BuzzTrans · 60

把 AI 術語說清楚

這裡提供準備中的繁體中文詞庫，共60個詞。點選詞條，就能開啟可直接分享的解釋頁面。

RAG 檢索增強生成: 讓 AI 每次回答前先查相關資料，因此即使某些資訊不在原本學過的內容裡，也能拿來回答。
RAG 與微調: RAG 是在提問時補上參考資料，微調則是用更多例子重新教 AI，改變它處理任務與回答的方式。
知識蒸餾: 用能力較強的 AI 所產生的回答或預測來教較小的 AI，盡量保留有用的能力，同時降低執行成本。
Token 詞元: AI 讀寫文字時使用的小單位，可能只是一個字或單字的一部分，常用來計算可處理的篇幅與使用費用。
上下文視窗: AI 在一次請求中能處理的資訊總量上限，包含指示、參考資料和回答，與能否長期記住舊對話是兩回事。
幻覺: AI 把捏造或錯誤的資訊說得像真的一樣，即使語氣很有把握、問題也很清楚，仍可能發生。
AI 人工智慧: 為了辨識語音、找出規律或撰寫文字等工作而設計的軟體，能完成這些工作並不代表判斷一定正確。
模型: AI 中從範例學會產生預測或回答的核心部分，按鈕、檔案操作和工具則由外圍的應用程式提供。
大型語言模型: 從大量文字學會處理語言的 AI，擅長撰寫與回答，但不保證產出的每個說法都符合事實。
生成式 AI: 能創作新的文字、圖片、聲音等內容的 AI，而不只是尋找、辨識或分類已有的資料。
提示詞: 交給 AI 的要求或參考內容，除了問題本身，也可以包含限制條件和希望它仿照的回答範例。
系統提示詞: 由應用程式設定、用來約束 AI 整體行為的指示，優先於一般使用者要求，但不能保證 AI 每次都遵守。
提示詞工程: 透過設計並測試指示、範例和參考資料來改善回答，不必因此重新訓練 AI 本身。
少樣本提示: 在提問時附上幾個理想回答的例子，讓 AI 當場照著模式作答，而不必重新訓練。
零樣本提示: 只給 AI 任務指示，不在這次請求裡提供理想答案的範例。
思維鏈: 把通往答案的中間思考拆成一步步過程，有時能幫助解題，但過程看起來合理不等於結論正確。
推理模型: 設計成先花更多處理量梳理問題、再給出最終答案的 AI，通常能更好地處理難題，但也可能讓人等更久。
微調: 用挑選過的例子進一步訓練已有的 AI，調整它處理特定任務的方式，與只為某次提問附上資料不同。
預訓練: 在針對特定用途調整之前，先用大量例子讓 AI 學會廣泛基礎能力的第一輪訓練。
推論: 使用已經訓練好的 AI 產生預測或回答，與改動它的內部設定、教它學習是不同的階段。
訓練: 利用例子和回饋調整 AI 的內部設定，讓它之後的預測或回答逐漸改善。
參數: AI 在訓練時會調整的內部數值，數量多寡本身並不能直接代表它是否好用或準確。
權重: AI 學習後保存下來的數值，會影響它如何從輸入得出回答，但不是一份可以逐條查閱的事實清單。
嵌入: 把文字或圖片的意思、特徵轉成一串數字，讓軟體能比較內容是否相近，而不只比對字面是否相同。
向量資料庫: 儲存代表內容特徵的數字串，並快速找出相似項目的資料庫，例如找出意思接近的文章段落。
語意搜尋: 依照問題的意思找資料，即使結果裡沒有出現你輸入的相同字詞，也可能被找出來。
分塊: 把長文件切成較小段落，方便系統只找出並使用相關部分，不必每次都送出全文。
依據資料作答: 讓 AI 的回答根據明確提供的資料或證據，便於核對，但來源本身有錯時，答案也可能跟著錯。
上下文: AI 為了這一次回答而拿到的對話、指示和參考資料，不包含其他地方所有可取得的資訊。
記憶: 應用程式為了日後對話而保存的資訊，與只出現在目前這次請求中的內容不同。
AI 代理: 能在應用程式給定的權限與限制內，自行選擇步驟、使用工具，朝目標推進工作的 AI。
聊天機器人: 透過訊息對話使用的軟體，可以只負責回答，不一定會替你執行對話以外的操作。
工具呼叫: AI 請應用程式執行某個明確功能，例如查行事曆，再把取得的結果用於回答。
MCP: 讓 AI 應用程式用共同規格連接外部工具與資料，減少每個應用程式和服務都要各自寫一套連接方式的麻煩。
API: 軟體向另一套軟體索取資料或請它執行操作的固定介面，不需要由人逐一點選畫面上的按鈕。
API 金鑰: 軟體使用服務時拿來辨識帳戶的秘密字串，通常也關係到這次請求的權限與費用由誰負擔。
SDK: 把現成程式碼與說明資料整理成一組開發工具，讓開發者比較容易為某個服務或平台製作軟體。
開放權重: 可以下載 AI 已學會的內部數值，但不代表訓練資料、完整製作過程或所有用途的使用權也一併開放。
開放原始碼: 授權條件允許人們檢視、修改及再散布原始程式碼的軟體，與單純免費使用或只能查看程式碼不同。
裝置端 AI: 直接在自己的手機或電腦上執行 AI 工作，不必把這項工作送到遠端伺服器，但應用程式的其他功能仍可能連線。
多模態: 能處理文字、圖片等不只一種形式的資訊，但不代表每種輸入和輸出形式都支援。
視覺模型: 用來辨識或描述圖片、影片內容的 AI，不代表同時具備創作新圖片的能力。
圖像生成: 按照指示或參考資料創作新的圖片，與搜尋現有圖片或描述圖片內容不同。
文字轉語音: 把書面文字變成朗讀的聲音，這個功能本身並不代表系統理解了文字的意思。
語音轉文字: 把說話的聲音記成文字，不一定會同時翻譯成另一種語言。
溫度: 控制 AI 選擇下一段文字時有多大變化的設定，調高通常讓表達更多樣，卻不會因此讓內容更可信。
Top-p: 把最可能出現的文字候選依序保留，直到它們的合計機率達到設定門檻，數值越低通常留下的選擇越少。
延遲: 從送出請求到收到回應的等待時間，可以分別看第一個字出現要多久，以及完整回答要多久才結束。
串流輸出: 答案傳來一部分就先顯示一部分，讓你不必等整段完成就能開始閱讀。
速率限制: 服務對一段時間內可發出的請求次數或資料量設定的上限，即使帳戶還有餘額，也可能碰到限制。
基準測試: 讓不同系統在相同條件下完成一組共通題目的比較方式，分數高不一定代表更適合你的實際工作。
評估: 先訂清楚任務期待，再用成功與容易出錯的例子檢查 AI 的表現，確認它在哪些情況下可靠。
過度擬合: AI 太貼合訓練時看過的例子，導致舊題答得很好，遇到沒看過的新例子反而表現不佳。
RLHF: 由人比較或評分 AI 的回答，再利用這些回饋教 AI 產生人們較偏好的答案。
對齊: 調整 AI 的行為，讓它更符合預定目標、人的偏好或規則，但不能因此假設每個結果都安全或正確。
護欄: 放在 AI 周圍的一組檢查與規則，用來阻止不希望出現的輸入、回答或操作，仍需測試它會漏掉哪些情況。
提示詞注入: 把指示藏進 AI 會讀到的資料裡，試圖讓它忽略原本任務，改聽另一個人的命令。
量化: 用較低的精度儲存 AI 學會的數字，減少所需的記憶體與計算量，但可能犧牲部分回答品質。
LoRA: 固定原本 AI 的設定，只訓練少量新增設定來配合特定用途，通常比重新調整全部設定更省記憶體。
GPU: 能同時處理大量相似計算的晶片，除了繪製圖像，也很適合 AI 訓練與執行中的許多工作。