AI glossary

讓電腦執行原本需要人類智慧的任務的技術總領域，涵蓋學習、推理、感知與語言。

專精於特定任務的 AI（如下棋、辨識影像）。今日所有 AI 都屬此類，不具人類般的通用理解。

能像人類一樣跨領域理解與學習的假想 AI，目前仍是研究目標而非現實。

以「對話能否騙過人類」來判斷機器是否展現智慧的經典思想實驗。

不靠人工寫規則，而讓系統從資料中自動學出規律的 AI 方法。

用「附正確答案（標籤）」的資料訓練模型，學會從輸入預測輸出。

資料沒有標籤，讓模型自己找出結構，如分群與異常偵測。

透過獎勵與懲罰，讓代理人在環境中試錯，學出能拿最高累積報酬的策略。

模型把訓練資料「背」得太死、連雜訊都記住，導致面對新資料時表現崩壞。

由大量「人工神經元」分層連接而成的模型，能自動從資料中萃取特徵。

使用「多層（深層）神經網路」的機器學習，擅長影像、語音與語言。

把預測誤差從輸出層往回傳、計算每個權重該如何調整的核心訓練演算法。

卷積神經網路，擅長處理影像的空間結構，是電腦視覺的主力架構。

2017 年提出、以注意力機制為核心的架構，是當代幾乎所有大型語言模型的基礎。

讓模型處理某個位置時，動態判斷該關注序列中哪些其他位置的機制。

能產生全新內容（文字、影像、音訊、程式）的 AI，而非只做判斷或分類。

用海量文字訓練、基於 Transformer 的模型，核心任務是預測下一個 token。

模型處理文字的最小單位，約等於一個詞或詞的片段；費用與長度上限都以 token 計。

把 token 或文件轉成的數字向量，語意相近者向量也相近，是語意搜尋與 RAG 的基礎。

模型一次能讀進的 token 上限，決定它能處理多長的文件或對話。

設計給 AI 的指令以獲得更好產出的技巧，是低門檻、高回報的 AI 技能。

回答前先檢索相關資料、連同問題一起餵給 LLM，藉以提升時效與可信、降低幻覺。

能自主規劃步驟、呼叫工具、觀察結果並迭代，以完成目標的 AI 系統。

透過「學會把雜訊一步步還原成影像」來生成圖片的生成式模型，是影像生成的主流。

同一個模型能同時處理多種資料形式（文字、影像、聲音）的能力。

用資料反覆調整模型參數、使其學會任務的過程；昂貴但通常只做少數幾次。

用訓練好的模型對新輸入產生結果的過程；單次便宜但因量大而總成本可觀。

模型內部可被訓練調整的數字，現代大模型可達數千億個。

在預訓練模型的基礎上，用特定資料再訓練，使其適應特定任務或風格。

用人類偏好回饋來微調模型，使其更有用、更安全、更貼近指令。

用大量未標註資料讓模型先學會通用規律的第一階段訓練，成本最高。

公開模型訓練後的參數，讓任何人可下載、運行與微調（如 Llama、Mistral）。

AI 生成看似合理、實則錯誤或捏造的內容；源於它「預測下一個字」而非「查證事實」。

讓 AI 的行為符合人類意圖與價值的研究領域。

AI 從帶有偏見的資料中學到、甚至放大的不公平傾向。

用 AI 偽造的擬真影像、影片或語音，常引發詐騙與不實資訊的疑慮。

以惡意指令操控 AI（尤其是 agent）使其偏離原本任務的攻擊手法。

用法律、標準與制度引導 AI 朝安全、公平、可問責方向發展的整體機制。