AI 詞彙指南：每個人都應該了解的 AI 相關術語

人工智慧（AI）技術已經無所不在，從智慧型手機到自助點餐系統，都能看到 AI 的應用。隨著 Google、Microsoft 和 Apple 等企業將 AI 深度整合至各種產品與服務，保持對最新術語的理解至關重要。我們彙整了 49 個與 AI 相關的重要詞彙，涵蓋從基本概念到高級技術領域的關鍵術語。希望幫助讀者清楚了解 AI 技術的核心概念，並掌握當前 AI 發展趨勢，以便在專業領域、學術研究或日常對話中，能夠準確使用這些術語。

隨著 AI 的不斷演進，其應用範圍也日益擴展，涉及機器學習、深度學習、自然語言處理、自主代理、人工智慧倫理、AI 安全等多個領域。理解這些術語不僅有助於深入探索 AI 技術的潛力，也能幫助個人和企業更好地應對 AI 帶來的挑戰與機遇。

在未來的發展中，AI 可能會進一步影響各行各業，包括醫療保健、金融、教育、交通運輸以及創意產業。因此，保持對 AI 領域的關注和學習，將有助於更好地適應數位化時代的變革，並確保我們能夠負責任地開發和使用 AI 技術。

本詞彙指南將從基礎術語開始，逐步介紹進階概念，幫助讀者建立系統性的 AI 知識框架。無論您是科技專業人士、學生，或是對 AI 感興趣的讀者，本指南都將成為您深入理解人工智慧的重要參考資料。

通用人工智慧（AGI，Artificial General Intelligence）：一種概念，指的是比當前人工智慧更先進的系統，能夠執行各種任務並超越人類，同時具備自我學習與提升能力的特性。

主動性（Agentive）：指能夠自主行動以達成目標的系統或模型。在人工智慧領域，具備主動性的模型可以在沒有持續監督的情況下執行任務，例如高級自動駕駛汽車。與「代理性（Agentic）」框架不同，主動性框架更注重用戶體驗，直接與使用者互動，而代理性框架則較為隱藏於背景之中。

人工智慧倫理（AI Ethics）：一套原則，旨在防止人工智慧對人類造成傷害，例如規範 AI 如何收集數據或處理偏見問題。

人工智慧安全（AI Safety）：一個跨學科領域，關注 AI 的長期影響，特別是 AI 突然進化成超級智慧並對人類構成威脅的可能性。

演算法（Algorithm）：一系列指令，使電腦程式能夠學習與分析數據，例如識別模式，從而自主學習並完成任務。

對齊（Alignment）：對 AI 進行調整，以更好地產生期望的結果。例如，內容審查或確保 AI 對人類保持友善互動等，都屬於對齊的一種方式。

擬人化（Anthropomorphism）：人類傾向於賦予非人類物體類似於人類的特徵。在 AI 領域，這可能表現為認為聊天機器人比實際上更具人性化，甚至誤認為其擁有情感或自我意識。

人工智慧（AI, Artificial Intelligence）：指透過技術模擬人類智慧，無論是在電腦程式或機器人中。這是一個電腦科學領域，目標是建立能夠執行人類任務的系統。

自主代理（Autonomous Agents）：具備能力、程式和工具來完成特定任務的 AI 模型。例如，自動駕駛汽車就是一種自主代理，因為它具備感測器、GPS 以及駕駛演算法，能夠自主導航。斯坦福大學的研究顯示，自主代理能夠發展自己的文化、傳統與共享語言。

偏見（Bias）：在大型語言模型中，來自訓練數據的錯誤。例如，基於刻板印象，AI 可能會錯誤地將特定特徵歸屬於某些種族或群體。

聊天機器人（Chatbot）：一種透過文字與人類交流的程式，能夠模擬人類語言。

ChatGPT：由 OpenAI 開發的 AI 聊天機器人，使用大型語言模型技術。

認知運算（Cognitive Computing）：人工智慧的另一種稱呼。

數據增強（Data Augmentation）：透過重新混合現有數據或增加更具多樣性的數據來訓練 AI。

深度學習（Deep Learning）：人工智慧的一種方法，也是機器學習的子領域。它使用多層參數來識別圖片、聲音和文本中的複雜模式，並透過類似人腦的人工神經網路來生成模式。

擴散（Diffusion）：一種機器學習方法，將現有數據（如圖片）添加隨機雜訊，然後訓練 AI 重新構建或恢復原始數據。

新興行為（Emergent Behavior）：指 AI 模型展現出開發者未預期的能力。

端到端學習（E2E，End-to-End Learning）：一種深度學習流程，AI 被指示從頭到尾執行一個完整任務。與傳統的逐步學習不同，它從輸入數據中學習並一次性解決問題。

道德考量（Ethical Considerations）：對 AI 可能引發的道德問題的關注，包括隱私、數據使用、公平性、濫用風險以及其他安全問題。

爆炸式智能增長（Foom）：又稱「快速起飛」（Fast Takeoff）或「硬起飛」（Hard Takeoff）。指的是如果某人成功建造了一個通用人工智慧（AGI），那麼可能已經無法挽救人類的命運，因為 AGI 的進化速度可能會超出人類的控制範圍。

生成對抗網絡（GANs，Generative Adversarial Networks）：一種生成式 AI 模型，由兩個神經網絡組成——生成器（Generator）和鑑別器（Discriminator）。生成器負責創造新的內容，而鑑別器則負責檢測這些內容是否真實，以提升生成內容的質量。

生成式 AI（Generative AI）：一種利用 AI 來生成文本、影片、電腦程式碼或圖像的技術。該 AI 透過大量訓練數據學習模式，並基於這些模式生成新的內容，有時可能會與原始資料相似。

Google Gemini：Google 開發的 AI 聊天機器人，功能類似於 ChatGPT，但不同之處在於 Gemini 能夠從當前的網路上獲取資訊，而 ChatGPT 的數據僅限於 2021 年以前的資料，且不連接至互聯網。

安全防護（Guardrails）：指 AI 模型的政策與限制措施，確保 AI 在處理數據時符合道德規範，並防止 AI 生成不適當或有害內容。

幻覺（Hallucination）：AI 產生的錯誤回應。生成式 AI 可能會以極高的自信輸出錯誤資訊，即使該資訊並不正確。目前仍不完全清楚 AI 產生幻覺的具體原因。例如，若詢問 AI 聊天機器人：「達文西何時畫出《蒙娜麗莎》？」它可能錯誤回答：「達文西於 1815 年創作了《蒙娜麗莎》」，但實際上這比畫作的創作時間晚了 300 年。

推理（Inference）：AI 模型用來根據訓練數據對新數據進行推斷，以生成文本、圖像及其他內容的過程。

大型語言模型（LLM，Large Language Model）：一種 AI 模型，經過大規模文本數據訓練，使其能夠理解人類語言並生成類似人類語言的創新內容。 機器學習（ML，Machine Learning）：人工智慧的一個組成部分，使電腦能夠透過學習來改善預測結果，而無需明確編寫規則。機器學習可以與訓練數據集結合，以生成新的內容。

Microsoft Bing：由 Microsoft 開發的搜尋引擎，目前已整合 ChatGPT 的技術，能夠提供 AI 驅動的搜尋結果。與 Google Gemini 類似，Bing 也連接到互聯網，以提供最新的資訊。

多模態 AI（Multimodal AI）：一種類型的人工智慧，能夠處理多種輸入形式，包括文字、圖像、影片和語音。

自然語言處理（Natural Language Processing, NLP）：人工智慧的一個分支，利用機器學習和深度學習技術，使電腦能夠理解人類語言，通常結合學習演算法、統計模型和語言學規則來運作。

神經網路（Neural Network）：一種計算模型，其結構類似於人腦，主要用於識別數據中的模式。它由互相連結的節點（或稱為「神經元」）組成，這些節點能夠透過學習來識別模式並逐步提升能力。

過擬合（Overfitting）：機器學習中的一種錯誤，即模型過度貼合訓練數據，導致只能識別訓練數據中的特定範例，而無法有效處理新的數據。

迴紋針理論（Paperclips）：由牛津大學哲學家尼克·波斯特羅姆（Nick Boström）提出的假設性情境，認為一個 AI 系統如果被設計來最大化生產迴紋針，它可能會不惜一切代價完成這個目標，甚至拆解有用的機器或資源來製造更多迴紋針。這可能導致 AI 不斷消耗地球資源，最終危及人類生存。

參數（Parameters）：數值變數，為大型語言模型（LLM）提供結構與行為，使其能夠進行預測。

Perplexity：由 Perplexity AI 開發的 AI 聊天機器人與搜尋引擎，利用大型語言模型（LLM）來回答問題，並連接至開放的互聯網，以提供即時資訊。其付費版 Perplexity Pro 允許使用者存取更多 AI 模型，包括 GPT-4o、Claude 3 Opus、Mistral Large、開源 LLaMa 3 及 Perplexity 自家的 Sonar 32k。此外，Pro 版本用戶還能上傳文件進行分析、生成圖像及解釋程式碼。

提示詞（Prompt）：用戶輸入 AI 聊天機器人的問題或建議，以獲取回應。

提示詞鏈接（Prompt Chaining）：AI 能夠利用之前的對話資訊來影響後續回應的能力。

隨機鸚鵡（Stochastic Parrot）：用來形容大型語言模型（LLM）的一種比喻，強調 AI 雖然能夠生成語言，但並不真正理解語言的意義或外部世界的真實狀況。該比喻來自鸚鵡能夠模仿人類語言，但無法理解其內涵的概念。

風格轉移（Style Transfer）：AI 能夠將一幅圖像的視覺風格應用到另一幅圖像的技術。例如，讓倫勃朗的自畫像以畢卡索的畫風重新創作。

溫度（Temperature）：控制語言模型輸出隨機性的參數。較高的溫度值意味著 AI 會產生更具創意或風險的回應，而較低的溫度值則會讓回應更具確定性和可預測性。

文本生成圖像（Text-to-Image Generation）：根據文字描述生成圖像的技術。

代幣（Tokens）：AI 語言模型處理的最小文字單位，通常是一組字符或詞彙。英文中，一個代幣大約相當於四個字符，或約 0.75 個單詞。

訓練數據（Training Data）：用於訓練 AI 模型的數據集，包括文本、圖像、程式碼或其他數據類型。

變換器模型（Transformer Model）：一種神經網路架構，應用於深度學習，能夠透過追蹤數據中的關聯性來學習語境。例如，它可以同時分析整個句子的結構，而非逐字解析，使其在語言理解與生成上更為高效。

圖靈測試（Turing Test）：以數學家與計算機科學家艾倫·圖靈（Alan Turing）命名，用於測試機器是否能夠模仿人類行為。如果機器的回應讓人類無法區分它與真人之間的差異，那麼它就通過了圖靈測試。

無監督學習（Unsupervised Learning）：一種機器學習方法，該模型在沒有標註數據的情況下學習，並自行識別數據中的模式，而無需人為干預。

弱 AI（Weak AI），又稱 狹義 AI（Narrow AI）：專注於特定任務的 AI，無法超越其既定能力範圍進行學習。目前大多數 AI 屬於狹義 AI，例如語音助手和自動翻譯工具。

零樣本學習（Zero-Shot Learning）：AI 模型在沒有接觸過相關訓練數據的情況下執行任務。例如，一個 AI 只接受過老虎的訓練數據，卻能夠辨識獅子，這就是零樣本學習的應用。