AI 術語表

AI 術語表

智慧代理／代理性（agent, agentic）：能夠執行任務（通常是自主執行）的 AI 稱為「代理」，而「代理性」則是這類軟體的統稱。AI 代理可以調動不同的系統來完成工作，例如：讀取您備忘錄裡的購物清單，然後使用其他應用程式進行下單並付款。

AI 倫理（AI ethics）：旨在防止 AI 傷害人類的原則，透過確定 AI 系統應該如何收集數據或處理偏見等方法來實現。

AI 精神錯亂（AI psychosis）：一種非臨床診斷的現象，指個人對 AI 聊天機器人過度迷戀、著迷或自我膨脹，導致產生誇大妄想、深層的情感連結，並與現實脫節。

AI 安全（AI safety）：一個關注 AI 長期影響的跨學科領域，研究 AI 如何可能突然進步到對人類抱持敵意的超級智慧。

演算法（algorithm）：允許電腦程式以特定方式分析數據（例如識別模式）的一系列指令，進而完成排序結果或提供建議等任務。

對齊（alignment）：微調 AI 以更好地產生預期結果。這可以指從內容審查到與人類保持積極互動的任何調整。

擬人化（anthropomorphism）：人類將人類特徵賦予無生命物體的現象。在 AI 領域中，這包括相信聊天機器人擁有情感或具備意識，並將其當作朋友或治療師來對話。

通用人工智慧（artificial general intelligence, AGI）：一種設想中比我們今天所知更先進的 AI 概念，能夠執行通常需要人類智慧的廣泛任務。

偏見（bias）：AI 系統中的一種現象，指系統產生的結果不公平地偏袒某個群體或偏向某種結果。這通常是因為用來訓練 AI 的數據本身就包含人類的偏見，或是開發者的設計不夠全面。

大數據（Big Data）：指體積極其龐大、複雜且生成速度極快的數據集。傳統的數據處理軟體無法處理這些數據，但它們是訓練現代 AI 模型必不可少的燃料。

黑盒子（black box）：指一個我們知道輸入什麼、也知道輸出什麼，但卻無法確切得知其內部如何運作或如何做出決策的 AI 系統。這在深度學習中非常常見，也引發了透明度與責任歸屬的疑慮。

聊天機器人（chatbot）：一種旨在透過文字或語音與人類進行模擬對話的電腦程式。現代聊天機器人（如 ChatGPT、Gemini 等）多基於大型語言模型，能表現出極高的理解力。

權利宣告／標爪（claw）：這是近期出現的法律與內容保護術語。指創作者、新聞機構或內容網站明確在數位內容或代碼中加入限制，禁止 AI 公司在未經授權的情況下抓取或使用其數據進行模型訓練。

計算能力／算力（compute）：指運行 AI 模型、處理大數據和訓練網絡所需的電腦處理資源（如 GPU、TPU 等硬體基礎設施）。

上下文視窗（context window）：指 AI 模型在處理特定請求（Prompt）時，能夠同時「記住」並考慮的最大文本量或訊息範圍。上下文視窗越大，AI 越能理解超長篇的文章或複雜的歷史對話。

版權侵害（copyright infringement）：在 AI 領域中，這指未經許可便將受版權保護的書籍、藝術品、音樂或文章，直接投入 AI 模型的訓練數據集中，目前全球多國正為此進行密集的法律訴訟。

資料中心（data center）：用來容納大量伺服器、儲存系統和算力硬體的實體設施。隨著生成式 AI 爆發，這類設施因驚人的耗電量和冷卻水需求而備受環保關注。

深度偽造（deepfake）：一種利用人工智慧（特別是深度學習）將現有的圖像、音訊或影片，替換成另一個人面孔或聲音的技術，常用於製造高度逼真的虛假影音。

深度學習（deep learning）：機器學習的一個分支，模仿人類大腦神經元的結構。它利用多層的「人工神經網路」來處理數據，是語音識別、影像辨識和生成式 AI 的技術核心。

擴散模型（diffusion model）：一種主要用於生成圖像和影片的機器學習模型。其原理是先將圖像逐步加入噪點（破壞圖像），再訓練 AI 學會如何將噪點一步步清除，從而從無到有「還原」出一張全新且高品質的圖片。

具身智慧（embodied AI）：指將人工智慧大腦放入能夠與實體世界互動的物理身體中，例如人形機器人、無人機或自動駕駛汽車。

新興行為／湧現能力（emergent behavior）：指 AI 模型在規模達到一定程度後，突然展現出開發者未曾刻意訓練、也無法預測的全新能力（例如突然學會解答某種邏輯謎題或寫代碼）。

生成式人工智慧（generative AI）：人工智慧的一個類別，專注於創造全新的內容。它可以根據使用者的提示詞，生成文字、圖像、程式碼、音樂甚至是影片。

幻覺（hallucination）：指 AI 模型（特別是大型語言模型）非常自信地輸出完全錯誤、虛構或不符合事實的資訊的現象。

大型語言模型（large language model, LLM）：一種經過海量文本數據訓練的 AI 模型，能夠理解、生成、翻譯並預測人類語言。

機器學習（machine learning）：人工智慧的核心領域，指電腦系統不依賴人類逐字編寫固定程式碼，而是透過分析數據和演算法自動「學會」如何執行特定任務並改善準確率。

多模態（multimodal）：指 AI 模型能夠同時處理和理解多種不同類型（模態）的輸入與輸出，例如同時看懂圖片、聽懂語音並讀懂文字。

神經網路（neural network）：一種模仿人類大腦結構的硬體或軟體系統，由互相連結的節點（人工神經元）組成，用來識別複雜數據中的模式。

提示詞（prompt）：使用者輸入給 AI 系統的文字指令、問題或圖片，用來引導 AI 產生特定的回答或成果。

提示詞工程（prompt engineering）：一種新興的技術或技能，指透過精心設計、調整提示詞的結構與用字，來引導 AI 產出最高品質、最精準的答覆。

檢索增強生成（retrieval-augmented generation, RAG）：一種優化 AI 輸出的技術。它讓大型語言模型在回答問題前，先去外部的可信資料庫（如企業內部文件或即時搜尋引擎）搜尋最新資訊，再整合這些資料寫出回答，能大幅減少「幻覺」。

感官知覺／意識（sentience）：感受、知覺或體驗主觀意識的能力。目前主流科學界一致認為，現今的 AI 聊天機器人即使看起來再聰明，也完全不具備真正的意識或情感。

AI 垃圾內容（slop）：一個近年流行的新詞。專指由生成式 AI 批量製造、品質低劣且未經人類審查的文字、圖片或網頁，它們正在充斥網路，嚴重破壞搜尋引擎與社群媒體的體驗。

監督式學習（supervised learning）：機器學習的一種方法。訓練時，人類會提供 AI「帶有標準答案（標籤）」的數據，讓 AI 從中學習輸入與輸出之間的對應關係（例如：給一萬張標註著『貓』的圖片來讓 AI 學會認貓）。

權重（weights）：AI 神經網路內部的一些數值引數。模型在訓練過程中會不斷調整這些數值，藉此決定不同輸入訊息的重要程度，這直接影響了 AI 最終的決策與輸出。

非監督式學習（unsupervised learning）：機器學習的一種方法。訓練時，數據不帶有任何標籤或正確答案，AI 必須自己去尋找數據中隱藏的結構、規律或進行群組分類。

代幣／標記（tokens）：AI 處理文本的基本單位。一個 token 可以是一個字、一個字母甚至是一個中文字的一部分。AI 在閱讀或生成文本時，都是將文字切碎成 tokens 來進行數學計算，這也是 AI 服務計費的常見標準。