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 141 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）。
API
讓不同軟體「互相溝通」的介面。開發者透過 AI 服務的 API，把 AI 能力串進自己的產品裡。
系統提示System Prompt
設定 AI「角色與行為規則」的隱藏指令，先於你的對話生效。例如「你是專業的法律助理」。
上下文Context
你提供給 AI 的背景資訊。脈絡越足，AI 越懂你要什麼、回答越準。
GPT
Generative Pre-trained Transformer，OpenAI 的模型系列名，也常被泛指這類生成式語言模型。
基礎模型Foundation Model
用大量資料預訓練、能廣泛應用於多種任務的大型模型，是各種 AI 應用的底層基礎。
SOTA
State of the Art，「當前最強」的意思。常用來形容某模型在某項測試上達到業界最佳表現。
脈絡工程Context Engineering
比提示工程更進一步：系統性地為 AI 準備「對的資料與脈絡」（含 RAG、記憶、工具），讓它穩定產出好結果。
代理式 AIAgentic AI
能自主規劃、決策並連續採取行動完成目標的 AI 系統，是近年最熱的方向。
多代理Multi-agent
讓多個 AI 代理分工協作（如一個查資料、一個寫、一個審），完成單一代理難以處理的複雜任務。
AI 工作流AI Workflow
把一件任務拆成多個步驟、每步用對的 AI 工具或模型串起來的做法。延伸閱讀：AI 工作流庫。
LLMOps
管理大型語言模型應用上線後的一整套工程實務：監控、評估、版本、成本控管等。
模型評估Evaluation
有系統地測試 AI 輸出的品質、正確性與安全性，是把 AI 產品做穩的關鍵環節。
延遲Latency
AI 從收到輸入到給出回應所花的時間。語音對話、即時應用特別在意低延遲。
GPU
圖形處理器，因擅長大量平行運算，成為訓練與運行 AI 模型的主力硬體，Nvidia 是主要供應商。
邊緣 AIEdge AI
在裝置本機（手機、電腦、感測器）而非雲端運行 AI，好處是快、離線可用、更保護隱私。
裝置端 AIOn-device AI
直接在你的手機或電腦上跑的 AI，資料不必上傳雲端，隱私與速度更好。
合成資料Synthetic Data
用 AI 生成、而非真實蒐集的資料，用來訓練模型或測試，可保護隱私、補足資料不足。
資料標註Data Labeling
替訓練資料加上正確答案標籤（如標出圖中哪裡是貓）的工作，是監督式學習的基礎。
過度擬合Overfitting
模型把訓練資料「背」得太死，遇到新資料反而表現變差。是機器學習常見的問題。
偏誤Bias
AI 因訓練資料或設計，對特定族群或觀點產生系統性的不公平傾向，是 AI 倫理的重要議題。
可解釋性Explainability
能說明 AI「為什麼這樣判斷」的程度。在醫療、金融、法律等高風險場景特別重要。
AI 浮水印Watermark
在 AI 生成內容中嵌入不易察覺的標記，用來辨識「這是 AI 生成的」，對抗假訊息與深偽。
紅隊測試Red Teaming
刻意用各種方式攻擊、誘導 AI 出錯或說出不該說的話，藉此找出漏洞、強化安全。
越獄Jailbreak
用巧妙的提示繞過 AI 的安全限制，讓它做出原本被禁止的事。是 AI 安全的攻防重點。
圖生影片Image-to-Video
把一張靜態圖片變成一段會動的影片的 AI，常用於動畫化照片與生成鏡頭。
對嘴Lip-sync
讓影片中人物的嘴型對上新的（常是翻譯後的）配音，用於 AI 配音與虛擬主播。
AI 虛擬人AI Avatar
用 AI 生成、能說話並有表情的數位人物，用於影片、客服與教學，免出鏡也能拍片。
OCR
Optical Character Recognition，把圖片或掃描檔中的文字辨識成可編輯文字的技術，是文件 AI 的基礎。
自然語言處理NLP
Natural Language Processing，讓電腦理解與處理人類語言的技術領域，是大型語言模型的根基。
電腦視覺Computer Vision
讓電腦「看懂」影像與影片的 AI 領域，用於人臉辨識、瑕疵檢測、自駕車等。
文生影片模型Video Model
如 Sora、Kling、Veo 等能從文字生成影片的模型，是近年進展最快、最受矚目的 AI 領域之一。
即時語音 APIRealtime API
支援低延遲、可打斷的即時語音對話介面，是打造自然 AI 語音助理與客服的關鍵。
知識庫Knowledge Base
企業把自家文件、FAQ 整理成 AI 可檢索的資料來源，搭配 RAG 讓 AI「懂你公司」。
主權 AISovereign AI
國家自主掌握模型、算力與資料的 AI 發展策略，強調在地語言、資料落地與不受制於人。
小型語言模型SLM
Small Language Model，參數較少、更輕快、可在裝置端運行的模型，適合特定任務與省成本。
接地Grounding
讓 AI 的回答「有所本」——根據可靠來源或即時資料，而非憑空生成，降低幻覺。
上下文快取Context Caching
把重複用到的長脈絡先快取起來，降低反覆傳送的成本與延遲，是 API 省錢的技巧。
API 金鑰API Key
呼叫 AI 服務 API 時用來辨識你身分、計費的一串密碼。要當密碼保管，外洩可能被盜用產生費用。
速率限制Rate Limit
AI 服務對「單位時間能呼叫幾次」設的上限，避免被濫用。超過會被暫時擋下，需放慢或升級方案。
Webhook
一種「有事就主動通知你」的機制。AI 任務完成時，服務可透過 webhook 即時回傳結果給你的系統。
SDK
軟體開發套件。官方把 API 包裝成好用的程式庫，讓開發者少寫很多程式就能串接 AI 服務。
串流輸出Streaming
AI 一邊生成一邊即時回傳文字（像打字機那樣逐字出現），不用等整段完成，體感更快。
結構化輸出Structured Output
要求 AI 依固定格式（如 JSON）回覆，方便程式直接解析，是把 AI 接進系統的關鍵。
JSON 模式JSON Mode
強制 AI 只輸出合法 JSON 的設定，確保回應能被程式穩定讀取，不會夾雜多餘文字。
批次處理Batch API
把大量請求一次丟給 AI 非即時處理，換取更低價格，適合不趕時間的大批量任務。
推論成本Inference Cost
每次呼叫 AI 產生回應要花的錢（通常按 token 計價）。用量一大，控制成本就很重要。
KV 快取KV Cache
模型生成時暫存已算過的中間結果，避免重複計算，是加速長文本生成、降延遲的關鍵技術。
模型路由Model Router
依任務難易自動把請求分派給合適的模型（難的用強模型、簡單的用便宜模型），兼顧品質與成本。
零資料留存Zero Data Retention
服務承諾不儲存你的輸入輸出、也不拿去訓練。企業導入 AI 處理敏感資料時的重要選項。
開放權重Open Weights
模型把訓練好的參數公開下載，任何人可自行部署、微調。與只能透過 API 使用的閉源模型相對。
閉源模型Closed Model
不公開參數、只能透過官方 API 使用的模型。通常較強、較好用，但你無法自行部署或完全掌控。
斷詞器Tokenizer
把文字切成 token（模型看得懂的最小單位）的工具。中文與英文的切法不同，影響用量與成本。
Top-p 取樣Top-p
控制 AI 回答隨機性的參數之一：只從機率累積到 p 的候選字裡挑，值越高越有變化、越低越保守。
直接偏好最佳化DPO
Direct Preference Optimization，用「人類比較喜歡哪個回答」直接訓練模型的方法，比傳統 RLHF 更簡潔。
憲法式 AIConstitutional AI
給 AI 一套「行為原則（憲法）」，讓它依原則自我批評與修正，減少對大量人工標註的依賴。
提示鏈Prompt Chaining
把一個複雜任務拆成多個提示、前一步的輸出當後一步的輸入，串起來完成，比單一提示更穩更準。
長脈絡Long Context
模型一次能讀進超大量文字（可達數十萬字）的能力，讓它能一口氣消化整本書或整個專案。
中間遺失Lost in the Middle
長文本中，模型對開頭與結尾記得清楚、中段容易忽略的現象。放重要資訊時要留意位置。
推測解碼Speculative Decoding
用小模型先快速草擬、大模型再驗證的加速技巧，在不犧牲品質下讓生成更快。
視覺語言模型VLM
Vision-Language Model，同時看得懂圖片與文字的模型，能看圖回答、讀截圖、辨識文件。
全模態模型Omni Model
文字、圖片、語音、影片都能輸入輸出的模型，朝「一個模型處理所有形式」發展。
程式碼直譯器Code Interpreter
讓 AI 實際執行程式碼來算數、畫圖、處理檔案的功能，把它從「會講」變成「會做」。
語意搜尋Semantic Search
依「意思」而非「關鍵字字面」找資料，用向量比對相近語意，是 RAG 與 AI 搜尋的核心。
重排序Reranking
搜尋初步撈出一批結果後，再用模型依相關性精細排序，把最該用的放前面，提升 RAG 品質。
分塊Chunking
把長文件切成一段段小塊再建索引，讓 AI 檢索時能精準抓到相關片段，是 RAG 資料前處理的關鍵。
個人識別資訊PII
Personally Identifiable Information，姓名、電話、身分證號等能識別個人的資料，丟給 AI 前應去識別化。
AI 法規AI Regulation
各國對 AI 開發與使用訂的規範（如歐盟 AI Act），涵蓋透明度、風險分級、個資與問責。
代理記憶Agent Memory
讓 AI 代理記住過去互動與偏好的機制，跨對話累積脈絡，才能長期協作而不是每次從零開始。
工具使用Tool Use
AI 呼叫外部工具(查資料、算數、執行程式、操作 App)來完成它自己做不到的事，是 AI 代理的核心能力。
電腦操作Computer Use
讓 AI 像人一樣看螢幕、移動游標、點擊與打字來操作電腦完成任務，是通用 AI 代理的重要方向。
瀏覽器代理Browser Agent
能自己開網頁、搜尋、填表、下單的 AI 代理，替你完成需要在網站上點來點去的任務。
人在迴路Human-in-the-loop
在 AI 自動流程的關鍵環節保留人工確認或介入，兼顧效率與安全，避免 AI 出錯無人把關。
守門模型Guard Model
專門負責檢查輸入輸出是否安全、合規的輔助模型，替主模型把關，攔下不當內容。
MCP 模型脈絡協定Model Context Protocol
一套開放標準，讓 AI 助理用統一方式連接外部資料與工具(如資料庫、API、檔案)，像 AI 的 USB 介面。延伸閱讀：本站也提供 MCP server。
AI 搜尋AI Search
直接用 AI 生成答案並附來源，而非只列出連結的搜尋方式，如 Perplexity；改變了資訊尋找的習慣。
深度研究Deep Research
AI 自動跨多個來源查資料、交叉比對、產出有引用的長篇研究報告的功能，適合做功課與市場調查。
脈絡成本Context Cost
塞越多資料給 AI，處理越慢越貴。懂得只給「對的、必要的」脈絡，是用好 AI 又省錢的關鍵。
提示詞範本Prompt Template
把好用的提示詞整理成可重複套用的範本，填空即用。延伸閱讀：AI 提示詞庫。
少樣本提示Few-shot Prompting
在提示裡給 AI 幾個範例，讓它照著範例的格式與風格回答，比只用文字描述更精準。
代理群System of Agents
多個各有專長的 AI 代理組成一個團隊分工協作，像一間由 AI 組成的小公司完成複雜任務。
AI 原生AI-native
從設計之初就以 AI 為核心打造的產品或流程，而非在既有產品上外掛 AI 功能，體驗截然不同。
副手模式Copilot Pattern
AI 在你工作時從旁即時建議、你保有主導權的互動模式，如寫程式、寫文件時的自動補全與建議。
代幣預算Token Budget
一次任務允許 AI 用多少 token 的上限。設好預算能控制成本與回應長度，是 API 應用的實務考量。
模型蒸餾Model Distillation
用大模型「教」出一個小模型，讓小模型以更低成本達到接近的表現，是讓 AI 更便宜可用的關鍵手法。
測試污染Benchmark Contamination
模型在訓練時「看過」測試題，導致評測分數虛高、不代表真實能力。看跑分要留意這個陷阱。
AI 灌水內容AI Slop
用 AI 大量產出、低品質、沒有價值的內容。Google 與讀者都反感，也是內容創作者要避免的反面教材。
內容溯源Content Provenance
標記內容來源與是否由 AI 生成的技術(如 C2PA)，幫助辨別真偽、對抗假訊息與深偽。
世界模型World Model
讓 AI 在內部模擬「世界如何運作」（物理、因果、空間）的模型，被視為通往更通用智慧的路線之一，影片生成的擬真進步常歸功於此。
具身智慧Embodied AI
把 AI 裝進有身體的載體（機器人、自駕車）讓它在真實世界感知與行動。大模型與機器人的結合是近年最熱的方向之一。
模型崩壞Model Collapse
用 AI 生成的資料反覆訓練 AI，品質會逐代退化的現象。網路上 AI 內容越多，「乾淨的人類資料」越珍貴。
AI 素養AI Literacy
會用 AI、懂它的限制、能判斷輸出可不可信的綜合能力。已被多國列入教育重點，是新時代的基本功。
影子 AIShadow AI
員工未經公司許可私下使用 AI 工具處理工作。資料外洩的常見破口，企業與其禁止不如訂規範。
套殼應用AI Wrapper
在別人的模型 API 外包一層介面就當產品賣的應用。褒貶皆有——做得好是體驗創新，做不好只是貼皮。