署。你把训练好的模型转成 TFLite 或 ONNX 格式放进 App 的 assets 目录用推理引擎本地运行。这种路线适合有定制模型、对离线能力和隐私要求高的场景。对大多数安卓项目我的建议是优先考虑 ML Kit它封装得很好当 ML Kit 满足不了需求才考虑自定义模型部署。6.2 模型格式与推理引擎TensorFlow Lite 是谷歌推出的端侧推理方案支持 Android 和 iOS。模型通常以.tflite格式保存使用InterpreterAPI 加载执行。ONNX 是一个跨框架模型格式标准。用 PyTorch 训练的模型可以导出成 ONNX再用 ONNX Runtime 在安卓端运行。它解决了框架锁定问题团队里既有 TensorFlow 又有 PyTorch 时比较有价值。模型压缩是端侧部署必须考虑的问题。量化把模型里的浮点参数从 32 位降到 8 位或更低可以显著减小体积、提升推理速度但会带来少量精度损失。剪枝把不重要的权重直接置零或移除让模型更小。很多端侧模型必须经过量化才能在手机上跑得流畅。6.3 ML Kit 快速上手示例下面用一个文本识别示例展示 ML Kit 的使用方式。// 文件路径app/src/main/java/com/example/mlbasics/TextRecognitionHelper.kt import android.util.Log import com.google.mlkit.vision.common.InputImage import com.google.mlkit.vision.text.TextRecognition import com.google.mlkit.vision.text.latin.TextRecognizerOptions fun recognizeText(image: InputImage) { val recognizer TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS) recognizer.process(image) .addOnSuccessListener { visionText - val resultText visionText.text Log.d(MLKitDemo, 识别结果: $resultText) } .addOnFailureListener { e - Log.e(MLKitDemo, 识别失败, e) } }接入步骤很简单在build.gradle里添加 ML Kit 依赖把要识别的图片转成InputImage然后调用process方法。失败时优先检查图片方向、清晰度和模型依赖是否正确下载。6.4 TFLite 推理示例如果你的模型已经转成.tflite那就要用 Interpreter 来加载和推理。// 文件路径app/src/main/java/com/example/mlbasics/Classifier.kt import android.content.Context import org.tensorflow.lite.Interpreter import java.io.FileInputStream import java.nio.MappedByteBuffer import java.nio.channels.FileChannel class Classifier(context: Context, modelPath: String) { private var interpreter: Interpreter? null fun load(): Boolean { return try { val assetFileDescriptor context.assets.openFd(modelPath) val inputStream FileInputStream(assetFileDescriptor.fileDescriptor) val fileChannel inputStream.channel val startOffset assetFileDescriptor.startOffset val declaredLength assetFileDescriptor.declaredLength val modelBuffer: MappedByteBuffer fileChannel.map( FileChannel.MapMode.READ_ONLY, startOffset, declaredLength ) interpreter Interpreter(modelBuffer) true } catch (e: Exception) { e.printStackTrace() false } } fun classify(input: FloatArray, labelSize: Int): Int? { val output Array(1) { FloatArray(labelSize) } interpreter?.run(input, output) return output[0].indices.maxByOrNull { output[0][it] } } fun close() { interpreter?.close() interpreter null } }代码本身不复杂但有几个容易踩的坑。第一模型文件必须放在assets目录路径要和传入一致。第二Input 输出数组的 shape 必须严格匹配模型要求可以用interpreter.getInputTensor(0).shape()查看。第三Interpreter 使用完毕要调用close()否则会有内存泄漏。7. 一个最小实战流程从数据到端侧推理为了让上面的概念串起来我们走一个端到端的最小流程判断用户评论的情绪是正面还是负面。这一步的关键不是模型多强大而是让你亲眼看一次“数据 - 训练 - 导出 - 集成”的完整闭环。7.1 准备数据先准备少量带标签的评论数据。[ {text: 这个版本的启动速度很快, sentiment: positive}, {text: 升级后经常闪退, sentiment: negative}, {text: 界面设计很清爽, sentiment: positive}, {text: 耗电比之前严重, sentiment: negative}, {text: 拍照效果提升明显, sentiment: positive}, {text: 通知栏卡死了, sentiment: negative} ]真实项目中数据量至少几千条这里只用于演示流程。7.2 训练一个简单模型为了不在文章里展开完整的深度学习训练代码我们用 scikit-learn 的逻辑回归来做演示。这个环节只需要电脑有 Python 环境。# 文件路径train_demo.py import numpy as np from sklearn.linear_model import LogisticRegression # 特征1评论长度特征2感叹号数量 X np.array([ [12, 0], [35, 2], [18, 1], [50, 4], [28, 0], [45, 3] ]) # 1 表示正面情绪0 表示负面情绪 y np.array([0, 1, 0, 1, 0, 1]) model LogisticRegression() model.fit(X, y) print(模型系数:, model.coef_) print(模型截距:, model.intercept_) # 预测一条新评论长度 20感叹号数量 1 new_sample np.array([[20, 1]]) prediction model.predict(new_sample) print(预测结果:, prediction)运行前需要安装依赖pip install numpy scikit-learn运行后你就能看到模型系数和预测结果。逻辑回归的预测逻辑本身很简单就是加权求和加 sigmoid但它包含了你需要理解的完整流程喂数据、训练、预测。7.3 导出并集成到安卓在真实项目中训练好的模型会转换成 TFLite 格式放进assets。然后使用上一节的Classifier类完成加载和推理。你需要提前确定模型输入是几个特征输出是几个类别。以当前示例来说输入是两个 Float输出是两个类别的得分取得分高的作为预测结果。调用时只需// 文件路径app/src/main/java/com/example/mlbasics/MainActivity.kt val classifier Classifier(this, sentiment_model.tflite) classifier.load() val resultIndex classifier.classify(floatArrayOf(20f, 1f), 2) println(预测结果索引: $resultIndex) classifier.close()到这里你实际上已经走完了一个完整的 AI 功能集成流程。剩下的工作就是把真实数据集、真实模型结构和评估指标替换进来。7.4 如何验证效果端到端流程跑通后不能只看一次预测结果。建议分三步验证第一步在训练集上预测确认模型没有代码层面的 bug。第二步在测试集上做批量评估计算准确率、精确率、召回率和 F1。第三步拿真实用户数据做小流量测试观察线上效果。如果训练集效果很好、测试集效果很差基本可以判断为过拟合需要回到数据处理和正则化方向。8. 常见问题与排查思路安卓开发集成机器学习功能时有一些问题高频出现。这里汇总成表格方便你排查。问题现象可能原因排查方式解决方案加载 TFLite 模型失败assets 路径错误或模型文件损坏检查 assets 目录和模型大小确认路径拼写重新导出模型推理结果与预期完全不符输入数据没有做和训练时相同的预处理检查特征归一化逻辑在训练和推理两端保持完全一致的预处理流程模型文件太大APK 体积暴涨没有做量化压缩查看模型原始大小使用量化、剪枝或改用 ML Kit 等封装能力低端机运行卡顿模型输入尺寸过大CPU 推理耗时高监控推理耗时和内存占用降低输入分辨率启用 GPU/NPU 加速或换用更小模型端侧效果比云端差端侧模型做了量化精度下降对比量化前后评估指标接受精度损失或采用端云混合策略只把复杂样本发到云端ML Kit 依赖下载超时网络问题或依赖配置错误检查 Gradle 日志切换到稳定的镜像源或增加超时时间这里想重点强调第一个问题的排查顺序先确认 assets 路径正确再确认模型没有在传输过程中损坏最后确认 TFLite 版本和模型算子兼容。很多看起来复杂的问题源头只是一个路径拼写错误。9. 最佳实践与工程建议术语掌握之后真正拉开差距的是工程习惯。9.1 先定义评估指标再开始训练很多项目一开始只关心“能不能跑通”忽略了效果评估。上线前临时发现准确率不够又不知道该怎么调。正确的做法是在项目启动时就把任务定义清楚这个是分类还是回归正例是什么评估指标用准确率还是 F1最低可接受值是多少。指标先定训练才有方向。9.2 端侧能力要控制体积和功耗移动端资源有限。模型文件尽量控制在 10MB 以内输入图片尽量压缩分辨率推理操作放到后台线程。不要在主线程里跑推理否则 UI 会掉帧甚至触发 ANR。如果 App 有大量模型同时加载要设计合理的加载时机和释放策略。9.3 重视数据隐私和权限提示如果模型在端侧处理用户数据表面上减少了云上传但仍然需要在隐私政策中说明。如果使用云 API则要明确用户数据和第三方服务之间的边界。合适合规的问题不是技术问题但技术方案会影响合规判断。9.4 用灰度发布和监控保障迭代模型上线不是终点。线上数据分布会漂移用户使用习惯会变化模型效果会衰减。建议在 App 内加入轻量埋点统计推理请求量、成功率、耗时和用户反馈。新模型先对一小部分用户开放对比指标后再全量发布。9.5 与算法团队协同的版本管理模型也需要版本管理。建议约定模型文件的命名规则例如sentiment_model_v3_quantized.tflite并在代码里记录模型 hash。后端模型、安卓端模型、iOS 端模型要统一登记避免多人协作时搞混。9.6 从已有模板而不是从零开始如果想快速在安卓端跑通一个 demo建议先从 ML Kit 和 TensorFlow Lite 官方示例仓库入手。官方 example 覆盖了图像分类、对象检测、文本分类等常见场景直接改造成本远低于从零写一套。理解代码后再替换成自己的模型。10. 总结与后续学习方向这篇文章把所有高频术语按照“数据 - 模型 - 训练 - 部署 - 评测 - 工程化”的顺序串了一遍。你会发现它们不是零散的知识点而是同一条流水线上的不同环节。AI 功能要落地离不开清晰的业务问题定义、高质量的数据、合适的模型、可靠的部署和持续的评估。对安卓开发者来说接下来的学习路径可以分三步走。第一步把 ML Kit 的官方文档过一遍亲手跑两个 demo建立端侧 AI 的体感。第二步用 TensorFlow Lite 把你的自定义模型部署到手机理解模型转换、输入输出 shape 和推理性能。第三步如果在工作中遇到需要训练模型的需求再系统学习机器学习基础比如吴恩达的机器学习公开课或是周志华的《机器学习》重点章节。建议把本文收藏备用。下次有人再跟你说“这个功能用 AI 实现一下”你至少能提出几个决定性追问数据从哪来标签怎么定义效果怎么评估什么时候能见到第一个可运行的模型能回答清楚这三个问题的团队项目才值得启动。