在 AI 科技爆炸的時代，掌握術語就是掌握競爭力，本篇文章整理了從基礎架構到最新推理模型的 200 個核心名詞，用最白話的方式帶您讀懂人工智慧趨勢。

一、人工智慧基礎概念與模型架構

1. Artificial Intelligence (AI) / 人工智慧：人工智能就是讓電腦能像人類一樣聰明地思考和做決定。簡單說，就是教會電腦如何看懂問題、分析數據、做出判斷，而不是只能按照死板的程式指令行動。人工智能包括很多領域，比如機器人可以自動做事、語言理解讓電腦能聽懂人話、圖像識別讓電腦看懂圖片。你日常用的語音助手、推薦系統、自動駕駛汽車，這些都是人工智能的應用。
2. Machine Learning (ML) / 機器學習：機器學習是一種讓電腦自己從數據中學習規律的方法。不像傳統程式需要人類逐一寫出所有規則，機器學習讓電腦看大量的例子，自己找出其中的模式和規律。比如，你給電腦看1000張貓的圖片和1000張狗的圖片，它就能學會區分貓和狗。就像小孩看多了貓的圖片，自然就能認出新的貓，不需要每次都被告知「這是貓」。機器學習是現代AI的基礎，應用非常廣泛。
3. Deep Learning (DL) / 深度學習：深度學習是機器學習的進階版本，它使用模仿人腦神經元結構的「神經網路」來學習。這種方法特別擅長處理複雜的任務，比如圖像辨識、語音識別、自然語言理解。「深度」指的是神經網路有很多層，層數越多，模型能學習的複雜關係就越多。深度學習在最近十多年取得了巨大的成功，推動了AI的快速發展，ChatGPT、AlphaGo這些著名的AI系統都是基於深度學習。
4. Neural Network (NN) / 神經網路：神經網路是模仿人腦神經元連接的數學模型。人腦有數十億個神經元，它們通過突觸相互連接，傳遞信號。神經網路也是這樣設計的，每個「神經元」接收輸入、進行計算、產生輸出，多層神經元連接在一起就能解決複雜問題。神經網路的強大之處在於它能自動學習如何連接這些神經元，找到最優的連接方式來解決問題。深度學習就是基於多層神經網路的。
5. Large Language Model (LLM) / 大語言模型：大語言模型是AI的主大腦，就像一個讀過全人類知識的文字預測器。它是用海量的文本數據訓練出來的超大神經網路模型。LLM能理解和生成自然語言，可以進行對話、寫文章、寫程式碼、翻譯等各種任務。GPT-4、Claude、Gemini這些著名的AI助手都是大語言模型。它們之所以強大，是因為它們在訓練時看過互聯網上大量的文本，學到了語言的規律和知識。
6. Transformer / Transformer 架構：Transformer是現代AI的建築藍圖，是2017年提出的革命性架構。它讓AI能理解文字前後的關聯，知道哪些詞語之間有關係。Transformer完全基於「注意力機制」，拋棄了之前的RNN結構。它的優點是能並行處理序列，訓練速度快，效果好。現在幾乎所有強大的語言模型都是基於Transformer架構的，包括GPT、BERT、Claude等。
7. Token / 標記：Token是AI閱讀的「碎塊」，就像把文章切成小段。一個字可能等於1-2個Token，一個詞可能等於1-3個Token。模型將文本分解成Token進行處理。理解Token數量很重要，因為它決定了API的成本（很多服務按Token計費）和上下文窗口的限制（模型一次能讀進多少內容）。比如，如果一個模型的上下文窗口是4000個Token，那它一次最多能處理4000個Token的文本。
8. Parameters / 參數：參數是模型神經元的連接數，通常越多代表模型越聰明。比如GPT-3有1750億個參數，GPT-4的參數數量更多。參數越多，模型能學習的複雜關係就越多，但也需要更多的計算資源和訓練時間。訓練模型的過程就是調整這些參數，讓模型的預測越來越準確。參數的數量是評估模型能力的一個重要指標。
9. Weights / 權重：權重是模型內部的知識數值，決定了模型思考的偏向。每個神經元之間的連接都有一個權重值，這個值決定了信號傳遞的強度。訓練模型的過程就是不斷調整這些權重，讓模型的預測越來越準確。權重就像是模型的「記憶」，存儲了模型從訓練數據中學到的知識。
10. Pre-training / 預訓練：預訓練是AI的「義務教育」，在海量無標籤數據中學習語言。模型在大量文本上進行無監督學習，學習語言的通用表示和知識。比如，GPT在互聯網上的數十億個文本上進行預訓練，學到了語言的規律。預訓練是現代LLM的基礎，預訓練得好，後續的微調效果就會更好。預訓練需要大量的計算資源和時間，但預訓練的模型可以被多個下游任務使用。
11. Fine-tuning / 微調：微調是AI的「專精訓練」，讓它從通才變成專家。在預訓練模型的基礎上，用任務特定的數據進行進一步訓練。比如，用醫療文本微調BERT，就能讓它成為醫療領域的專家。微調比從零開始訓練快得多，因為模型已經有了基礎知識，只需要學習特定領域的知識。微調通常需要的數據量較少，這是它的優點。
12. Inference / 推理：推理是AI思考並產生答案的運算過程。當你給ChatGPT輸入一個問題時，它就在進行推理，根據輸入生成輸出。推理速度（延遲）和吞吐量是評估模型實用性的重要指標。推理越快，用戶體驗越好。推理是模型訓練完成後的使用階段，與訓練階段不同。推理通常比訓練快得多，因為不需要計算梯度。
13. Small Language Model (SLM) / 小語言模型：小語言模型是輕量化的大腦，省電且能裝在手機裡。相比大語言模型，小語言模型的參數更少，推理速度更快，能耗更低，但能力有限。小語言模型適合邊緣計算和本地部署，不需要連接到雲端。隨著技術發展，小語言模型的能力在不斷提升，很多應用開始使用小語言模型來降低成本和延遲。
14. Open Weights / 開放權重：開放權重是指開源模型，比如Meta的Llama，讓大家都能免費下載和使用。與閉源模型相反，開放權重允許用戶查看、修改和使用模型的權重。這樣做的好處是透明、可信，社區可以一起改進模型。但開放權重也帶來了安全隱患，因為任何人都可以修改模型。
15. Proprietary Model / 閉源模型：閉源模型如OpenAI的GPT-4，只能透過API付費使用。模型的權重不公開，用戶只能通過服務商提供的接口使用。這樣做的好處是安全性更高，服務商能更好地控制模型的使用。但缺點是用戶無法了解模型的內部工作原理，也無法自己修改模型。
16. Scaling Laws / 規模法則：規模法則是指算力與數據投入越多，AI就越聰明的定律。這是一個重要的發現，表明模型性能與計算資源、數據量的關係。根據規模法則，只要不斷增加模型大小、訓練數據量和計算資源，模型的性能就會持續提升。這個發現推動了大模型的發展。
17. Compute / 算力：算力是跑AI必備的燃料，通常指GPU（如NVIDIA H100）。算力決定了模型訓練和推理的速度。訓練大模型需要大量的算力，比如訓練GPT-4需要數千個GPU。推理時也需要算力，但通常比訓練少得多。算力成本是AI應用的主要成本之一。
18. Natural Language Processing (NLP) / 自然語言處理：自然語言處理是讓電腦聽懂、看懂人類語言的技術。包括文本分類、機器翻譯、語音識別、問答系統、情感分析等多個任務。NLP是AI最重要的應用領域之一，因為語言是人類交流的主要方式。現代NLP主要基於深度學習和大語言模型，取得了很大的進展。
19. Foundation Model / 基礎模型：基礎模型是具備通用能力的大模型，可以作為各種應用的基石。基礎模型在大量數據上進行預訓練，學到了通用的知識和能力。然後可以在基礎模型的基礎上進行微調，適應特定的任務。基礎模型的出現改變了AI的開發方式，不再需要為每個任務從零開始訓練模型。
20. Generative AI / 生成式 AI：生成式AI是能創造新內容的AI，比如生成圖片、文章、音樂等。與判別式AI（只分類或預測）不同，生成式AI能創造全新的、之前不存在的內容。生成式AI是最近幾年最熱門的AI領域，ChatGPT、DALL-E、Stable Diffusion等都是生成式AI的代表。生成式AI的應用非常廣泛，從內容創作到代碼生成都有應用。
21. Reinforcement Learning from Human Feedback (RLHF) / 人類回饋強化學習：RLHF是讓人類當教練，校正AI的回答偏好的方法。首先用模型生成多個回答，然後讓人類評分和排序，根據人類的評分訓練一個獎勵模型，最後用強化學習優化原模型。RLHF是訓練ChatGPT這類對話模型的關鍵技術，它能讓模型的回答更符合人類的期望。
22. Computer Vision (CV) / 計算機視覺：計算機視覺是讓電腦能「看懂」圖片和影片的技術。包括人臉辨識、物體偵測、醫療影像分析、自動駕駛等應用。計算機視覺是AI最成熟的應用領域之一，已經在很多行業得到應用。現代計算機視覺主要基於卷積神經網路和深度學習。
23. Convolutional Neural Network (CNN) / 卷積神經網路：CNN是特別擅長處理圖像的神經網路。它使用「卷積層」自動學習圖像特徵，比如邊緣、紋理、形狀等。然後用這些特徵進行分類或其他任務。CNN的優點是能自動提取特徵，不需要人類手工設計特徵。CNN是計算機視覺的主流方法，已經在很多應用中取得了成功。
24. Recurrent Neural Network (RNN) / 循環神經網路：RNN是擅長處理序列數據的神經網路，比如文本、時間序列等。RNN有「記憶」功能，能記住前面的信息，這樣就能捕捉序列中的時間依賴關係。但RNN有一個缺點，就是容易遺忘很久以前的信息。RNN是NLP的經典方法，但現在已經被Transformer逐漸取代。
25. Long Short-Term Memory (LSTM) / 長短期記憶：LSTM是RNN的改進版，解決了「記憶遺忘」問題。它用「門控機制」決定什麼信息要記住、什麼要忘記。LSTM能更好地捕捉長期依賴關係，性能比RNN更好。LSTM在語音識別、機器翻譯等任務上取得了很好的效果。但現在Transformer已經成為主流。
26. Attention Mechanism / 注意力機制：注意力機制讓模型在生成輸出時「關注」輸入的不同部分。比如在翻譯時，翻譯某個詞時只關注相關的源語言詞。注意力機制大大提高了模型的性能，是Transformer的核心。注意力機制的思想很直觀，就像人類在處理信息時會選擇性地關注重要信息。
27. Self-Attention / 自注意力：自注意力是注意力機制的特殊形式，讓序列中的每個位置都能「看到」其他位置。比如理解「銀行」這個詞時，能看到整個句子的上下文，從而根據上下文判斷「銀行」是指金融機構還是河邊。自注意力在Transformer中得到了廣泛應用，是現代NLP的基礎。
28. Sequence-to-Sequence (Seq2Seq) / 序列到序列模型：Seq2Seq模型用於輸入和輸出都是序列的任務。比如機器翻譯（英文序列→中文序列）、語音識別（聲音序列→文字序列）、文本摘要等。Seq2Seq通常用編碼器-解碼器架構，編碼器將輸入編碼成一個向量，解碼器根據這個向量生成輸出。
29. Generative Adversarial Networks (GANs) / 生成對抗網路：GANs有兩個神經網路互相競爭。生成器製造假數據，判別器識別真假。兩者不斷改進，最終生成器能製造幾乎無法區分的假數據。GANs用於圖像生成、風格轉換、超分辨率等任務。GANs的訓練比較困難，容易出現不穩定的情況。
30. Variational Autoencoder (VAE) / 變分自編碼器：VAE是一種生成模型，能學習數據的潛在表示。先把數據壓縮成低維向量（編碼），再從向量重建數據（解碼）。VAE能生成新的、類似訓練數據的樣本。VAE比GANs更穩定，但生成的圖像質量通常不如GANs。

二、生成式AI提示工程與實務應用

31. Prompt / 提示詞：提示詞是你對AI下的指令或問句。好的提示詞能大大提高模型的輸出質量。比如，「用簡單語言解釋量子計算」比「量子計算」更有效，因為前者更清晰地表達了你的需求。提示詞工程是一門新的學問，研究如何設計有效的提示詞。
32. System Prompt / 系統提示：系統提示是規定AI的身份和行為方式的指令。比如「你是一位專業的翻譯」、「你是一位友善的客服」。系統提示設定了AI的角色、背景和行為方式。好的系統提示能讓AI的回答更符合預期。系統提示通常在用戶看不到的地方設定。
33. Prompt Engineering / 提示工程：提示工程是設計有效提示詞的技巧和方法。包括清晰表達需求、提供例子、指定格式、使用特殊符號等技巧。提示工程是充分發揮LLM能力的關鍵。好的提示工程能讓同一個模型產生完全不同的結果。提示工程是一門新興的學科，還在不斷發展。
34. Context Window / 上下文窗口：上下文窗口是AI的記憶容量，一次能讀進多少內容。比如GPT-4的上下文窗口是8000或32000個Token。更大的窗口能處理更長的文本，但也需要更多的計算資源。上下文窗口限制了模型一次能處理的文本長度。
35. Zero-shot / 零樣本：零樣本是直接問AI，不給任何範例。模型利用預訓練知識完成任務，不需要特定任務的例子。零樣本測試是評估模型泛化能力的重要指標。很多LLM在零樣本上的表現已經很不錯了。
36. Few-shot / 少樣本：少樣本是給AI兩三個範例，讓它模仿格式。在提示詞中提供幾個例子，通常比零樣本效果更好。少樣本學習是LLM的一個重要能力，能快速適應新任務。提供的例子越好，效果通常越好。
37. Chain-of-Thought (CoT) / 思維鏈：思維鏈是叫AI「一步步想」，邏輯會變強。讓模型展示推理過程，而不只是最終答案。比如，讓模型先分步驟解決數學問題，而不是直接給出答案。思維鏈對複雜問題特別有效，能大大提高模型的準確度。
38. Temperature / 溫度：溫度是控制AI胡說八道程度的參數。溫度為0最嚴謹，模型總是選擇最可能的詞；溫度為1最隨機，模型會選擇各種詞。低溫度（如0.2）生成確定性強的文本，適合需要準確答案的任務；高溫度（如0.9）生成多樣化的文本，適合創意任務。
39. Top-p (Nucleus Sampling) / 核心採樣：核心採樣是另一種控制文字多樣性的設定。只從累積概率達到p的最可能詞彙中採樣。比如，Top-p=0.9表示只考慮累積概率達到90%的詞彙。Top-p通常比Temperature更直觀，能更好地控制多樣性。
40. Negative Prompt / 負面提示：負面提示是列出你「不想要」出現的東西。在圖像生成中特別有用，比如「不要紅色，不要人臉」。負面提示能幫助模型避免生成不想要的內容。負面提示在Stable Diffusion等圖像生成模型中被廣泛使用。
41. Delimiters / 分隔符：分隔符是用符號區隔指令與文本，避免AI混淆。比如用###或—分隔不同部分。分隔符能幫助模型更清楚地理解提示詞的結構。在複雜的提示詞中，使用分隔符很重要。
42. Iterative Prompting / 迭代提示：迭代提示是透過反覆修改指令來優化結果。根據AI的回答不斷調整提示詞，逐步改進輸出質量。迭代提示是實踐提示工程的重要方法。通常需要多次迭代才能得到滿意的結果。
43. Prompt Injection / 提示注入：提示注入是駭客手段，誘導AI說出被禁止的話。通過巧妙的提示詞設計，繞過AI的安全限制。提示注入是AI安全的重要問題，很多公司都在研究如何防禦提示注入攻擊。
44. Hallucination / 幻覺：幻覺是AI本正經地講錯話或編造事實。模型生成看起來合理但實際上不正確或不存在的信息。比如，AI可能會編造不存在的引用或數據。幻覺是LLM的一個重要問題，需要通過RAG等技術來解決。
45. Knowledge Cutoff / 知識截斷：知識截斷是AI學習資料的截止日期，之後的事它不知道。比如GPT-3.5的知識截斷日期是2021年9月。模型無法回答截斷日期之後發生的事情。這是LLM的一個重要限制。
46. Persona / 人格角色：人格角色是賦予AI特定性格或背景設定。比如「假設你是一位20年經驗的軟體工程師」。設定人格角色能讓AI的回答更符合特定的角色。人格角色在對話系統中被廣泛使用。
47. Stop Sequence / 停止序列：停止序列是告訴AI看到什麼字就該閉嘴。比如設定Stop Sequence為「\n」，AI遇到換行就停止生成。停止序列能幫助控制模型的輸出長度和格式。
48. Maximum Length / 最大長度：最大長度是限制AI回答的字數上限。防止AI生成過長的回答。設定最大長度能控制API成本和用戶體驗。
49. Meta-Prompting / 元提示：元提示是讓AI幫你寫出更好的 Prompt。先問 AI 如何設計提示詞，再用改進的提示詞進行實際任務。元提示是提示工程的進階技巧。
50. In-Context Learning / 上下文學習：上下文學習是通過提示詞中的例子快速適應新任務，不需要微調。LLM能從提示詞中的例子學習，然後應用到新的問題上。上下文學習是LLM的強大能力之一。

三、RAG與檢索增強生成：提升生成式AI準確度

51. Retrieval-Augmented Generation (RAG) / 檢索增強生成：RAG是讓AI先查資料庫再回答，避免亂編。先從知識庫檢索相關文檔，再用LLM根據文檔生成回答。比單純LLM更準確、更新、更可信。RAG解決了LLM的幻覺問題，是實際應用中常用的技術。RAG的性能取決於檢索的質量。
52. Embedding / 嵌入：嵌入是將文字變成一串數字，讓AI理解「意義」。相似的詞有相似的向量，能捕捉語義關係。嵌入是現代NLP的基礎。嵌入向量能用於計算文本相似度、聚類、分類等任務。
53. Vector Database / 向量資料庫：向量資料庫是專門存儲「文字意義」的高級圖書館。用於RAG系統，快速找到與查詢最相似的文檔。Pinecone、Weaviate、Milvus是常見的向量資料庫產品。向量資料庫能快速進行相似度搜索，效率遠高於傳統數據庫。
54. Semantic Search / 語義搜索：語義搜索是不找關鍵字，找「意思相近」的內容。比如，搜索「如何修理自行車」能找到「自行車維修指南」。基於向量相似性的搜索。語義搜索比關鍵字搜索更智能，能理解用戶的真實意圖。
55. Chunking / 切塊：切塊是把長文章切成小段，方便AI檢索。需要平衡塊的大小和重疊，確保上下文完整。切塊的質量影響RAG的性能。太小的塊可能丟失上下文，太大的塊可能包含無關信息。
56. Retrieval / 檢索：檢索是從資料海中撈出相關資訊的動作。RAG的第一步，決定了最終答案的質量。檢索的準確度直接影響最終的回答質量。
57. Augmentation / 增強：增強是把撈到的資訊塞進Prompt裡。RAG的第二步，將檢索到的文檔添加到提示詞中。好的增強能讓LLM生成更準確的答案。
58. Generation / 生成：生成是根據原始指令加參考資料寫出最終答案。RAG的第三步，LLM基於增強的提示詞生成回答。生成的質量取決於檢索和增強的質量。
59. Knowledge Base / 知識庫：知識庫是你餵給AI的私房資料集。RAG系統的核心，包含所有可用的文檔和信息。知識庫的質量決定了RAG系統的性能。
60. Grounding / 實證：實證是確保AI的回答都有來源根據。RAG的重要特性，能提高回答的可信度。實證讓用戶能追蹤AI的信息來源。
61. Cross-Encoder / 交叉編碼器：交叉編碼器是更精確但較慢的資料相關性排序技術。對檢索到的文檔進行精細排序。交叉編碼器的準確度比雙編碼器高，但速度慢。在需要高精度的場景中使用。
62. Bi-Encoder / 雙編碼器：雙編碼器是速度快但精確度稍低的語義編碼技術。分別編碼查詢和文檔，計算相似度。雙編碼器速度快，適合大規模檢索。
63. Similarity Score / 相似度分數：相似度分數是判斷兩段話「意思有多像」的數值。通常在0到1之間，越高表示越相似。相似度分數用於排序檢索結果。
64. Metadata / 元數據：元數據是資料的標籤，如日期、作者、來源等。在RAG中用於過濾和排序檢索結果。元數據能幫助提高檢索的準確度。
65. Hybrid Search / 混合搜索：混合搜索是結合關鍵字與語義搜索的絕招。既考慮精確匹配，也考慮語義相似性。混合搜索通常效果最好，結合了兩種方法的優點。
66. Re-ranking / 重排序：重排序是撈出資料後，再細挑出最準的那幾筆。使用更複雜的模型對檢索結果進行二次排序。重排序能提高檢索的準確度。
67. Document Loader / 文檔加載器：文檔加載器是讀取PDF、Word等檔案進入AI的工具。支持多種文件格式的轉換。文檔加載器是構建知識庫的重要工具。
68. Text Splitter / 文本分割器：文本分割器是負責切分文字內容的自動化邏輯。根據字數、句子或段落進行分割。文本分割器的質量影響RAG的性能。
69. Dense Vector / 稠密向量：稠密向量是捕捉深層語義的數據格式。由神經網路生成，能表達複雜的語義關係。稠密向量用於語義搜索。
70. Sparse Vector / 稀疏向量：稀疏向量是捕捉精確關鍵字的數據格式。基於詞頻等統計方法，適合精確匹配。稀疏向量用於關鍵字搜索。

四、AI Agent與自主代理：人工智慧未來趨勢

71. Agent / 智能體：智能體是能自主思考下一步要做什麼的AI程式。不需要人類逐步指導，能根據目標自主規劃和執行。智能體是AI發展的重要方向。智能體能自動決定使用哪些工具、如何組合多個步驟來完成複雜任務。
72. Autonomous Agent / 自主代理：自主代理是不需人類插手，自己跑完目標的AI。能自主完成複雜的多步任務。自主代理是實現AGI的重要方向。自主代理能自動規劃、執行和反思。
73. Multi-Agent / 多代理人：多代理人是讓一群AI互相開會協作。多個Agent分工合作，完成更複雜的任務。多代理人系統能處理更複雜的問題。多個Agent可以有不同的角色和能力。
74. Model Context Protocol (MCP) / 模型上下文協議：MCP是AI界的USB插座，標準化工具連接方式。讓不同的AI模型和工具能無縫協作。MCP是一個新興的標準，旨在統一AI系統的接口。
75. Skill / 技能：技能是定義好的功能，如「發郵件」或「查股價」。Agent通過組合技能完成複雜任務。技能是Agent的基本單位。技能應該是可複用的、明確定義的。
76. Function Calling / 函式調用：函式調用是AI決定呼叫哪個程式碼功能。LLM能識別何時需要調用外部函數，並生成相應的調用參數。函式調用是連接LLM和外部系統的橋樑。
77. Orchestration / 編排：編排是像導演一樣管理AI的工作流。協調多個AI組件的執行順序和邏輯。LangChain是常見的編排工具。編排能簡化複雜AI系統的開發。
78. Planning / 規劃：規劃是AI將大任務拆解成小目標的能力。Agent能分析目標，制定執行計劃。規劃是智能體的重要能力。好的規劃能提高任務完成的效率。
79. Memory / 記憶：記憶是讓AI記住你是誰、上次聊了什麼。包括短期記憶和長期記憶。記憶能讓AI提供更個性化的服務。
80. Short-term Memory / 短期記憶：短期記憶是當前對話的記錄。存儲當前會話中的信息。短期記憶幫助AI理解當前對話的上下文。
81. Long-term Memory / 長期記憶：長期記憶是跨天、跨月的持續性個人偏好。存儲用戶的長期信息和偏好。長期記憶能讓AI提供更個性化的服務。
82. Reflection / 反思：反思是AI檢查自己剛剛寫得好不好，不好就重寫。模型能評估自己的輸出質量，進行改進。反思能提高輸出質量。
83. Self-Correction / 自我修正：自我修正是發現錯誤後自動調整答案。模型能識別並糾正自己的錯誤。自我修正能提高模型的準確度。
84. API (Application Programming Interface) / 應用程式介面：API是讓AI軟體與其他軟體通訊的管道。通過API調用LLM服務。API是使用AI服務的主要方式。
85. Sandboxing / 沙盒：沙盒是讓AI在安全環境跑程式碼，怕它搞壞電腦。隔離執行環境，防止惡意代碼。沙盒是AI安全的重要機制。
86. Chain / 鏈：鏈是將多個AI動作串在一起的固定流程。LangChain中的核心概念。鏈能簡化複雜的AI工作流。
87. Graph / 圖架構：圖架構是比鏈更複雜、有循環與分支的AI行動邏輯。允許更靈活的工作流設計。圖架構能表達更複雜的邏輯。
88. Tool Use / 工具調用：工具調用是AI決定何時該用計算機或搜尋引擎。Agent能選擇合適的工具完成任務。工具調用是Agent的重要能力。
89. Action / 行動：行動是AI執行對外部世界產生影響的動作。Agent的實際執行步驟。行動能改變外部世界的狀態。
90. Human-in-the-loop / 人機協作：人機協作是重要關鍵步驟停下來問人類。在關鍵決策點引入人類判斷。人機協作能提高系統的可靠性。

五、人工智慧學習方法：監督學習、強化學習與遷移學習

91. Supervised Learning / 監督學習：監督學習需要有「標準答案」的訓練數據。給電腦看1000張標記為「貓」或「狗」的圖片，它就能學會區分。需要人類提供「監督」（標籤）。監督學習是最常見的機器學習方法。
92. Unsupervised Learning / 無監督學習：無監督學習不需要標準答案，電腦自己發現數據中的規律和分組。給電腦看1000張圖片（沒有標籤），它自己發現可以分成「貓」和「狗」兩類。無監督學習適合探索性分析。
93. Semi-Supervised Learning / 半監督學習：半監督學習混合使用有標籤和無標籤的數據。有100張標記的圖片和900張未標記的圖片。這樣可以用較少的標籤數據達到好效果。半監督學習在實際應用中很常見。
94. Reinforcement Learning (RL) / 強化學習：強化學習讓AI透過「試錯」和「獎勵」來學習。就像訓練狗狗，做對了就給獎勵，做錯了就沒有。AI會逐漸學會什麼行為能獲得最多獎勵。強化學習用於遊戲AI、機器人控制等領域。
95. Transfer Learning / 遷移學習：遷移學習是把在一個任務上學到的知識用到另一個不同的任務上。用識別狗的模型稍微調整就能識別貓。這樣可以節省時間和數據。遷移學習是現代AI的重要技術。
96. Meta-Learning / 元學習：元學習是「學習如何學習」。模型在多個任務上訓練，學會快速適應新任務。就像人類學會了學習方法，新領域也能快速上手。元學習是少樣本學習的基礎。
97. Few-Shot Learning / 少樣本學習：少樣本學習是用很少的訓練數據（如5-10個例子）就能學會新任務。模型需要強大的泛化能力。常用於快速適配新場景。少樣本學習是LLM的重要能力。
98. Zero-Shot Learning / 零樣本學習：零樣本學習是讓模型識別訓練時沒見過的類別。比如，沒看過斑馬的圖片，但知道「斑馬=馬+條紋」，就能識別。利用類別描述而非訓練數據。零樣本學習測試模型的泛化能力。
99. Domain Adaptation / 領域適配：領域適配是解決「訓練數據和實際數據不同」的問題。比如，用合成圖片訓練的自駕車模型，需要適配到真實道路。通過調整模型，讓它在新領域也能工作。領域適配是實際應用的重要問題。
100. Domain Generalization / 領域泛化：領域泛化是讓模型在未見過的新領域也能工作。比如，在多個城市的自駕車數據上訓練，能泛化到新城市。比領域適配更難。領域泛化是AI魯棒性的重要指標。

六、特徵工程與模型優化：AI訓練關鍵技術

101. Feature Engineering / 特徵工程：特徵工程是從原始數據提取有用特徵的過程。比如，從日期提取「是否週末」特徵。好的特徵能大大提高模型性能，是機器學習的藝術。特徵工程需要領域知識和創意。
102. Feature Extraction / 特徵提取：特徵提取是自動從原始數據提取有用特徵。深度學習中，神經網路的隱藏層就在做特徵提取。比手工特徵工程更強大。深度學習的一個優點就是能自動提取特徵。
103. Embedding Vectors / 嵌入向量：嵌入向量是把離散數據轉換成連續向量。比如，「貓」可以表示為[0.2, 0.8, 0.1, …]。相似的詞有相似的向量，能捕捉語義關係。嵌入向量是現代NLP的基礎。
104. Word Embedding / 詞嵌入：詞嵌入是把單詞表示為向量。「國王」-「男人」+「女人」≈「皇后」，體現了語義關係。Word2Vec、GloVe是常見方法。詞嵌入能捕捉詞語之間的語義關係。
105. Dimensionality Reduction / 降維：降維是把高維數據轉換成低維表示，保留重要信息。比如，把1000個特徵降到10個。好處是加快訓練、減少過度擬合、便於可視化。降維是數據預處理的重要步驟。
106. Principal Component Analysis (PCA) / 主成分分析：PCA是常見的降維方法，找出數據變化最大的方向。把數據投影到這些方向上，用更少的維度表示原數據。無監督的線性降維方法。PCA是最經典的降維方法。
107. Distributed Representations / 分布式表示：分布式表示是把信息分散到多個維度。每個維度代表不同特徵，多個維度組合表示複雜概念。比單一特徵更靈活，是現代深度學習的基礎。分布式表示能表達複雜的概念。

七、分類與回歸模型：人工智慧商業應用核心

108. Classification / 分類：分類是預測離散類別。比如，郵件分類為「垃圾」或「正常」。是監督學習的主要任務。分類是最常見的機器學習任務。
109. Regression / 回歸：回歸是預測連續數值。比如，根據房屋特徵預測價格。與分類（預測類別）不同。線性回歸是最簡單的形式。回歸用於預測數值型的目標變數。
110. Decision Tree / 決策樹：決策樹是一種簡單的分類方法，就像一個流程圖。每個節點問一個問題（如「價格>100元？」），根據答案往下走，最後得出決策。容易理解但容易過度擬合。決策樹是可解釋性最好的模型之一。
111. Random Forest / 隨機森林：隨機森林是多個決策樹的集合。每棵樹在數據的隨機子集上訓練，最後投票決定結果。就像問100個專家而不是1個，準確度更高。隨機森林是實踐中常用的模型。
112. Gradient Descent / 梯度下降：梯度下降是一種優化算法，幫助模型找到最佳參數。想像在山坡上，每次都向下坡方向走一小步，最終到達山谷（最優解）。是訓練神經網路的核心方法。梯度下降是最重要的優化算法。
113. Backpropagation / 反向傳播：反向傳播是訓練神經網路的算法。先從輸入層往前計算，得到輸出和誤差，然後從輸出層往回計算每個參數對誤差的影響，據此調整參數。是深度學習的基礎。反向傳播是最重要的訓練算法。
114. Loss Function / 損失函數：損失函數是衡量模型預測與實際值的差距。模型訓練的目標就是最小化損失函數。選擇合適的損失函數很重要。不同的任務需要不同的損失函數。
115. Optimization / 優化：優化是調整模型參數以最小化損失函數的過程。常見的優化器有SGD、Adam等。優化器的選擇影響訓練的效率和效果。好的優化器能加快訓練速度。

八、聚類與異常檢測：AI數據分析

116. Clustering / 聚類：聚類是把相似的數據分組。比如，把客戶分成「高價值」「中等」「低價值」三類。無監督學習，不需要預先定義類別。聚類用於數據探索和分析。
117. K-Means Clustering / K-均值聚類：K-均值是簡單的聚類算法。先隨機選K個中心點，反覆把數據分配到最近的中心，更新中心位置。快速但需要預先指定K值。K-均值是最常用的聚類算法。
118. Anomaly Detection / 異常檢測：異常檢測是找出不符合正常模式的數據。比如，信用卡詐騙檢測、工業設備故障預警。用於安全監測、質量控制。異常檢測是重要的應用領域。
119. Outlier Detection / 離群值檢測：離群值檢測是識別數據中的異常點。與異常檢測類似，但通常指統計方法。離群值檢測用於數據清理。

九、時間序列分析與預測模型

120. Time Series Analysis / 時間序列分析：時間序列分析是處理按時間順序排列的數據。比如，股票價格、天氣溫度。需要考慮時間依賴性和趨勢。時間序列分析是重要的應用領域。
121. Forecasting / 預測：預測是根據歷史數據預測未來。比如，銷售預測、天氣預報。需要模型捕捉數據的規律和趨勢。預測是時間序列分析的主要任務。
122. Trend / 趨勢：趨勢是數據隨時間的長期變化方向。上升趨勢、下降趨勢或平穩趨勢。識別趨勢是時間序列分析的重要步驟。
123. Seasonality / 季節性：季節性是數據隨時間的周期性變化。比如，冬天銷售增加，夏天下降。識別季節性能改進預測準確度。

十、推薦系統開發：打造個人化人工智慧工具

124. Collaborative Filtering / 協同過濾：協同過濾是根據用戶的歷史行為預測喜好。如果你和另一個用戶喜歡的東西相似，那你可能也會喜歡他喜歡的其他東西。是推薦系統的經典方法。協同過濾是最常用的推薦算法。
125. Content-Based Filtering / 內容過濾：內容過濾是根據物品的特徵推薦。比如，你喜歡動作電影，系統就推薦其他動作電影。不需要其他用戶的數據，但容易陷入「信息泡沫」。內容過濾適合冷啟動問題。
126. Hybrid Recommendation / 混合推薦：混合推薦是結合協同過濾和內容過濾。既利用用戶行為，也考慮物品特徵。通常效果比單一方法更好。混合推薦是實踐中常用的方法。

十一、電腦視覺與圖像處理核心技術

127. Object Detection / 目標檢測：目標檢測是在圖像中找到物體並標記位置。比如，自駕車需要檢測行人、車輛、交通標誌。輸出是物體類別和邊界框。目標檢測是計算機視覺的重要任務。
128. Semantic Segmentation / 語義分割：語義分割是把圖像中的每個像素分類。比如，醫療影像分割腫瘤區域。比目標檢測更精細，但計算量更大。語義分割用於精細的圖像分析。
129. Instance Segmentation / 實例分割：實例分割是不只分類像素，還區分不同實例。比如，不只識別「人」，還區分「第一個人」「第二個人」。結合了目標檢測和語義分割。實例分割是最精細的圖像分析方法。
130. Face Recognition / 人臉識別：人臉識別是識別圖像中的人臉身份。包括人臉檢測、對齐、特徵提取、匹配等步驟。用於安全、支付、監控。人臉識別是計算機視覺最成熟的應用。
131. Face Detection / 人臉檢測：人臉檢測是在圖像中找到人臉位置。是人臉識別的第一步。需要處理各種角度、光照、遮擋。人臉檢測是人臉識別的基礎。
132. Pose Estimation / 姿態估計：姿態估計是識別人體的關鍵點位置（頭、肩、肘等）。用於健身應用、動作識別、虛擬試衣。姿態估計是計算機視覺的重要應用。
133. Neural Style Transfer / 神經風格遷移：神經風格遷移是把一幅圖的風格應用到另一幅圖。比如，用梵高風格重繪照片。基於深度特徵的組合。神經風格遷移用於藝術創作。
134. Image Generation / 圖像生成：圖像生成是從文字或噪聲生成圖像。DALL-E、Stable Diffusion是著名的文生圖模型。用於藝術創作、設計、數據增強。圖像生成是最熱門的AI應用之一。
135. Image Segmentation / 圖像分割：圖像分割是將圖像分成多個部分。包括語義分割和實例分割。圖像分割用於精細的圖像分析。

十二、多模態學習與視覺語言融合應用

136. Multimodal Learning / 多模態學習：多模態學習是同時處理多種數據類型（文字、圖像、音頻等）。比如，理解圖文配對、視頻理解。需要融合不同模態的信息。多模態學習是AI發展的重要方向。
137. Visual Question Answering (VQA) / 視覺問答：視覺問答是根據圖像回答自然語言問題。比如，給一張貓的圖片，問「這是什麼動物」。需要視覺理解和語言理解的結合。視覺問答是多模態AI的重要應用。
138. Image Captioning / 圖像標題生成：圖像標題生成是為圖像自動生成描述文字。需要視覺理解和語言生成的結合。圖像標題生成用於圖像檢賞、無障礙應用等。
139. Video Understanding / 視頻理解：視頻理解是理解視頻內容。包括動作識別、事件檢測、視頻分類等。視頻理解是計算機視覺的重要領域。

十三、自然語言處理(NLP)與核心生成技術

140. Sentiment Analysis / 情感分析：情感分析是判斷文本表達的情感（正面、負面、中立）。比如，分析評論是好評還是差評。常用於社交媒體監測、客戶反饋分析。情感分析是NLP的經典應用。
141. Emotion Recognition / 情緒識別：情緒識別是從文本、語音或面部表情識別具體情緒（喜、怒、哀、樂等）。比情感分析更細緻。用於人機互動、心理健康監測。情緒識別是更細粒度的情感分析。
142. Knowledge Graph / 知識圖譜：知識圖譜是用節點和邊表示實體和關係。比如，「北京」-「首都」-「中國」。幫助機器理解知識結構，用於問答系統、推薦系統。知識圖譜是知識表示的重要方法。
143. Question Answering (QA) / 問答系統：問答系統是回答用戶的自然語言問題。可以是開放式（從網路搜索答案）或封閉式（從知識庫查找）。需要理解問題和檢索相關信息。問答系統是NLP的重要應用。
144. Text Summarization / 摘要生成：摘要生成是自動生成文本的簡短摘要。可以是抽取式（選擇原文句子）或生成式（生成新句子）。用於新聞聚合、文檔管理。摘要生成是NLP的重要應用。
145. Information Extraction (IE) / 信息抽取：信息抽取是從非結構化文本提取結構化信息。比如，從新聞提取人名、地點、日期。用於知識圖譜構建、數據挖掘。信息抽取是NLP的基礎任務。
146. Machine Translation (MT) / 機器翻譯：機器翻譯是自動將文本從一種語言翻譯到另一種。現代機器翻譯用Seq2Seq或Transformer，質量已接近人工翻譯。機器翻譯是NLP最成熟的應用之一。
147. Speech Recognition / 語音識別：語音識別是把人類語音轉換成文字。需要處理音頻信號、聲學建模、語言建模。Whisper、Google Speech-to-Text是常見服務。語音識別是人機交互的重要方式。
148. Text-to-Speech (TTS) / 語音合成：語音合成是把文字轉換成自然語音。用於有聲書、語音助手、無障礙應用。現代TTS能生成自然、有感情的語音。語音合成是人機交互的重要方式。
149. Named Entity Recognition (NER) / 命名實體識別：命名實體識別是識別文本中的人名、地名、組織名等。是信息抽取的重要步驟。命名實體識別是NLP的基礎任務。
150. Part-of-Speech Tagging (POS) / 詞性標註：詞性標註是為每個詞標註詞性（名詞、動詞、形容詞等）。是NLP的基礎任務。詞性標註是文本分析的第一步。

十四、AI安全、倫理與模型對齊機制

151. Adversarial Attacks / 對抗性攻擊：對抗性攻擊是通過細微修改輸入數據，誘使模型做出錯誤預測。比如，在圖片上加入人眼看不出的噪聲，讓AI誤識別。揭示了AI的脆弱性。對抗性攻擊是AI安全的重要問題。
152. Adversarial Training / 對抗性訓練：對抗性訓練是用對抗性樣本訓練模型，提高其魯棒性。就像練習應對攻擊，模型變得更強。是防禦對抗性攻擊的主要方法。對抗性訓練能提高模型的安全性。
153. Explainable AI (XAI) / 可解釋性 AI：可解釋性AI是讓模型的決策過程透明化。不只告訴你「這是貓」，還解釋「因為我看到了鬍鬚和尖耳朵」。增加用戶信任，特別重要在醫療、金融等領域。可解釋性AI是負責任AI的基礎。
154. Bias / 偏見：偏見是AI因為訓練資料不均而產生的歧視。比如，人臉識別對某些膚色的準確度較低。需要在數據和模型設計中注意公平性。偏見是AI倫理的重要問題。
155. Fairness / 公平性：公平性是確保AI系統對所有群體公平對待。避免因種族、性別、年齡等因素的歧視。公平性是負責任AI的重要原則。
156. Red Teaming / 紅隊演練：紅隊演練是請專家模擬駭客攻擊AI，找出漏洞。通過主動尋找安全漏洞來改進系統。紅隊演練是AI安全測試的重要方法。
157. Guardrails / 護欄：護欄是過濾色情、暴力、仇恨言論的安全網。防止AI生成有害內容。護欄是AI安全的重要機制。
158. Privacy / 隱私：隱私是保護使用者對話不被拿去訓練的機制。確保用戶數據不被濫用。隱私保護是用戶信任的基礎。
159. Alignment / 對齊：對齊是確保AI的目標跟人類一致，不會反叛。讓AI的行為符合人類價值觀。對齊是AI安全的核心問題。
160. AI Ethics / AI 倫理：AI倫理是研究AI產權、公平性與偏見的學問。確保AI造福人類，避免傷害。AI倫理是負責任AI的基礎。

十五、效能優化實務：延遲、吞吐量與模型量化

161. Latency / 延遲：延遲是AI思考完吐出字的速度快慢。推理延遲是評估模型實用性的重要指標。低延遲能提高用戶體驗。
162. Throughput / 吞吐量：吞吐量是伺服器一秒鐘能處理多少字。決定了系統能服務多少用戶。高吞吐量能提高系統的效率。
163. Quantization / 量化：量化是將AI腦縮小以便裝進電腦，會變笨一點但變快。把模型參數從浮點數轉換成整數。大大減少模型大小和計算量，但可能降低精度。量化是模型壓縮的重要方法。
164. Knowledge Distillation / 知識蒸餾：知識蒸餾是大模型教小模型，傳承精華。用大模型（教師）訓練小模型（學生）。小模型學會大模型的知識，但參數更少、速度更快。知識蒸餾是模型壓縮的重要方法。
165. Pruning / 修剪：修剪是移除模型中不重要的參數或連接。就像修剪樹枝，保留重要部分。能減少模型大小、加快推理。修剪是模型優化的重要方法。
166. Model Compression / 模型壓縮：模型壓縮是減少模型大小和計算量。包括量化、修剪、蒸餾等多種方法。模型壓縮能降低部署成本。
167. Inference Optimization / 推理優化：推理優化是加快模型推理速度。包括批處理、緩存、硬件加速等方法。推理優化能提高系統效率。
168. Caching / 緩存：緩存是存儲常用結果以加快查詢。比如，緩存常見問題的答案。緩存能大大加快系統速度。
169. Batch Processing / 批處理：批處理是一次處理多個輸入以提高效率。比單個處理更快。批處理是提高系統吞吐量的重要方法。
170. Hardware Acceleration / 硬件加速：硬件加速是使用GPU、TPU等專用硬件加快計算。大大提高推理速度。硬件加速是AI應用的關鍵。

十六、高級架構研究：自動尋架構與因果推理技術

171. Neural Architecture Search (NAS) / 神經架構搜索：神經架構搜索是自動搜索最優的神經網路架構。不需要人類手工設計，能找到特定任務的最優架構。但計算成本高。NAS是自動化ML的重要方向。
172. Neuro-Symbolic AI / 符號 AI 與神經 AI 的融合：符號AI與神經AI的融合是結合兩種方法的優點。利用符號AI的可解釋性和神經AI的學習能力。是未來AI的重要方向。
173. Causal Inference / 因果推理：因果推理是不只找相關性，還找因果關係。比如，不只知道「下雨」和「銷售下降」相關，還知道下雨導致銷售下降。比相關性分析更深入。因果推理是更深層的分析方法。
174. Trustworthy AI / 可信 AI：可信AI是強調公平性、透明性、安全性、隱私保護。不只追求高準確度，還要確保模型公正、可解釋、不被濫用。可信AI是負責任AI的目標。
175. Autoencoder / 自編碼器：自編碼器是一種無監督學習模型，用於降維和特徵提取。輸入經過編碼器變成低維表示，再經過解碼器恢復原樣。損失越小，說明學到的表示越好。自編碼器是無監督學習的重要方法。
176. Bayesian Network / 貝葉斯網路：貝葉斯網路是用概率圖表示變數之間的依賴關係。基於貝葉斯定理，能進行概率推理。常用於不確定性推理、診斷系統、決策支援。貝葉斯網路是概率圖模型的重要方法。

十七、數據增強與過度擬合防治技術

177. Synthetic Data / 合成數據：合成數據是用AI製造數據來訓練AI。當真實數據不足時，用合成數據補充。合成數據能降低數據收集成本。
178. Data Augmentation / 數據增強：數據增強是通過變換現有數據生成新樣本。比如，旋轉、翻轉圖像。增加訓練數據量。數據增強是提高模型性能的重要方法。
179. Overfitting / 過度擬合：過度擬合是模型在訓練數據上表現好，但在新數據上表現差。模型記住了訓練數據而不是學到通用規律。過度擬合是模型訓練的常見問題。
180. Underfitting / 欠擬合：欠擬合是模型太簡單，在訓練數據和新數據上都表現差。模型沒有學到數據的複雜規律。欠擬合說明模型能力不足。
181. Regularization / 正則化：正則化是防止過度擬合的技術。比如，L1/L2正則化、Dropout等。正則化是訓練模型的重要技巧。
182. Dropout / Dropout：Dropout是訓練時隨機關閉一些神經元，防止過度擬合。是常見的正則化方法。Dropout能提高模型的泛化能力。
183. Batch Normalization / 批歸一化：批歸一化是標準化每一層的輸入，加快訓練、提高穩定性。批歸一化能加快訓練速度。
184. Learning Rate / 學習率：學習率是控制參數更新的步長。太大容易發散，太小收斂太慢。是重要的超參數。學習率的選擇影響訓練效果。
185. Hyperparameter / 超參數：超參數是模型訓練前需要設定的參數。如學習率、層數、批大小等。超參數的選擇影響模型性能。
186. Cross-validation / 交叉驗證：交叉驗證是將數據分成多份，輪流作為測試集。更準確地評估模型性能。交叉驗證是評估模型的標準方法。
187. Training Set / 訓練集：訓練集是用於訓練模型的數據。訓練集的質量影響模型性能。
188. Validation Set / 驗證集：驗證集是用於調整超參數和防止過度擬合的數據。驗證集不應該用於最終評估。
189. Test Set / 測試集：測試集是用於最終評估模型性能的數據。不應該在訓練中使用。測試集的性能是模型真實能力的反映。
190. Epoch / 輪次：輪次是訓練過程中遍歷整個訓練集一次。通常需要多個輪次才能收斂。輪次數是重要的超參數。

十八、部署實務與未來趨勢：邁向 AGI 終極目標

191. Deepfake / 深偽：深偽是AI換臉或仿聲的偽造技術。用於生成虛假視頻或音頻。帶來安全和倫理問題。深偽是AI濫用的重要風險。
192. Local AI / 本地端 AI：本地端AI是不連網，直接在自己電腦跑的AI。比雲端AI更快、更私密，但能力有限。本地端AI適合隱私敏感的應用。
193. GPU (Graphics Processing Unit) / 圖形處理器：GPU是AI的動力來源，目前以NVIDIA為主。比CPU更快，特別適合並行計算。GPU是訓練和推理AI的主要硬件。
194. TPU (Tensor Processing Unit) / 張量處理器：TPU是Google開發的AI專用芯片。比GPU更快，但成本更高。TPU主要用於大規模AI訓練。
195. Edge Computing / 邊緣計算：邊緣計算是在設備邊緣（如手機、IoT設備）進行計算，而不是雲端。更快、更私密、更省電。邊緣計算是AI應用的重要方向。
196. Cloud Computing / 雲計算：雲計算是在遠程服務器上進行計算。能處理大規模任務，但延遲更高。雲計算是當前AI應用的主要方式。
197. Agentic Workflow / 代理工作流：代理工作流是不只問答，而是讓AI跑完整個流程。Agent能自主完成複雜的多步任務。代理工作流是AI應用的新方向。
198. Singularity / 奇點：奇點是預言AI智能超越全人類總和的時間點。AI發展的終極目標和潛在風險。奇點是AI未來的重要議題。
199. AGI (Artificial General Intelligence) / 通用人工智慧：通用人工智慧是終極目標，能像人類一樣學習任何任務的AI。與當前的專用AI不同。AGI是AI發展的終極目標。
200. Reasoning Model / 推理模型：推理模型是擅長數學運算與邏輯推演的模型（如o1）。能進行複雜的多步推理。推理模型是AI發展的新方向。

掌握AI的核心戰略，讓AI真正成為您企業成長的引擎

理解 200 個人工智慧名詞解釋只是起點，將 AI 落地為「獲利模型」才是轉型的關鍵。戰國策憑藉服務逾 3 萬家企業客戶的豐厚經驗，我們不僅協助您透徹理解 AI 是什麼，更能為您量身打造將技術落實為獲利模型的硬實力。

立即諮詢

• 免費諮詢專線： 0800-003-191
• LINE 官方帳號： @119m
• 官網： https://www.nss.com.tw/