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。
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。
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。
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。
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。
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。
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。
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。