AI 詞彙表
用白話解釋常見的 AI 名詞，繁體中文、台灣用語，新手也看得懂。共 48 個詞。
人工智慧AI
讓電腦模擬人類智慧（學習、推理、理解、創造）的技術總稱。現在常說的 AI 多指「生成式 AI」與大型語言模型。
生成式 AIGenerative AI
能「生成」新內容（文字、圖片、影片、音樂、程式碼）的 AI，如 ChatGPT、Midjourney。相對於只做分類或預測的傳統 AI。
大型語言模型LLM
Large Language Model，用海量文字訓練、能理解與生成語言的 AI 模型，是 ChatGPT、Claude、Gemini 的核心。延伸閱讀：主流 AI 大模型比較。
通用人工智慧AGI
Artificial General Intelligence，指能像人一樣處理各種任務、具備通用智慧的 AI。目前尚未實現，是業界長期目標。
提示詞Prompt
你輸入給 AI 的指令或問題。提示詞寫得越清楚、脈絡越足，AI 的回答越好。延伸閱讀：怎麼寫好提示詞。
提示工程Prompt Engineering
設計與優化提示詞，讓 AI 產出更準確、更符合需求結果的技巧與方法。
TokenToken
AI 處理文字的最小單位（約一個詞或字的片段）。模型的用量與費用、上下文長度都以 token 計算。
上下文視窗Context Window
AI 一次能「記住」並處理的文字量（以 token 計）。視窗越大，越能處理長文件與長對話。
幻覺Hallucination
AI 一本正經地生成看似合理、實際錯誤或捏造的內容。重要資訊務必查證。延伸閱讀：AI 為什麼會說錯。
檢索增強生成RAG
Retrieval-Augmented Generation，讓 AI 先「檢索」你提供的資料、再根據內容回答，大幅減少亂編，是企業 AI 知識庫的核心。延伸閱讀：打造企業 AI 知識庫。
嵌入Embedding
把文字、圖片等轉成一串數字（向量），讓電腦能用「語意相近」來比對與檢索，是 RAG 與語意搜尋的基礎。
向量資料庫Vector Database
專門儲存與檢索嵌入（向量）的資料庫，如 Pinecone、Weaviate，是 RAG 與 AI 搜尋的關鍵基建。
微調Fine-tuning
用特定領域的資料再訓練既有模型，讓它更貼合你的需求或風格。相對於 RAG（不改模型、只給資料）。
多模態Multimodal
能同時理解與處理多種型態（文字、圖片、聲音、影片）的 AI。例如能「看圖回答」的模型。
AI 代理AI Agent
能自己規劃步驟、使用工具、自主完成多步驟任務的 AI，而不只是回答問題。延伸閱讀：AI Agent 是什麼。
推論Inference
模型「使用」階段——根據輸入產生輸出的過程。相對於「訓練」（建立模型）。日常用 AI 就是在做推論。
訓練Training
用大量資料讓模型學習、建立能力的過程，非常耗運算資源。完成後才拿來「推論」使用。
開源模型Open-source Model
開放權重、可自行下載部署的 AI 模型，如 Llama、DeepSeek、Qwen。可自架、重隱私、控成本。延伸閱讀：開源 AI 模型崛起。
參數Parameters
模型內部可調整的數值，數量（如 7B＝70 億）常用來概略代表模型規模與能力。
擴散模型Diffusion Model
主流的 AI 生圖技術，從雜訊逐步「去噪」生成圖像，Stable Diffusion、Midjourney 等屬此類。
Transformer
2017 年提出的神經網路架構，是現今幾乎所有大型語言模型的基礎（GPT 的 T 即指此）。
Temperature
控制 AI 回答「隨機/創意」程度的參數。低＝穩定保守，高＝多元有創意。
Vibe Coding
用自然語言「描述需求」讓 AI 寫程式、做出 App 的開發方式，不必逐行手寫。延伸閱讀：Vibe Coding 是什麼。
機器學習Machine Learning
讓電腦從資料中自己「學」出規律，而不是逐條寫死規則。是現代 AI 的基礎方法。
深度學習Deep Learning
機器學習的一種，用多層「神經網路」處理複雜資料，是影像辨識、語音與生成式 AI 的核心技術。
神經網路Neural Network
模仿人腦神經元連結的數學模型，透過大量資料調整連結權重來學習，是深度學習的基礎。
注意力機制Attention
讓模型在處理一段內容時，能「特別關注」最相關的部分。是 Transformer 與現代大模型的關鍵。
思維鏈Chain of Thought
讓 AI「一步步把推理過程寫出來」再給答案，能明顯提升複雜問題的正確率。
推理模型Reasoning Model
會先「想一想」（多步推理）再回答的模型，擅長數學、程式與邏輯題，如 o 系列、DeepSeek-R1。
專家混合MoE
Mixture of Experts，模型內含多個「專家」子網路，每次只啟用部分，兼顧效能與成本，是許多大模型的架構。
人類回饋強化學習RLHF
用人類對回答的偏好來訓練 AI，讓它更有用、更安全、更符合人類期待。ChatGPT 之所以好用的關鍵之一。
對齊Alignment
讓 AI 的行為符合人類的價值與意圖，避免有害或失控輸出，是 AI 安全的核心課題。
模型蒸餾Distillation
用大模型「教」出一個更小、更快但表現接近的小模型，常用來降低部署成本。
量化Quantization
把模型的數值精度降低（如 16 位元變 4 位元），讓它更小、更快、能在一般裝置跑，代價是些微準確度。
知識截止Knowledge Cutoff
AI 訓練資料的時間點，之後發生的事它不一定知道。這也是 AI 需要搭配搜尋或 RAG 的原因。
模型上下文協定MCP
Model Context Protocol，一套讓 AI 安全連接外部工具與資料的開放標準，是打造 AI Agent 的重要基礎。
函式呼叫Function Calling
讓 AI 能呼叫外部工具或 API（查天氣、查資料庫、下訂單），是 AI 從「會說」走向「會做」的關鍵。
零樣本／少樣本Zero/Few-shot
零樣本＝不給例子就要 AI 做；少樣本＝給幾個範例讓它照著做。提示詞給範例往往效果更好。
提示注入Prompt Injection
一種攻擊：在內容裡藏惡意指令，誘導 AI 做出不該做的事。用 AI 處理外部內容時要當心。
安全護欄Guardrails
加在 AI 系統上的規則與防護，限制它不產出有害、違規或不該說的內容。
基準測試Benchmark
用標準化題庫評比不同 AI 模型表現的方法（如 MMLU）。看模型強不強常會參考。
文生圖Text-to-Image
輸入文字描述就生成圖片的 AI，如 Midjourney、DALL·E、Ideogram。
文生影片Text-to-Video
用文字描述生成影片的 AI，如 Sora、Kling、Runway，是近年進展最快的領域之一。
語音合成／辨識TTS / STT
TTS＝文字轉語音（生成人聲），STT＝語音轉文字（聽寫逐字稿）。語音 AI 的兩大基礎。
語音克隆Voice Cloning
用少量錄音複製某人聲音的技術，能做配音與語音助理，但也涉及肖像聲音的倫理與法律問題。
深偽Deepfake
用 AI 偽造的逼真影像、影片或聲音。便利之餘也被用於詐騙與假訊息，需提高辨識意識。
AI 副駕Copilot
嵌進工作軟體裡、隨時輔助你的 AI 助手（如寫程式、寫文件時的 AI 建議），讓你做事更快。
SEO / AEO / GEO
SEO＝搜尋引擎最佳化；AEO＝答案引擎最佳化（被直接當答案）；GEO＝生成引擎最佳化（被 ChatGPT、Perplexity 等 AI 引用）。