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。
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。
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）。
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。
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）。
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。
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。