AI 專業名詞解釋

定義

使電腦系統能模擬人類智慧行為（如學習、推理、解題）的技術領域。

解釋

人工智慧包含機器學習、深度學習、自然語言處理等子領域，目標是讓機器能執行原本需要人類智慧才能完成的任務。

定義

AI 的子領域，讓電腦從資料中自動學習規律，無需明確程式設定規則。

解釋

機器學習分為監督式、非監督式、強化學習三大類。模型透過大量訓練資料歸納出模式，並應用於未見過的新資料。

定義

機器學習的子集，使用多層類神經網路自動提取資料特徵。

解釋

「深度」指網路層數多，每一層學習不同抽象層次的特徵。深度學習在影像辨識、語音辨識等任務上表現卓越。

定義

模仿人類大腦神經元連結結構的計算模型，由節點（神經元）與加權連結組成。

解釋

訊號從輸入層經過隱藏層傳至輸出層，每條連結有可調整的權重。訓練過程透過反向傳播算法更新這些權重以最小化誤差。

定義

專為處理具有空間結構資料（如圖像）設計的深度神經網路架構。

解釋

透過卷積層自動學習局部特徵（邊緣、紋理、形狀），再由池化層降低維度，最後以全連接層分類。對影像的平移不變性特別有效。

定義

具有記憶能力的神經網路，能處理序列資料（如時間序列、文字）。

解釋

RNN 將前一時間步的隱藏狀態傳入下一步，使模型具有「記憶」。LSTM 和 GRU 是改善長程依賴問題的主要變體，現已大多被 Transformer 取代。

定義

以自注意力機制為核心的深度學習架構，是現代大型語言模型的基礎。

解釋

2017 年由 Google 提出（論文《Attention Is All You Need》）。Transformer 能平行處理序列中所有位置的資訊，解決了 RNN 的長程依賴問題，成為 NLP 領域的主流架構。

定義

讓模型在處理序列時能夠動態關注不同位置重要性的技術。

解釋

自注意力（Self-Attention）計算序列中每個元素與其他所有元素的相關性得分，使模型能捕捉長距離依賴關係，不受序列長度限制。

定義

由生成器與判別器互相對抗訓練的生成式模型架構。

解釋

生成器學習產生以假亂真的樣本，判別器學習區分真實與生成樣本。兩者博弈訓練，最終生成器能產出高品質合成資料。

定義

透過學習逆轉雜訊加入過程來生成高品質圖像的生成式模型。

解釋

訓練時逐步對圖像加入高斯雜訊，再學習如何從純雜訊還原圖像。相比 GAN 訓練更穩定，目前是圖像生成的主流技術。

定義

以海量文本資料訓練的大規模語言模型，能理解並生成自然語言。

解釋

LLM 透過預訓練學習語言統計規律，再透過指令微調適應對話與任務。參數量通常達數十億至數兆級別。

定義

能產生新內容（文字、圖像、音訊、影片、程式碼）的 AI 系統。

解釋

有別於只做分類或預測的傳統 AI，生成式 AI 能創造出符合指令的新內容，大幅降低內容創作的門檻。

定義

讓電腦能夠理解、分析和生成人類語言的 AI 技術。

解釋

NLP 涵蓋文本分類、情感分析、機器翻譯、問答系統等任務。現代 NLP 主要以 Transformer 架構為基礎。

定義

讓電腦能夠從圖像或影片中理解視覺世界的 AI 技術領域。

解釋

包含物件偵測、圖像分類、語意分割、人臉辨識等任務。現代 CV 以深度學習（CNN、ViT）為主要技術基礎。

定義

使用帶有正確答案標籤的訓練資料來訓練模型的機器學習方法。

解釋

模型學習輸入與輸出標籤的對應關係。標記資料成本高，但準確率通常較好，適用於分類、回歸等任務。

定義

使用未標記資料讓模型自行發現資料內在結構的機器學習方法。

解釋

模型在沒有正確答案指引的情況下，自行尋找資料中的模式、群集或壓縮表示。常見方法包含 K-means、PCA 等。

定義

智能體透過與環境互動、獲得獎懲回饋，學習最佳決策策略的機器學習方法。

解釋

類似人類學習的試誤過程，智能體採取行動、觀察結果、調整策略以最大化長期獎勵。

定義

已在大規模資料集上完成訓練、可直接使用或進一步微調的模型。

解釋

預訓練讓模型學到通用知識，使用者可直接部署或以少量資料微調以適應特定任務，大幅降低訓練成本與時間。

定義

在預訓練模型的基礎上，使用特定任務資料進行額外訓練以適應特定應用。

解釋

微調遷移了預訓練模型學到的通用知識，只需少量領域資料即可顯著提升特定任務效能，遠比從頭訓練更省資源。

定義

將在一個任務上學到的知識應用到另一個相關任務的機器學習技術。

解釋

類似人類學習的知識遷移，預訓練模型學到的通用特徵可被應用到資料量較少的新任務，大幅降低訓練成本。

定義

AI 模型在未見過任何該類別訓練樣本的情況下，仍能完成新任務的能力。

解釋

大型語言模型具備強大的零樣本能力，能根據任務描述直接執行，無需特定訓練資料。Few-shot 則提供少量範例。

定義

能同時處理並整合多種資料類型（文字、圖像、音訊、影片）的 AI 系統。

解釋

多模態模型突破了單一資料型態的限制，能進行跨模態理解與生成，如圖文問答、影片描述、語音轉文字等。

定義

將文字（詞彙）轉換為連續向量空間中數值表示的技術。

解釋

詞嵌入使語意相近的詞在向量空間中距離較近。Word2Vec、GloVe 是早期代表，現代 LLM 使用更複雜的上下文感知嵌入（如 BERT 嵌入）。

定義

模型過度學習訓練資料的細節和雜訊，導致對新資料泛化能力差的現象。

解釋

過度擬合的模型在訓練集上表現極佳，但在測試集或真實資料上表現差。解決方法包含正規化、Dropout、增加訓練資料等。

定義

在訓練開始前人工設定、不由模型自行學習的配置參數。

解釋

超參數控制訓練過程，如學習率（learning rate）、批次大小（batch size）、網路層數、Dropout 比率等。需透過實驗或自動化搜尋（AutoML）調整。

定義

將人類語音自動轉換為文字的 AI 技術。

解釋

現代語音辨識使用深度學習（特別是 Transformer）處理音訊特徵，在噪音環境和多語言場景下準確率大幅提升。

定義

根據用戶行為和偏好自動推薦個人化內容或商品的 AI 系統。

解釋

主要方法包含協同過濾（Collaborative Filtering）、內容過濾（Content-based Filtering）和混合方法。現代推薦系統結合深度學習提升推薦品質。

定義

設計、優化輸入提示以引導 AI 模型產出期望結果的技術與方法。

解釋

有效的提示詞需包含明確的任務說明、背景資訊、輸出格式要求等。常見技巧包含 few-shot、Chain-of-Thought、角色設定等。

定義

引導 AI 模型逐步展示推理過程，以提升複雜問題解答準確性的提示技術。

解釋

要求模型「一步一步思考」能顯著提升數學、邏輯推理等任務的準確率。模型透過中間步驟減少跳躍性錯誤。

定義

在提示詞中提供少量輸入輸出範例，引導模型學習任務格式的技術。

解釋

相比零樣本提示，few-shot 提供 2–10 個範例讓模型理解期望的輸入輸出模式，顯著提升任務一致性，特別適合格式化輸出需求。

定義

結合外部知識庫檢索與語言模型生成，提升回答準確性與時效性的技術架構。

解釋

查詢時先從知識庫（向量資料庫）檢索相關文件，再將文件作為上下文傳入 LLM 生成回答。解決了 LLM 知識截止日與幻覺問題。

定義

能自主規劃、呼叫工具、執行多步驟任務的 AI 系統。

解釋

AI 代理人不只生成文字，還能使用工具（搜尋網路、執行程式碼、操作 API）並根據中間結果調整計畫，實現更複雜的自動化。

定義

AI 語言模型在單次對話中能處理的最大 Token 數量限制。

解釋

上下文視窗決定模型能「記住」多少對話歷史與輸入內容。較大的上下文窗口（如 128K Token）允許處理更長的文件或對話記錄。

定義

AI 語言模型處理文字的基本單位，可能是一個詞、字或子詞片段。

解釋

英文通常 1 個詞 ≈ 1–2 個 Token；中文每個字通常 1–2 個 Token。Token 數量決定 API 費用與上下文容量，理解 Token 有助控制使用成本。

定義

專門儲存和檢索高維度向量（嵌入）的資料庫系統，支援語意相似度搜尋。

解釋

傳統資料庫用關鍵字匹配，向量資料庫用向量距離（如餘弦相似度）尋找語意相近的內容，是 RAG 系統的核心元件。

定義

AI 模型生成看似合理但實際上錯誤或捏造的資訊的現象。

解釋

LLM 基於統計預測生成文字，缺乏事實查核能力，可能在不確定時編造資訊。使用者需對 AI 輸出進行事實查核。

定義

AI 根據自然語言描述或程式碼上下文自動生成程式碼的能力。

解釋

現代 LLM 能生成、補全、解釋和除錯各種程式語言的程式碼，顯著提升開發效率。但生成的程式碼仍需人工審查，避免安全漏洞或邏輯錯誤。

定義

在提示詞中為 AI 指定特定角色或身份，以引導其採用相應的語氣、知識和風格。

解釋

角色設定能讓模型的回覆更符合特定專業領域的用詞與思維模式，但不能賦予模型它實際上不具備的知識或能力。

定義

利用 AI 工具協助人類進行內容撰寫、編輯、摘要或翻譯的應用方式。

解釋

AI 寫作工具可提升效率，但需注意著作權歸屬、資訊正確性及原創性問題。AI 作為輔助工具，最終仍需人類審查把關。

定義

規範 AI 系統開發與使用應遵循的道德原則和價值觀的學科領域。

解釋

核心原則包含：公平性、透明性、可問責性、隱私保護、安全性、不傷害原則。各國政府與國際組織陸續制定相關指引。

定義

AI 系統因訓練資料或設計偏差，對特定族群產生不公平或歧視性結果的問題。

解釋

偏見來源包含資料偏見（訓練資料不具代表性）、演算法偏見（模型設計問題）和社會偏見（反映現有不平等）。

定義

讓 AI 模型的決策過程能夠被人類理解和解釋的技術與方法。

解釋

深度學習模型常被稱為「黑盒子」，XAI 旨在提升模型透明度，讓用戶了解 AI 為何做出特定決策，增強信任與問責。

定義

AI 系統的決策邏輯、訓練資料與評估方式能被公開檢視的程度。

解釋

透明度讓利害關係人能夠理解、質疑和監督 AI 決策。高透明度有助於發現偏見、錯誤與濫用，但可能與商業機密保護產生衝突。

定義

明確界定 AI 系統決策造成損害時，誰應負責的機制與原則。

解釋

隨著 AI 決策自動化程度提升，問責制面臨挑戰。需在開發者、部署者、使用者之間建立清晰的責任歸屬框架。

定義

規範個人識別資訊收集、使用、儲存和傳輸的法律與技術保護機制。

解釋

在 AI 開發中需遵守資料最小化原則、取得明確同意、確保資料安全。台灣有《個人資料保護法》，歐盟有 GDPR。

定義

歐盟制定的全球首部全面性 AI 監管法規，依風險等級分類管制 AI 系統。

解釋

將 AI 分為四個風險等級：不可接受風險（禁止）、高風險（嚴格規範）、有限風險（透明度義務）、低風險（自願遵循）。2024 年正式通過。

定義

AI 生成內容的著作權歸屬及 AI 訓練資料版權問題的法律議題。

解釋

目前多數國家法律尚未明確規範 AI 創作的著作權歸屬。使用 AI 生成的圖文時，需注意訓練資料版權及生成內容的授權條款。

定義

移除或遮蔽資料中可識別特定個人的資訊，以保護隱私的技術處理程序。

解釋

常見方法包含假名化（以代碼取代姓名）、資料遮罩、資料聚合等。需注意去識別化資料在結合其他資料後仍可能被重新識別。

定義

只收集和處理完成特定目的所必要的最少量個人資料的原則。

解釋

GDPR 的核心原則之一。收集過多不必要資料增加隱私洩露風險。AI 系統設計應明確定義資料需求，避免過度收集。

定義

AI 系統對不同族群（性別、種族、年齡等）應產生一致且不帶歧視的結果。

解釋

公平性有多種技術定義（如個體公平、群體公平），且不同定義之間可能互相衝突。需根據應用場景選擇適當的公平性指標。

定義

使用 AI 技術合成或竄改影片、音訊，使其看似真實但實為偽造的技術。

解釋

Deepfake 利用生成對抗網路（GAN）等技術換臉或偽造語音，可用於娛樂，但也可能被濫用於散播假訊息、詐騙。

定義

用於訓練機器學習模型的資料集，模型從中學習規律和特徵。

解釋

訓練資料的品質和多樣性直接影響模型效能。資料需具有代表性、標記正確且規模足夠，「垃圾進，垃圾出」是 AI 開發的基本原則。

定義

為原始資料添加人工標記（標籤）以供監督式學習使用的過程。

解釋

標記工作通常耗時且昂貴，需由人類專家或眾包完成。標記品質直接影響模型準確率，需建立品質管控機制。

定義

識別並修正資料集中錯誤、不一致、重複或缺失值的前處理過程。

解釋

資料清洗通常佔資料科學工作 60–80% 的時間。包含處理缺失值、移除重複記錄、標準化格式、糾正錯誤等工作。

定義

透過對現有訓練資料進行變換生成更多樣化訓練樣本，以提升模型泛化能力的技術。

解釋

圖像擴增方法包含翻轉、旋轉、裁切、調整亮度等；文字擴增包含同義詞替換、回譯等。有效緩解訓練資料不足問題。

定義

從原始資料中提取、轉換和選擇對機器學習任務最有用的特徵的過程。

解釋

傳統機器學習高度依賴特徵工程，需要領域知識設計有效特徵。深度學習能自動學習特徵，降低了手動特徵工程的需求，但領域知識仍有價值。

定義

以矩陣形式展示分類模型預測結果與真實標籤對照關係的評估工具。

解釋

包含真陽性（TP）、假陽性（FP）、真陰性（TN）、假陰性（FN）四個象限。從中可計算精確率、召回率、F1 分數等評估指標。

定義

衡量分類模型效能的兩個核心指標，分別反映預測準確性和覆蓋完整性。

解釋

精確率 = 預測為正且實際為正 / 所有預測為正；召回率 = 預測為正且實際為正 / 所有實際為正。兩者通常有取捨關係（Precision-Recall Trade-off）。

定義

訓練資料中不同類別的樣本數量差異懸殊的問題。

解釋

當某類別樣本極少（如詐欺交易佔比 0.1%），模型傾向預測多數類別而忽略少數類別。解決方法包含過採樣（SMOTE）、欠採樣、調整類別權重等。

定義

從訓練資料中分割出來，分別用於調整模型和最終評估的獨立資料集。

解釋

訓練集用於學習，驗證集用於超參數調整和早停，測試集用於最終效能評估。測試集只能在模型完成後使用一次，避免資訊洩漏。

定義

AI 系統在開發、部署和使用過程中可能造成的負面影響與危害。

解釋

AI 風險涵蓋短期風險（偏見歧視、隱私洩露、誤用）和長期風險（AI 安全、自主性失控）。風險管理需從設計、開發到部署全程介入。

定義

刻意對輸入資料添加人眼難以察覺的擾動，使 AI 模型產生錯誤預測的攻擊方式。

解釋

攻擊者透過計算梯度找到最小擾動，使模型信心十足地做出錯誤分類。對抗攻擊揭示了深度學習模型脆弱性，在安全關鍵場景需特別防護。

定義

攻擊者在輸入中嵌入惡意指令，覆蓋或操縱 AI 模型原始指示的安全漏洞。

解釋

類似 SQL Injection，攻擊者利用模型無法區分指令與資料的弱點。直接注入攻擊原始 prompt，間接注入透過外部內容（網頁、文件）傳入惡意指令。

定義

攻擊者在訓練資料中注入惡意樣本，使模型學習錯誤行為的攻擊方式。

解釋

投毒攻擊可使模型在特定觸發條件下（後門攻擊）或整體上（降低準確率）表現異常。影響 AI 供應鏈安全，使用公開資料集訓練時需注意。

定義

在資料分析和模型訓練中添加隨機噪聲，使個人資料無法被逆推的隱私保護技術。

解釋

差分隱私提供數學上可量化的隱私保障，能在釋出統計資訊的同時保護個人隱私。蘋果和 Google 已在產品中使用差分隱私收集用戶資料。

定義

讓模型在各端設備上本地訓練，只上傳梯度更新而非原始資料的分散式學習框架。

解釋

資料不離開設備，保護用戶隱私。適用於醫療、金融等敏感資料場景。缺點是通訊成本高，且梯度仍可能洩漏部分資訊。

定義

確保 AI 系統按照人類意圖可靠運作，不產生有害或意外後果的研究領域。

解釋

AI 安全包含短期安全（避免錯誤、偏見、濫用）和長期安全（確保高度自主 AI 保持人類控制）。對齊（Alignment）是核心研究方向。

定義

攻擊者透過大量查詢 AI 服務 API，逆向複製出功能相似模型的攻擊方式。

解釋

即使 API 只回傳預測結果，攻擊者仍能從輸入輸出對推斷模型行為。防禦方式包含限制查詢頻率、添加輸出噪聲、監控異常查詢模式。

定義

利用 AI 技術大規模生成或傳播假訊息、誤導性內容的行為。

解釋

AI 使假訊息生成成本大幅降低，包含假新聞、Deepfake 影片、社群媒體機器人帳號等。媒體識讀與 AI 生成內容偵測技術成為重要防禦手段。

定義

人類與 AI 系統相互配合，共同完成任務的工作模式。

解釋

AI 擅長大量資料分析與重複性任務；人類擅長創意、同理心與複雜判斷。有效的人機協作能發揮雙方優勢，提升整體效能。

定義

使用技術（包含 AI）取代原本由人工執行的重複性任務和流程。

解釋

AI 驅動的自動化影響範圍從製造業體力勞動延伸至知識工作（文件處理、客服、資料分析），對就業市場產生深遠影響。

定義

AI 與自動化導致部分工作崗位消失或工作內容大幅改變的現象。

解釋

重複性高、規則明確的工作面臨更高位移風險。但歷史上技術革命同時消滅舊工作並創造新工作，AI 的淨就業影響仍有爭議。

定義

協助勞工學習新技能以適應 AI 時代職場需求的教育與培訓活動。

解釋

Reskilling 指學習全新領域技能；Upskilling 指提升現有技能水準。政府、企業和個人都需投入資源應對 AI 帶來的技能需求轉變。

定義

理解 AI 基本概念、能力與限制，並能批判性地評估和使用 AI 工具的能力。

解釋

AI 素養不等於會寫程式，而是指能理解 AI 如何運作、能做什麼、有何風險，並能在工作和生活中做出明智決策。

定義

確保人類能監控、理解並在必要時覆蓋 AI 系統決策的機制。

解釋

人類監督是 AI 治理的核心原則，特別在高風險場景（醫療、司法、金融）中不可或缺。「人在迴路中」（Human-in-the-Loop）是常見實踐。

定義

主要以知識、資訊和創意作為生產投入的工作者，如工程師、分析師、設計師。

解釋

傳統自動化主要取代體力勞動，生成式 AI 開始影響知識工作者。研究顯示 AI 能提升高績效知識工作者的工作品質，但也可能壓縮入門級工作機會。

定義

將 AI 技術應用於醫療診斷、藥物研發、病患管理等健康照護領域。

解釋

AI 在醫療影像分析（X 光、MRI 判讀）、病理切片辨識、新藥分子設計等領域展現超越人類的效能，但仍需醫師監督與倫理管控。

定義

使車輛能在無需人類操控的情況下感知環境並自動行駛的 AI 技術。

解釋

自動駕駛分為 L0–L5 五個自動化等級。整合電腦視覺、感測器融合、決策規劃等多項 AI 技術。安全性、道德決策（電車問題）和法規是主要挑戰。

定義

利用 AI、物聯網和大數據提升製造效率、品質和彈性的工業應用。

解釋

包含預測性維護（機器故障預測）、品質檢測（視覺瑕疵檢驗）、生產排程優化、供應鏈管理等應用。台灣製造業是重要應用場域。

定義

利用 AI 和感測器資料針對每塊農田的具體條件進行精細化管理的農業應用。

解釋

透過無人機影像分析、土壤感測器、氣象資料預測等，AI 能優化灌溉、施肥、病蟲害防治，減少資源浪費並提升農作物產量。

定義

將 AI 等科技應用於金融服務，提升效率、降低成本並創造新型金融產品的領域。

解釋

AI 在金融領域的應用包含詐欺偵測、信用評分、演算法交易、智能理財顧問（Robo-advisor）、反洗錢合規等。

定義

利用 AI 技術提升教學效果、個人化學習體驗的教育應用。

解釋

AI 教育應用包含自適應學習系統（根據學生程度調整難度）、智慧評分、學習分析、AI 家教等。生成式 AI 也改變了學術誠信的挑戰。

定義

利用 AI 和資料科技優化城市基礎設施、公共服務和市民生活品質的城市發展模式。

解釋

應用包含智慧交通（號誌優化、停車管理）、能源管理、廢棄物處理、公共安全監控、市政服務自動化等。需平衡效率提升與隱私權保護。

定義

在靠近資料產生端的設備（邊緣節點）上直接執行 AI 推論，而非傳輸至雲端的架構。

解釋

邊緣 AI 優點包含低延遲（毫秒級）、離線可用、資料不離開設備（隱私保護）、降低頻寬成本。適合需要即時決策的應用場景。

定義

確保 AI 系統的目標、行為和價值觀符合人類意圖與利益的研究領域。

解釋

隨著 AI 能力增強，確保 AI 按照我們真正的意圖行事（而非字面指令）變得關鍵。包含獎勵設計、價值學習、RLHF（人類回饋強化學習）等方法。

定義

利用人類對 AI 輸出的偏好評分來微調語言模型，使其更符合人類期望的訓練方法。

解釋

訓練人類偏好模型，再用強化學習根據偏好分數優化 LLM 輸出。ChatGPT 等現代對話 AI 都使用 RLHF，顯著改善了回應的有用性和安全性。

定義

將結構化資料或非語言資訊自動轉換為自然語言文字的 AI 技術。

解釋

NLG 是 NLP 的子領域，從資料（報表、數據庫）自動產生人類可讀的文字描述。生成式 AI 的興起大幅提升了 NLG 的品質與應用範圍。