AI 101 版本 2.2：快速掌握 101 個重要人工智能詞彙
人工智能的變化速度，往往快得令人難以追上。新的模型、產品、協定和風險每隔幾個月便會出現；一些曾經重要的詞彙，也可能逐漸成為歷史參考。
我身邊有很多人都想更深入了解人工智能，但他們經常遇到同一個問題：網上的資料不是過於艱深，充滿技術術語和複雜理論，就是過度簡化，只告訴你某個詞「是甚麼」，卻沒有解釋它為何重要、如何運作，以及會怎樣影響我們的工作和生活。我製作這份清單，就是希望在兩者之間找到平衡，用容易理解但不失深度的方式，為每個重要詞彙補上足夠背景，讓讀者可以真正看見人工智能世界的全貌。
AI 101 是一份持續更新、適合初學者的詞彙表。 它幫助讀者快速掌握當前 AI 討論，分辨長期重要概念與短期熱潮。我們每三個月覆核一次清單，為每個現有詞彙記錄首次發布日期，並把移除詞彙保存在文章底部，讓讀者看見人工智能世界如何演變。
版本： 2.2
上次覆核： 2026-08-20
下次預定覆核： 2026-11-20
覆核週期： 每三個月一次
清單選擇方式
目前沒有權威公開資料庫，可以按照全球流量排列所有 AI 概念。產品瀏覽量、搜尋量和教育重要性是不同指標，因此本清單綜合實際流量、公開搜尋增長訊號、當前相關性、長期重要性，以及一般讀者的實用程度。
根據 Exploding Topics 引用的 Semrush 數據，ChatGPT、Gemini、Grok、DeepSeek、Claude 和 Perplexity 是 2026 年 2 月瀏覽量最高的 AI 產品之一。Similarweb 的 2026 年 5 月估算亦顯示 ChatGPT、Gemini 和 Claude 擁有龐大全球使用者。因此，下列內容是參考流量、並按照學習需要編排的清單，不是精確的全球搜尋量排名。
AI 101 詞彙清單
編排方式：人工智能作為基礎概念排在第一位，其餘詞彙按編輯重要性和學習次序排列。 英文詞彙名稱予以保留，方便讀者辨認實際產品、技術和行業用語；解釋內容只使用繁體中文。
詞彙解釋
1. Artificial Intelligence (AI，人工智能) — 首次發布：2026-08-20
讓機器執行理解語言、辨識、預測和決策等智能任務的廣泛領域，相關技術也包含學習、推理、生成內容和自主行動。人工智能包含規則系統、機器學習和現代生成模型，因此不是每個 AI 都會學習或自主行動；了解具體方法、資料和用途，比只看標籤更有意義。
2. AI Agent（AI 代理） — 首次發布：2025-04-14
可以觀察情況、選擇行動並使用工具，以一定自主程度完成目標的系統，常用於安排多步任務，並根據執行結果調整下一步。它和只回答問題的聊天機器人不同，會規劃多個步驟、調用外部服務、檢查結果並重試；因此權限、停止條件和人工確認與模型能力同樣重要。
3. AI Alignment（AI 對齊） — 首次發布：2025-04-14
使 AI 的目標和行為符合人類意圖、限制和價值觀的挑戰，核心是減少模型與使用者真正期望之間的偏差和衝突。對齊之所以重要，是因為能力很強的系統仍可能追求錯誤目標，或以意想不到的方式遵從指令；研究人員會測試規格、回饋方法和防護措施來縮小差距。
4. AI Safety（AI 安全） — 首次發布：2025-04-14
避免 AI 系統造成意外傷害、被濫用或失去控制的研究和實務，涵蓋模型設計、測試、監察、部署和事故應對等環節。安全工作會在部署前後檢查失誤，範圍由誤導答案、歧視到網絡濫用或自主行動；所需控制取決於系統能力、可用權限和可能造成的影響。
5. ChatGPT — 首次發布：2025-04-14
OpenAI 推出的廣泛使用對話式 AI，用於寫作、研究、編程、分析和多模態工作，也能處理圖像、檔案和語音，協助完成日常知識工作。使用者可透過文字、語音、圖像和檔案互動，機構也可經 API 連接相關模型；它是一個產品介面，而不是某個永遠不變的單一底層模型名稱。
6. Context Window（上下文窗口） — 首次發布：2025-04-14
模型在一次請求中可以同時考慮的輸入、對話記錄和輸出總量，窗口越大，模型通常越能掌握較長文件和複雜對話。當窗口填滿後，較早內容可能被省略或壓縮，所以長上下文不等於完美記憶；良好系統會選取真正相關的資料，而不是把所有內容全部塞進提示。
7. Data Privacy（資料私隱） — 首次發布：2025-04-14
保護並依法處理 AI 系統使用的個人或敏感資料，重點包括收集同意、存取控制、保留期限和安全刪除。AI 服務可能保留提示、檔案、輸出和使用紀錄，因此供應商設定與合約十分重要；敏感資料應盡量減少、妥善保護，並只用於清楚說明的目的。
8. Fine-tuning（微調） — 首次發布：2025-04-14
在現有模型上繼續訓練，使它更適合特定任務、領域、風格或行為，適合建立專業助手，但需要高品質資料和明確評估。微調比單次提示更持久地改變模型行為，但不會自動加入可靠事實；團隊需要具代表性的範例、獨立驗證資料，以及未來模型更新時的維護計劃。
9. Foundation Model（基礎模型） — 首次發布：2025-04-14
先接受廣泛訓練，再透過提示、微調或工具適應不同任務的通用模型，是許多聊天助手、搜尋工具和企業 AI 服務的起點。同一基礎模型可支援聊天、搜尋、編程和行業應用，把開發成本分散到多種產品；它的廣泛能力也代表下游使用者會同時承受其限制和風險。
10. Generative AI (GenAI，生成式人工智能) — 首次發布：2025-04-14
根據訓練中學到的模式，產生文字、圖像、聲音、影片或程式碼等新內容，能加快內容創作，但輸出仍需要人類核實和編輯。生成過程帶有機率性，同一要求可能產生不同結果，而且流暢內容仍可能錯誤；有效使用需要結合清楚指令、可靠來源、人工審閱和適當披露。
11. Hallucination（幻覺） — 首次發布：2025-04-14
看起來合理，實際上卻包含虛構、無來源或錯誤資訊的模型輸出，因此重要事實、數字和引用都應回到可靠來源查證。幻覺出現是因為語言模型預測最可能的延續，而不是提取必然正確的事實；事實錨定、引用、工具和評估可降低問題，但目前沒有通用方法完全消除。
12. Large Language Model (LLM，大型語言模型) — 首次發布：2025-04-14
以大量語言資料訓練，用來理解和生成文字、程式碼及結構化答案的模型，可透過提示、工具或微調應用於多種知識型任務。大型語言模型把語言表示成詞元，透過大量訓練學習統計關係；它能模仿多種推理和溝通形式，但語氣自信並不代表答案真實可靠。
13. Multimodal AI（多模態人工智能） — 首次發布：2025-04-14
可以同時理解或生成文字、圖像、聲音和影片等多種資料的 AI，讓模型能在不同媒體之間分析、轉換和建立內容。多模態系統能連接不同格式的資訊，例如描述圖表、回答影片問題或由文字生成圖像；同一模型在不同模態上的能力和可靠度可能差異很大。
14. Neural Network（神經網絡） — 首次發布：2025-04-14
由互相連接的運算單元組成，透過訓練學習輸入和輸出之間的關係，是深度學習模型辨識模式、預測結果的基本結構。訓練時，網絡會調整數值權重，使有用模式更容易重現；這些學到的關係雖然強大，卻難以直接檢查，也可能反映訓練資料中的偏見。
15. Prompt Engineering（提示工程） — 首次發布：2025-04-14
設計和測試提示，令模型輸出更有用、可靠和容易重複的方法，通常需要清楚目標、足夠背景、限制條件和輸出格式。現代提示工程包含可重用模板、範例、工具指令和測試，不只是尋找巧妙字句；好提示會清楚列出任務、證據、界限和輸出要求，並方便維護。
16. Responsible AI / AI Ethics（負責任的 AI／AI 倫理） — 首次發布：2025-04-14
以公平、透明、安全和可問責方式開發及使用 AI 的原則和實務，並持續評估偏見、私隱、風險和對不同群體的影響。負責任的 AI 把抽象價值轉化成資料、設計、測試、存取和問責決定；它會追問誰得到好處、誰可能受害、如何申訴，以及最終由誰負責。
17. Retrieval-Augmented Generation (RAG，檢索增強生成) — 首次發布：2025-04-14
先搜尋外部資料，再交給生成模型回答，以提高準確性和可追溯性，特別適合需要依據企業文件作答的場景。RAG 系統通常會切分文件、建立嵌入向量、找出相符段落，再放進提示；成效取決於文件品質、檢索準確度，以及模型能否正確使用證據。
18. Transformer（Transformer 架構） — 首次發布：2025-04-14
現代大型語言模型常用的架構，透過注意力機制理解輸入內容之間的關係，能平行處理長序列，是生成式 AI 發展的重要基礎。注意力機制讓每個詞元衡量其他相關詞元，支援高效率平行訓練和上下文處理；這種設計的變體現已廣泛用於語言、視覺、聲音和多模態模型。
19. AI Governance（AI 治理） — 首次發布：2025-04-14
用政策、角色、控制和審查流程管理組織或社會中的 AI 決策和風險，目標是讓責任清楚、風險可控，並留下決策紀錄。治理會為 AI 整個生命週期分配責任，包括批准、文件、監察和事故應對；它把技術評估與法律、安全、採購和商業決策連接起來。
20. AI Regulation（AI 法規） — 首次發布：2025-04-14
規範特定 AI 系統如何開發、提供和使用的法律要求，不同地區對高風險用途、透明度和責任要求並不相同。法規可能按風險分類系統，並向開發者、供應商或部署者施加責任；合規工作可包括影響評估、保存紀錄、人工監督、透明披露和事故報告。
21. Claude — 首次發布：2025-04-14
Anthropic 的 AI 助手和模型系列，常用於知識工作、寫作、分析和軟件開發，支援長文件、程式碼和多模態內容等複雜任務。Claude 可透過一般使用者介面和開發服務使用，能力會隨模型世代改變；使用時應分清產品本身、所選模型，以及當時連接了哪些工具。
22. Code Generation（程式碼生成） — 首次發布：2025-04-14
根據指令和上下文生成原始碼、測試、腳本、設定或技術文件，可加快開發速度，但生成結果仍需測試和安全審查。生成程式碼能加快例行工作並解釋陌生系統，但也可能帶入錯誤、不安全模式或未審查的授權問題；測試、程式審查和人類責任仍不可缺少。
23. DeepSeek — 首次發布：2025-04-14
以公開模型及推理、編程能力受到關注的中國 AI 公司和模型系列，其模型可在本機或雲端部署，生態發展速度很快。DeepSeek 讓高效率訓練和公開模型受到關注，也影響行業定價與競爭；與其他供應商一樣，部署時仍要考慮資料處理、授權條款和所在地規則。
24. Diffusion Model（擴散模型） — 首次發布：2025-04-14
學習把雜訊逐步還原成內容的生成模型，廣泛用於圖像和影片，生成過程由隨機雜訊開始，再逐步形成清晰結果。生成時，模型會在文字或圖像條件引導下反覆預測並移除雜訊；較多取樣步驟可能改善細節，但同時增加延遲、運算量和使用成本。
25. Gemini — 首次發布：2025-04-14
Google 的 AI 模型和助手產品系列，整合到消費者、開發者和工作服務中，也支援文字、圖像、語音、影片和程式碼等多模態工作。Gemini 整合到多種 Google 產品和 API，但功能取決於模型、服務級別和地區；它與搜尋和生產力工具緊密連接，因此核對來源尤其重要。
26. GPU (Graphics Processing Unit，圖形處理器) — 首次發布：2025-04-14
可以大量平行運算，廣泛用於訓練和運行 AI 模型的處理器，其大量核心適合矩陣運算，是現代 AI 算力的重要來源。GPU 原為圖形運算設計，但大量核心也適合深度學習所需的矩陣計算；供應量、記憶體、耗電和互連速度會直接影響 AI 的成本和發展速度。
27. Inference（推論） — 首次發布：2025-04-14
已訓練模型接收新輸入並產生預測或答案的運行階段，速度、成本、準確度和延遲都是部署時的重要指標。推論可在資料中心、瀏覽器、手機或專用裝置運行；供應商會利用批次處理、快取、量化和硬件優化，在速度、品質與成本之間取得平衡。
28. Microsoft Copilot / GitHub Copilot — 首次發布：2025-04-14
Microsoft 以 Copilot 命名多種產品助手，而 GitHub Copilot 主要協助軟件開發，兩者能理解上下文並建議、修改、測試或生成內容，協助團隊開發。Microsoft Copilot 涵蓋工作、Windows 等多種助手，GitHub Copilot 則聚焦程式碼；實際能力取決於訂閱方案、已連接資料和管理員設定，也要留意企業資料權限與私隱。
29. Open-Source AI（開放原始碼 AI） — 首次發布：2025-04-14
依特定授權公開程式碼、模型權重或資源供他人使用，準確定義仍有爭議，使用前要檢查公開程度、授權和限制。開放存取有助透明度、研究和本機部署，但授權可能限制商業使用，公開權重也不代表訓練細節完全透明；應逐個版本評估，不能只依賴標籤。
30. Perplexity AI — 首次發布：2025-04-14
搜尋網路並生成答案，同時提供支持來源連結的 AI 答案引擎，適合快速研究，但使用者仍應開啟來源核實重要結論。Perplexity 把資料檢索和生成摘要結合，與傳統連結清單不同；引用有助查證，但被引用頁面未必真正支持答案中的每個具體說法。
31. Reasoning Model（推理模型） — 首次發布：2025-04-14
針對多步問題投入更多運算和分析，再產生答案的模型，適合數學、程式設計、規劃和需要逐步判斷的任務。推理模型常在推論時使用額外運算，嘗試不同方法或檢查中間結果；它們可改善困難任務，但通常更慢、更昂貴，而且仍可能自信地出錯。
32. Vibe Coding（感覺編程） — 首次發布：2025-04-14
主要用自然語言指揮 AI 快速生成和修改軟件，而不一定逐行處理程式碼，原型速度很快，但仍需要測試、維護和理解關鍵風險。感覺編程降低製作軟件的門檻，很適合探索和原型，但隱藏的架構決定會快速累積；使用者仍需要版本控制、安全審查和足夠理解來維護成果。
33. AI Bias（AI 偏見） — 首次發布：2025-04-14
AI 系統中可能導致不準確、不公平或歧視結果的系統性差異，偏差可能來自資料、設計、評估方式或實際使用環境。偏見不只來自訓練資料，也可能經標籤、產品目標、判斷門檻和部署方式進入系統；評估時要比較不同群體和情境下的表現與後果。
34. Artificial General Intelligence (AGI，通用人工智能) — 首次發布：2025-04-14
假設中能廣泛完成接近或超越人類智能任務的 AI，目前沒有公認測試證明已實現，也沒有全球一致定義和標準。AGI 常見於研究、政策和企業策略討論，但定義由經濟用途到人類水平通用推理都有；提出相關主張時應說明採用標準，而非把標籤視為已有定論。
35. DALL-E — 首次發布：2025-04-14
OpenAI 具影響力的文字生成圖像模型系列，推動了生成圖像工具普及，如今相關能力逐漸整合到更廣泛的 OpenAI 產品中。DALL-E 證明自然語言提示能大規模控制圖像創作，對生成影像普及影響深遠；即使相關能力逐漸整合到更廣泛的多模態系統，名稱仍具歷史意義。
36. Edge AI（邊緣 AI） — 首次發布：2025-04-14
在手機、汽車或感測器等資料產生地附近運行 AI，不完全依賴遠端雲端，可降低延遲，但受裝置算力和能源限制。邊緣部署可支援離線使用、快速回應和較佳私隱，因為原始資料可留在使用者附近；開發者則要面對記憶體、電池、散熱和更新機制限制。
37. Explainable AI (XAI，可解釋人工智能) — 首次發布：2025-04-14
協助人們理解 AI 預測或決定背後證據、因素和過程的方法，有助於高風險決策的審查、申訴、除錯和問責。解釋方法可使用特徵重要性、範例、簡化規則或自然語言，但看似合理的說法仍可能不完整；方法必須配合受眾、決策用途和模型類型。
38. Generative Adversarial Network (GAN，生成對抗網絡) — 首次發布：2025-04-14
讓生成器和鑑別器互相競爭，使生成內容逐步變得更真實的方法，曾是生成影像的重要技術，也常用於資料合成和研究。GAN 的訓練是一場競爭：生成器嘗試欺騙鑑別器，鑑別器則學習辨認假內容；它能產生清晰結果，但訓練可能不穩定，輸出多樣性也可能不足。
39. Grok — 首次發布：2025-04-14
xAI 的模型和助手產品，與 X 平台連接，用於一般和技術任務，能處理寫作、搜尋和程式工作，但結果仍需獨立核實。Grok 的功能和模型版本變化很快，亦可能使用 X 平台資訊；即時內容雖有用，但社交貼文可靠度差異很大，不應直接當成已核實證據。
40. Hugging Face — 首次發布：2025-04-14
用來分享模型、資料集、示範應用和機器學習工具的平台及開源生態，也是開發者尋找、測試和協作模型的重要社群平台。其模型中心提供模型卡、檔案和社群專案，相關程式庫則簡化訓練與推論；模型可以下載不代表適合使用，仍要檢查文件、授權和評估結果。
41. Latency（延遲） — 首次發布：2025-04-14
由發出請求到收到 AI 回應開頭或完整結果所需的時間，互動產品通常要在速度、成本和答案品質之間取捨。使用者會感受到首個詞元和完整答案的等待時間，語音或代理應用尤其明顯；網絡距離、模型大小、提示長度、工具調用和伺服器負載都會影響延遲。
42. Llama — 首次發布：2025-04-14
Meta 公開發布的語言模型系列，用於研究、本機應用和自訂 AI 系統，可供研究、產品原型和自訂部署，使用條款依版本而異。不同 Llama 版本在規模、授權和能力上各有差異，不能只靠系列名稱比較；公開權重方便私有部署，但仍需要基礎設施、評估和安全工作。
43. Midjourney — 首次發布：2025-04-14
以風格化和高品質圖像生成及編輯聞名的 AI 服務，使用者可用文字提示控制風格、構圖、細節和變化。Midjourney 主要透過託管介面使用，而不是下載模型權重；使用者以提示、參考圖和編輯控制反覆調整，商業用途則取決於當前服務條款。
44. Mistral — 首次發布：2025-04-14
以高效率語言模型，以及開放和商業版本聞名的歐洲 AI 公司和模型系列，提供開放權重和商業服務，主打效率與彈性部署。Mistral 同時提供公開和託管模型，服務開發者與企業；它顯示在部署成本、私隱和自訂能力重要時，較小而高效率的模型也能具競爭力。
45. Mixture of Experts (MoE，混合專家模型) — 首次發布：2025-04-14
包含多個專門子網絡，而每次輸入只啟用其中一部分的模型架構，能用較少運算維持大模型容量，但訓練和路由更複雜。路由器會為每個詞元選擇專家，使模型擁有很大總參數容量而不用全部啟動；路由不佳或專家使用不均，會造成訓練、服務和可靠度問題。
46. Model Distillation（模型蒸餾） — 首次發布：2025-04-14
讓較小模型學習較大模型的有效行為，以降低成本和資源需求，常用於建立較快、較便宜且更容易部署的學生模型。較小的學生模型會學習教師模型產生的答案、機率或推理軌跡；蒸餾能保留部分能力，但也可能複製教師模型的錯誤、偏見和限制。
47. Model Parameters（模型參數） — 首次發布：2025-04-14
模型在訓練中學到並影響輸出的數值；參數更多不一定代表更好，參數量只是規模指標，實際能力也取決於資料和訓練。參數保存模型從資料學到的模式，超參數則是訓練或推論時的人為設定；跨架構比較參數量可能誤導，必須同時查看品質、效率和實際表現。
48. PyTorch — 首次發布：2025-04-14
廣泛用於建立、訓練和部署神經網絡的開源機器學習框架，具備動態運算圖和豐富生態，是研究與產品常用工具。PyTorch 提供張量、自動微分和 GPU 支援，可用於實驗與產品；龐大的程式庫和預訓練模型生態，讓研究重現與應用開發變得更容易。
49. Quantization（量化） — 首次發布：2025-04-14
用較低數值精度表示模型參數，減少記憶體需求並提高運行速度，常見於本機模型、手機應用和低成本推論服務。量化可把權重甚至啟動值由高精度縮減至八位、四位或更低；壓縮越積極，效率通常越高，但敏感任務的準確度也可能下降。
50. Reinforcement Learning from Human Feedback (RLHF，從人類回饋進行強化學習) — 首次發布：2025-04-14
利用人類偏好訓練模型，使行為更有幫助並接近期望結果，常用於提升助手的指令遵循、安全性和回應品質。RLHF 常先收集人類對模型答案的排序，訓練偏好或獎勵模型，再優化助手；人類回饋具有主觀性，因此可能把標註者假設和文化偏好寫進模型。
51. Replit — 首次發布：2025-04-14
結合編程、AI 應用生成、運行和部署的雲端開發平台，可直接在瀏覽器建立、測試、協作和發布程式與應用。Replit 把線上開發環境和可建立、修改專案的 AI 代理結合；它方便初學者和快速原型，但正式應用仍需要架構設計、測試與營運規劃。
52. Runway — 首次發布：2025-04-14
專注於 AI 影片生成、編輯和製作工具的創作平台，廣泛用於廣告、電影、社交媒體內容和視覺原型製作。Runway 把生成模型包裝成影片團隊可用的生成、轉換和編輯工具；創意控制、時間一致性、權利問題和製作流程整合會決定成果能否真正使用。
53. Stable Diffusion — 首次發布：2025-04-14
可公開使用的擴散圖像模型系列，令本機和自訂圖像生成更普及，開放生態讓開發者能自行下載、微調和建立專用版本。Stable Diffusion 可在本機運行，並支援微調、轉接器和自訂流程，形成龐大創作者生態；結果與授權條件會因模型版本、檢查點和來源而不同。
54. TPU (Tensor Processing Unit，張量處理器) — 首次發布：2025-04-14
Google 為張量和機器學習運算設計的專用加速器，主要用於雲端及相關產品的模型訓練、推論和大規模運算。TPU 針對神經網絡常見的大型矩陣運算設計，並有多個世代；軟件相容性、工作負載形態和雲端使用條件，會決定它是否優於其他硬件。
55. Deep Learning（深度學習） — 首次發布：2026-08-20
使用多層神經網絡處理語言、圖像、聲音和科學模型的機器學習方法，模型層數和資料規模通常會影響能力、成本和耗能。深度網絡會學習分層表示，通常由簡單特徵逐步形成抽象模式；它們需要大量資料和運算，而內部決策過程也往往難以直接解釋。
56. Machine Learning (ML，機器學習) — 首次發布：2026-08-20
讓系統從資料中找出規律，而不只依靠工程師逐條編寫規則，它是深度學習與生成式 AI 等技術的上位概念。機器學習系統可用於分類、預測、推薦或生成，取決於訓練目標；當真實世界資料與訓練資料不同，表現可能下降，因此需要監察和重新訓練。
57. Prompt（提示） — 首次發布：2026-08-20
交給模型的指令、問題、範例或資料，用來引導模型產生答案，提示品質會直接影響答案方向、格式、細節和可靠度。提示可包含系統規則、使用者要求、檢索文件、範例和工具結果；模型對各部分的處理不同，因此清楚結構和信任邊界有助避免混亂或操控。
58. Token（詞元） — 首次發布：2026-08-20
模型處理內容時使用的基本單位，可以是一個字、半個詞或標點符號，服務通常按詞元計算用量、上下文長度和使用成本。不同模型和語言的詞元切分方式不同，字數不能直接換算詞元數；詞元會影響上下文限制、處理速度和 API 價格，是重要的資源計量單位。
59. Agentic AI（代理式人工智能） — 首次發布：2026-08-20
不只回答一次問題，而是會規劃、使用工具、保留記憶並反覆行動的 AI，適合需要跨系統執行任務、檢查結果和持續修正的工作。代理式系統常把模型與規劃、記憶、檢索和工具執行循環結合；自主程度提高能節省人力，卻也會累積錯誤，因此必須設置檢查點和最低權限。
60. AI Capital Expenditure (AI Capex，AI 資本開支) — 首次發布：2026-08-20
企業為建立和運行 AI 系統，在資料中心、晶片、網絡、電力和冷卻設備上的長期投入，反映建設算力的成本與風險。資本開支不同於使用費或短期雲端帳單等營運成本，因為它建立長期資產；投資者會用它判斷算力增長、折舊壓力和未來 AI 需求回報。
61. AI Circular Financing（AI 循環融資） — 首次發布：2026-08-20
AI 企業、供應商、投資者和客戶互相投資、借貸或採購形成的融資網絡，可加速擴張，也可能放大關聯交易與共同風險。這個詞描述策略夥伴互相提供資金，同時購買晶片、雲端算力或服務的交易；分析者會檢查增長是否來自獨立需求，以及損失可能如何在網絡中傳播。
62. AI Coding Assistant（AI 編程助手） — 首次發布：2026-08-20
協助開發者解釋、編寫、補全、審查、測試和除錯程式碼的 AI 工具，能理解專案上下文，但開發者仍要審查安全性和正確性。編程助手由自動補全到可編輯檔案、執行測試的代理都有；它們需要清楚要求、程式庫上下文和自動檢查，而開發者仍要為最終成果負責。
63. AI Evals（AI 評估） — 首次發布：2026-08-20
用可重複測試衡量 AI 是否符合品質、安全、可靠性和行為要求，良好評估需包含正常案例、邊界情況和對抗性測試。評估可由程式自動執行、模型評分或人類審閱，並應反映真實使用任務；單一基準分數很難同時代表不同部署環境中的穩健性、事實性、安全和實用程度。
64. AI Infrastructure Financing（AI 基礎設施融資） — 首次發布：2026-08-20
利用債務、股權、租賃、擔保和長期採購承諾，為 AI 資料中心、能源與算力建設提供資金並分配風險和回報責任。項目可使用企業資產負債表、私人信貸、合資、資產抵押債務或客戶承諾；建設期長且需求不確定，使電力合約、使用率和再融資成為核心風險。
65. AI Search（AI 搜尋） — 首次發布：2026-08-20
利用語言模型理解問題、搜尋資料並直接生成答案，通常附有引用來源，能縮短研究時間，但重要資訊仍須人工核對。AI 搜尋把介面由選擇連結變成接收綜合答案，雖然節省時間，卻把排序和解讀集中到模型內；因此透明來源、交叉比較和核實仍不可少。
66. Computer Use（電腦操作） — 首次發布：2026-08-20
AI 透過看畫面、點擊、輸入和切換應用程式來操作圖形介面，適合重複的介面任務，但要限制權限並確認重要操作。電腦操作代理會理解截圖或介面結構，再發出滑鼠和鍵盤動作；視覺歧義、彈出視窗和不可逆操作會帶來風險，因此高影響步驟應要求確認。
67. Embedding（嵌入向量） — 首次發布：2026-08-20
把文字、圖像或其他內容轉成數字，使意思相近的項目在數學空間中靠近，可用於語意搜尋、推薦、分類、聚類和相似內容比對。嵌入向量讓系統以距離比較語意，而不只依靠完全相同的關鍵字；品質取決於來源模型和領域，也可能保存敏感資訊或不希望出現的關聯。
68. Grounding（事實錨定） — 首次發布：2026-08-20
把模型答案連接到提供的資料、檢索證據、工具或可核實來源，能減少模型憑空作答，並讓答案更容易追查和驗證。事實錨定可使用檢索文件、資料庫、感測器或即時工具，並應提供足夠證據供查核；只有來源可信且正確連接到具體主張時，才能真正改善可靠度。
69. Model Context Protocol (MCP，模型上下文協定) — 首次發布：2026-08-20
用統一介面把 AI 應用程式連接到外部工具、資料和功能的開放協定，讓不同模型和服務可用一致方式發現及調用外部能力。MCP 使用客戶端與伺服器模式，讓 AI 主機發現相容服務提供的資源、提示和工具；標準化可減少整合工作，但每個連接仍需要身分驗證和權限控制。
70. System Prompt（系統提示） — 首次發布：2026-08-20
用來設定 AI 助手角色、限制和行為方式的較高優先級指令，通常由應用提供者設定，普通使用者未必能直接看見。系統提示可在處理使用者要求前設定語氣、政策、可用工具和輸出格式；它能引導行為，卻不是足以抵抗衝突或惡意內容的完整安全邊界。
71. Tool Use / Function Calling（工具使用／函式呼叫） — 首次發布：2026-08-20
讓模型以結構化方式要求軟件執行動作、計算、搜尋或資料操作，模型負責選擇工具和參數，外部程式再回傳執行結果。模型通常輸出工具名稱和結構化參數，而不是自行執行操作；外部軟件會驗證要求、執行並回傳資料，因此可以在明確位置加入權限和安全檢查。
72. Vector Database（向量資料庫） — 首次發布：2026-08-20
專門儲存和搜尋向量表示的資料庫，常用於 RAG 的語意搜尋，搜尋重點是意義相似程度，而不只依賴完全相同關鍵字。向量資料庫會為嵌入建立索引，在大量內容中快速找出最近鄰；實際系統還需要中繼資料篩選、存取控制、更新和評估，避免檢索無關或未授權資料。
73. AI Automation（AI 自動化） — 首次發布：2026-08-20
在自動流程加入 AI，處理規則難以完成的分類、生成、判斷或分派工作，適合大量重複任務，但重要決策仍需人類監督。當輸入變化太大、固定規則難以處理時，AI 自動化特別有用，例如文件分流或草擬回覆；可靠流程會定義例外、信心門檻、紀錄和人工覆核路徑。
74. AI Benchmark（AI 基準測試） — 首次發布：2026-08-20
用統一資料或任務比較模型表現，但分數不一定代表實際使用效果，設計時應防止資料洩漏、題目過時和只追求單一分數。基準測試讓重複比較成為可能，但模型可針對已知題目訓練，或利用薄弱評分方式；健全評估會結合多個資料集、真實任務、成本、延遲和失敗分析。
75. AI Copyright（AI 版權） — 首次發布：2026-08-20
涉及訓練資料、生成內容、人類作者身份、授權和侵權的版權問題，各地法律仍在發展，商業使用前應確認權利和授權。核心問題包括訓練是否合法、生成作品由誰擁有，以及輸出何時與受保護內容過度相似；答案會隨地區法律和具體事實不同，不能只看使用了哪種技術。
76. AI Guardrails（AI 防護欄） — 首次發布：2026-08-20
用來限制、監察或阻擋不安全 AI 輸入、輸出和行動的技術及程序控制，通常結合規則、分類器、權限管理、記錄和人工覆核。防護欄可檢查提示、限制工具、過濾輸出並把不確定個案交給人類；它能降低特定風險，但也可能被繞過或誤擋正常用途，因此必須同時衡量漏網和誤判。
77. AI Overview（AI 搜尋摘要） — 首次發布：2026-08-20
直接出現在搜尋結果中的 AI 摘要，在傳統連結之前或旁邊回答問題，方便快速理解主題，但可能簡化內容或產生錯誤資訊。搜尋服務會從選定網頁生成摘要，並把它放在一般結果上方；這種便利可能減少網站流量，也令準確度、來源歸屬和錯誤更正機制變得重要。
78. AI Slop（AI 垃圾內容） — 首次發布：2026-08-20
大量生成但缺乏核實、判斷和讀者價值的低品質 AI 內容，常見特徵是內容重複、空泛、失實，甚至污染搜尋結果。AI 垃圾內容常在低製作成本鼓勵數量而非價值時出現；它會浪費注意力、模仿真正創作者、散播錯誤，並令搜尋或社交平台更難使用。
79. AI Workflow（AI 工作流） — 首次發布：2026-08-20
把人、AI 模型、工具、檢查和交接安排成固定順序，以產生可靠成果，清楚流程可改善效率，也方便追蹤錯誤、成本和責任。工作流可把提示、檢索、工具、批准和品質檢查組合起來，而不是依賴一次模型調用；清楚標示輸入、輸出、負責人和失敗路徑，才能重複執行和持續改善。
80. Chain of Thought（思維鏈） — 首次發布：2026-08-20
模型解題時使用的中間推理步驟，顯示的解釋未必等於完整內部運算，可改善複雜任務表現，但不應要求私密推理。模型可以提供精簡推理摘要或可核實計算，而不用公開每個內部詞元；對使用者而言，證據、假設和可重現步驟，比冗長但無法驗證的思考敘述更有價值。
81. Codex — 首次發布：2026-08-20
OpenAI 的編程代理產品，可閱讀程式庫、修改檔案、執行指令與測試，並在本機專案中協助完成多步軟件任務。Codex 能跨整個程式庫工作、使用開發工具並持續完成多步實作；其操作應按風險程度審閱，尤其涉及部署、憑證、外部系統或破壞性指令時。
82. Cursor — 首次發布：2026-08-20
以 AI 為核心的程式碼編輯器，可理解程式庫、生成修改並協助軟件開發，主打自然語言編程、專案理解、程式生成和代理式開發。Cursor 把聊天、自動補全和代理整合到熟悉的編輯器中，並可利用程式庫上下文進行廣泛修改；團隊需制定機密資料、審查、測試和生成程式碼責任規則。
83. Deepfake（深度偽造） — 首次發布：2026-08-20
利用合成或修改媒體，逼真模仿真實人物外貌、聲音或行為，可用於詐騙、冒認或操縱輿論，因此需要偵測和標示。深度偽造可用於娛樂或無障礙用途，但逼真的冒認會降低詐騙和騷擾成本；偵測、內容來源、當事人同意和獨立身分核實因而愈來愈重要。
84. ElevenLabs — 首次發布：2026-08-20
以人工語音、配音、聲音設計和聲音複製聞名的 AI 音訊平台，廣泛應用於旁白、配音、語音代理和多語內容製作。ElevenLabs 提供生成、轉換和本地化語音的模型與產品；高真實度有助創作和無障礙服務，但聲音權利、同意和防止冒認控制需要審慎處理。
85. Jailbreak（越獄提示） — 首次發布：2026-08-20
試圖繞過模型安全限制，使它產生原本不允許行為的提示或技巧，防護重點是隔離不可信內容、限制工具權限和檢查輸出。越獄提示常把禁止要求包裝成虛構情境，或利用不同指令之間的衝突；防禦需要結合模型訓練、輸入輸出檢查、工具限制、監察和快速修補。
86. Kimi — 首次發布：2026-08-20
Moonshot AI 的助手和模型系列，以長上下文、推理和編程能力受到關注，支援長上下文和多模態能力，常見於中文知識工作。Kimi 與月之暗面相關，尤其以長上下文和中文能力受到注意；由於功能和存取方式會隨版本與地區改變，使用者應確認當前模型和資料設定。
87. Lovable — 首次發布：2026-08-20
把自然語言要求轉換成可編輯網站項目的 AI 應用建構工具，能由提示建立網站和應用原型，再透過對話持續修改。Lovable 把對話要求轉成可編輯的網站應用，並可連接介面、資料庫和部署；它能加快實驗，但正式上線仍需要安全、資料模型、測試和維護工作。
88. NotebookLM — 首次發布：2026-08-20
Google 以使用者來源為基礎的研究和筆記工具，可針對文件提問、生成摘要並整理資料，但來源內容仍需仔細核對。NotebookLM 以使用者選定材料作為答案依據，很適合研究範圍清楚的文件集合；但它仍可能誤解內容、忽略細節，或建立來源沒有支持的關聯。
89. NPU (Neural Processing Unit，神經處理器) — 首次發布：2026-08-20
專門加速神經網絡運算的處理器，愈來愈常見於手機和個人電腦，可在裝置端提高速度和私隱，並減少對雲端算力依賴。NPU 在手機和電腦中高效率執行神經網絡，用於圖像增強、轉錄和助手等任務；本機運算可改善私隱與回應速度，同時減少電池和雲端資源消耗。
90. Prompt Injection（提示注入） — 首次發布：2026-08-20
利用不可信指令推翻 AI 原有規則或操控工具的攻擊方式，可能觸發未授權操作，因此需要隔離內容、限制權限和分層防護。提示注入可經網頁、文件、電郵或工具結果進入，不只來自使用者直接輸入；系統必須分開指令與資料、限制權限，並為重大操作要求確認。
91. Qwen — 首次發布：2026-08-20
阿里巴巴的語言和多模態模型系列，包含多種規模和用途的公開模型，支援文字、程式碼、圖像與其他多模態任務。Qwen 有多種規模和專門版本，可用於雲端、本機或自訂部署；開發者應比較確切版本、授權、語言表現、硬件需求和安全行為，而不是只看系列名稱。
92. Sora — 首次發布：2026-08-20
OpenAI 依提示和視覺輸入建立及編輯影片的生成式影片產品，可控制不同風格和長度，但仍須留意一致性與生成限制。Sora 顯示影片生成正由短片走向可控制的編輯和敘事工具；物理準確度、角色一致性、內容來源和權利問題，仍是專業使用的重要限制。
93. Speech-to-Text (STT，語音轉文字) — 首次發布：2026-08-20
把人類說話的聲音轉錄成文字的技術，是會議紀錄、即時字幕、影音搜尋、無障礙服務和語音助手的重要基礎。語音轉文字系統要處理口音、噪音、多位講者和專業詞彙；準確度常以錯誤率衡量，但私隱、延遲、講者標記和更正流程同樣重要。
94. Suno — 首次發布：2026-08-20
根據文字指令生成歌曲和聲音的 AI 音樂服務，可依歌詞、曲風和情緒提示建立歌曲，但須注意音樂版權。Suno 把音樂生成包裝成可由簡短要求建立人聲和編曲的服務；其成果涉及訓練權利、風格模仿、音樂人同意和商業授權等問題。
95. Synthetic Data（合成資料） — 首次發布：2026-08-20
真實資料不足、敏感或分布不平均時，人工生成的訓練、測試或評估資料，可補足罕見案例並保護私隱，但仍需驗證品質。合成資料可模擬罕見事件、平衡分類或取代可識別紀錄，但可能忽略真實複雜度，甚至重複生成模型的假設；團隊應與真實資料比較並記錄製作方法。
96. Text-to-Image（文字生成圖像） — 首次發布：2026-08-20
根據文字描述、參考素材和編輯指令生成圖像，廣泛用於設計、廣告和概念創作，也帶來版權與真實性問題。文字生成圖像系統會根據提示、隨機種子和可選參考資料建立畫面；控制工具可改善構圖和角色一致性，但內容來源、真實標示和使用權利仍需注意。
97. Text-to-Speech (TTS，文字轉語音) — 首次發布：2026-08-20
把書面文字轉換成人工語音的技術，常用於語音助手、無障礙工具、有聲書、影片配音、導航提示和即時資訊播報。文字轉語音模型可控制講者、語言、速度和情緒，支援大規模音訊製作；品質要看清晰度與自然度，若使用複製聲音，則必須重視同意和標示。
98. Text-to-Video（文字生成影片） — 首次發布：2026-08-20
根據文字指令生成動態畫面，有時也結合圖像、聲音或鏡頭控制，可快速製作分鏡、廣告和視覺原型，但一致性仍是挑戰。文字生成影片系統要同時模擬畫面和時間變化，因此比靜態圖像更耗運算；提示、參考畫面和編輯控制可引導動作、鏡頭、角色和風格。
99. Veo — 首次發布：2026-08-20
Google DeepMind 根據文字和視覺指令生成影片的模型系列，可依文字和圖像提示生成高品質影片，並支援創意控制。Veo 是 Google 生成影片產品的一部分，並整合到部分創作工具和服務；不同版本在片長、聲音、解像度和鏡頭控制方面的能力會有所差異。
100. Vision-Language Model (VLM，視覺語言模型) — 首次發布：2026-08-20
把視覺資訊和語言連接起來，用來描述、理解或處理圖像和影片，可理解圖片內容、回答視覺問題，或結合圖像生成文字。視覺語言模型以配對或交錯的圖像和文字資料訓練，從而連接物件、場景與語言；它仍可能看錯細節、空間關係，或不熟悉的文化背景。
101. Voice Cloning（聲音複製） — 首次發布：2026-08-20
建立模仿特定人物的人工聲音，同時帶來同意、詐騙和身份冒用風險，可用於配音和個人化服務，也可能被冒認和詐騙濫用。聲音複製會從錄音樣本學習講者特徵，再以該聲音生成新的說話內容；安全使用需要明確同意、存取控制、水印或披露，以及撤回授權的方法。
資料來源與延伸閱讀
- Similarweb：2026 年 5 月全球瀏覽量最高網站
- Exploding Topics：2026 年 2 月最受歡迎 AI 工具排名
- Ahrefs：2026 年 AI 搜尋趨勢
- NIST：人工智能風險管理框架
- OECD：人工智能原則
- 歐盟委員會：人工智能法案
- 模型上下文協定文件
- A2A 協定文件
- OWASP：2026 年生成式 AI 與大型語言模型十大風險
- Hugging Face 學習資源
- PyTorch 技術文件
- 國際結算銀行：人工智能基礎設施熱潮的融資方式
- NVIDIA：人工智能工廠算力作為投資資產類別
- Bloomberg：支撐人工智能熱潮的循環交易指南
已移除詞彙記錄
已移除詞彙會保留原有解釋和日期，作為歷史記錄。移除並不代表詞彙不重要，而是目前有其他詞彙在固定的 101 個位置中，具備更高流量、更長期價值或更重要的編輯意義。
Accuracy — 首次發布：2025-04-14 · 移除日期：2026-08-20
準確度就是看AI模型回答對不對的次數。 這是評估AI系統好不好用的基本指標喔， 代表模型預測的和實際情況有多接近。 準確度越高，通常表示這個模型越可靠、越有用。
AI as a Service (AIaaS) — 首次發布：2025-04-14 · 移除日期：2026-08-20
AIaaS 就是把AI功能當作雲端服務賣給你。 這樣一來，公司就可以用AI技術，不用自己養一堆專家或花大錢建設備啦。 AIaaS 提供的東西包括訓練好的模型、開發工具，還有可以擴充的運算資源等等。
AI Compute Scaling — 首次發布：2025-04-14 · 移除日期：2026-08-20
因為AI模型越來越複雜、越來越大，訓練它們需要的電腦資源也變得超多。 AI 運算擴展就是要確保我們有足夠的處理能力、記憶體和頻寬來應付這些需求。 通常需要用到像GPU和TPU這種特別的硬體，放在大型資料中心裡面。
AI Companions — 首次發布：2025-04-14 · 移除日期：2026-08-20
AI 夥伴就是設計來陪伴你、給你情感支持、和你互動的AI系統。 這些虛擬夥伴可以和你聊天、給你個人化的建議，甚至表現出同理心喔。 它們通常用來幫助你對抗寂寞、提供心理健康支持，或是單純當個好朋友。
AI Democratization — 首次發布：2025-04-14 · 移除日期：2026-08-20
AI 大眾化就是要把AI工具、技術和知識推廣給更多人， 不只是專家和大公司才能用。 這表示我們要創造簡單好用的平台、教育資源，還有開放原始碼工具， 讓大家都能用AI的力量。 這樣才能促進創新，讓更多人享受到AI的好處。
AI Hardware Acceleration — 首次發布：2025-04-14 · 移除日期：2026-08-20
AI 硬體加速就是開發和使用特殊的硬體元件，像是GPU（圖形處理器）和TPU（張量處理器）， 來加速AI運算。 這些加速器可以比傳統的CPU更有效率地執行訓練和運行AI模型所需的複雜數學運算。 這樣可以縮短訓練時間，並提高效能。
AI Music Generation — 首次發布：2025-04-14 · 移除日期：2026-08-20
AI 音樂生成就是用人工智慧技術來創作原創音樂。 AI模型可以從大量的現有音樂數據中學習，然後創造出新的旋律、和聲和節奏，風格多變喔。 這項技術有潛力徹底改變音樂產業，帶來新的藝術表達形式和個人化的音樂體驗。
AlphaFold — 首次發布：2025-04-14 · 移除日期：2026-08-20
這是DeepMind開發的AI模型，可以非常準確地預測蛋白質的結構。 這項突破簡直是生物學界的革命，讓科學家們可以更快、更有效率地了解蛋白質的結構和功能。 AlphaFold的預測可以用來加速藥物開發、研發新材料，還有增進我們對生命的了解。
Anthropic — 首次發布：2025-04-14 · 移除日期：2026-08-20
這是一家專注於AI安全和研究的公司，也是AI助手Claude的創造者。 Anthropic致力於開發可靠、容易理解，而且可以控制的AI系統。 他們的研究探索了確保AI對齊、減少偏見，以及促進負責任的AI開發等技術。
AutoGPT — 首次發布：2025-04-14 · 移除日期：2026-08-20
這是一個實驗性的開放原始碼AI代理，它可以自主執行任務。 只要給AutoGPT一個目標，它就會嘗試用語言模型來規劃和執行行動，達成目標。 這種AI代理代表著我們朝著更自主、更有能力的AI系統，邁出了一步。
Bias Mitigation — 首次發布：2025-04-14 · 移除日期：2026-08-20
用來減少和修正AI模型和數據集中偏見的技術。 這些技術包括數據增強、重新加權，還有對抗性訓練等等。 偏見減輕的目標是確保AI系統對所有使用者來說，都是公平和公正的。
Calibration — 首次發布：2025-04-14 · 移除日期：2026-08-20
衡量模型信心分數，跟它實際準確度是否相符的程度。 一個校準良好的模型，只會在它認為自己很可能正確的預測上，給出很高的信心分數。 校準對於確保AI系統值得信任， 並且它們的預測是可以依賴的，非常重要。
Cohere — 首次發布：2025-04-14 · 移除日期：2026-08-20
這是一個AI平台，可以讓你使用大型語言模型和其他AI工具。 Cohere專注於企業的使用情境，提供自然語言處理、文本生成和搜尋等解決方案。 這個平台的目標是讓各種規模的企業，都能夠輕鬆使用先進的AI功能。
F1 Score — 首次發布：2025-04-14 · 移除日期：2026-08-20
這是一個結合了精確度和召回率的指標，用來評估分類模型的效能。 F1分數是精確度和召回率的調和平均數， 可以提供一個平衡的模型準確度量測。 當處理不平衡的數據集 (其中一個類別的樣本數量明顯多於另一個類別) 時，它特別有用。
Federated Learning — 首次發布：2025-04-14 · 移除日期：2026-08-20
這是一種分散式的AI模型訓練方法， 可以在分佈在多個裝置或組織上的數據上進行訓練。 聯邦學習可以在不共享原始數據的情況下，進行協作學習， 保護隱私和安全。 這對於像是醫療保健、金融和物聯網等應用來說，特別有用， 因為這些應用中的數據通常非常敏感，而且分佈廣泛。
Few-shot Learning — 首次發布：2025-04-14 · 移除日期：2026-08-20
在只看過Prompt中少數範例後，就能夠執行任務的能力。 少量樣本學習是讓AI模型適應只有少量數據的新任務和領域的關鍵能力。 這在收集大量標記數據的成本很高或很耗時的情況下，特別有用。
Fluency — 首次發布：2025-04-14 · 移除日期：2026-08-20
生成的文字聽起來有多自然，文法有多正確。 流暢度是評估語言模型品質的一個關鍵因素， 因為它決定了人們可以多輕鬆地理解和使用生成的文字。 一個流暢的模型會產生文法正確、風格恰當，而且容易閱讀的文字。
ICLR — 首次發布：2025-04-14 · 移除日期：2026-08-20
這是一個主要的年度AI研究會議， 專注於深度學習和表徵學習。 ICLR是AI領域尖端研究的領先場所之一， 吸引了來自世界各地的研究人員。 會議的特色是介紹各種主題的論文， 包括深度學習、表徵學習，以及它們的應用。
ICML — 首次發布：2025-04-14 · 移除日期：2026-08-20
這是一個主要的年度AI研究會議， 涵蓋機器學習的所有領域。 ICML是最古老、最負盛名的機器學習會議之一， 吸引了來自學術界和產業界的研究人員。 會議的特色是介紹各種主題的論文， 包括監督式學習、非監督式學習、強化學習，以及理論機器學習。
ImageNet Challenge — 首次發布：2025-04-14 · 移除日期：2026-08-20
這是一個年度競賽 (在2010-2017年最為突出)， 它推動了電腦視覺的發展。 ImageNet Challenge包括訓練AI模型， 將圖像分類到數千個不同的類別中。 這項競賽促使電腦視覺取得了重大的進展， 並且幫助深度學習成為一種強大的圖像識別工具。
Instruction Following — 首次發布：2025-04-14 · 移除日期：2026-08-20
模型理解和執行特定命令或指令的能力。 指令遵循是AI助手和其他對話式AI系統的一個關鍵能力。 一個可以準確遵循指令的模型，會更加有用和多功能。
Knowledge Cutoff — 首次發布：2025-04-14 · 移除日期：2026-08-20
模型訓練數據沒有涵蓋的時間點， 這限制了模型對近期事件的了解。 大型語言模型在大量的文字和程式碼數據集上進行訓練， 但它們的知識僅限於它們所訓練的數據。 這表示它們可能不知道在收集訓練數據後發生的近期事件或發展。
LLM Compression — 首次發布：2025-04-14 · 移除日期：2026-08-20
減少大型語言模型的大小和運算成本的技術。 LLM壓縮對於在資源有限的裝置上部署LLM， 並且降低推論成本至關重要。 量化、剪枝和蒸餾等技術，可以用來在不犧牲太多準確度的情況下，壓縮LLM。
Perplexity (evaluation metric) — 首次發布：2025-04-14 · 移除日期：2026-08-20
衡量機率模型預測樣本的好壞程度； 較低的困惑度通常表示更好的語言理解。 困惑度是評估語言模型效能的一個常見指標。 具有較低困惑度的模型，可以更好地預測序列中的下一個詞， 這表示它對語言有更好的理解。
Poe — 首次發布：2025-04-14 · 移除日期：2026-08-20
//www.poe.com”>Poe: 這是一個由Quora公司推出的平台， 提供對各種AI聊天機器人的存取。 Poe允許使用者在一個地方與多個AI聊天機器人互動， 讓使用者可以輕鬆比較它們的功能，並找到適合特定任務的最佳聊天機器人。 它提供了一種方便的方式來探索快速發展的對話式AI領域。
Precision — 首次發布：2025-04-14 · 移除日期：2026-08-20
實際正確的正面識別比例。 精確度是用來評估分類模型效能的一個指標。 它衡量模型正面預測的準確性， 表示預測為正面的案例中有多少是真正正確的。
Pre-training — 首次發布：2025-04-14 · 移除日期：2026-08-20
在大量數據上進行的初始、大規模訓練階段。 預訓練是訓練大型語言模型的一個常見技術。 模型首先在大量的文字和程式碼數據集上進行訓練， 使其可以學習通用的語言技能。 然後，可以將預訓練的模型微調到一個較小的、特定任務的數據集上， 以提高其在該特定任務上的效能。
Pruning — 首次發布：2025-04-14 · 移除日期：2026-08-20
移除模型中不太重要的參數或連接，以減少大小並提高速度。 剪枝是一種用來壓縮AI模型，並使其更有效率地部署的技術。 透過移除不太重要的參數， 可以使模型更小、更快，而不會犧牲太多的準確性。
Recall — 首次發布：2025-04-14 · 移除日期：2026-08-20
正確識別的實際正面比例。 召回率是用來評估分類模型效能的一個指標。 它衡量模型識別數據集中所有正面案例的能力， 表示正確預測的實際正面案例有多少。
Robustness — 首次發布：2025-04-14 · 移除日期：2026-08-20
模型在嘈雜或對抗性條件下或輸入略有變化的情況下表現如何。 穩健性是在實際環境中部署的AI系統的一個關鍵要求。 一個穩健的模型即使在面對嘈雜的數據、對抗性攻擊或意外的輸入時，也能維持其效能。
Traditional Neural Networks — 首次發布：2025-04-14 · 移除日期：2026-08-20
在 Transformer 出現之前，大家都是用這種神經網路，雖然比較舊，但還是有一些工作很適合用它來做喔。
Dario Amodei — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是Anthropic公司的CEO， 這是一家領先的AI安全和研究公司。 Amodei在AI社群中是一位非常重要的人物， 他提倡負責任的AI開發，以及AI安全研究的重要性。 他在塑造關於AI倫理和治理的討論方面，扮演了關鍵的角色。
Demis Hassabis — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是Google DeepMind的CEO， 這是一家開創性的AI研究公司。 Hassabis是一位著名的AI研究人員和企業家， 他以在強化學習和深度學習方面的工作而聞名。 他帶領DeepMind在遊戲 (AlphaGo)、蛋白質結構預測 (AlphaFold)， 還有通用AI等領域，取得了突破性的成就。
Elon Musk — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是xAI的創辦人， 並且參與了AI相關的討論和事業 (像是Tesla，還有之前的OpenAI)。 Musk一直以來都大力提倡AI安全， 並且對先進AI可能帶來的風險表示擔憂。 他創辦xAI的目的，是以一種符合人類價值觀， 並且對人類有益的方式來開發AI。
Emad Mostaque — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是Stability AI的創辦人， 這家公司開發了Stable Diffusion。 Mostaque是開放原始碼AI社群中的一位重要人物， 他提倡AI技術的大眾化。 他相信AI應該讓每個人都能使用， 並且開放原始碼模型可以促進創新和協作。
Fei-Fei Li — 首次發布：2025-04-14 · 移除日期：2026-08-20
她是史丹佛大學一位領先的AI研究人員和教授， 以在電腦視覺和AI倫理方面的工作而聞名。 李飛飛大力提倡AI領域的多樣性和包容性， 並且在推動負責任的AI開發方面，扮演了關鍵的角色。 她也是AI4ALL (一個致力於增加AI教育和研究領域多樣性的非營利組織) 的共同創辦人。
Geoffrey Hinton — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是一位開創性的AI研究人員， 通常被稱為「AI教父」，以他在深度學習和神經網路方面的工作而聞名。 Hinton的研究為我們今天使用的許多AI技術奠定了基礎。 他大力提倡AI造福人類的潛力， 但也警告人們注意潛在的風險，以及AI安全研究的重要性。
Ian Goodfellow — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是生成對抗網路 (GAN) 的發明者。 Goodfellow發明的GAN徹底改變了生成式AI領域， 讓我們可以創造出逼真的圖像、影片和其他類型的內容。 GAN由兩個神經網路組成，一個是生成器，另一個是鑑別器， 它們互相競爭，以生成越來越逼真的輸出。
Ilya Sutskever — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是OpenAI的共同創辦人，以及前首席科學家， 也是深度學習領域的關鍵研究人員。 Sutskever為深度學習領域做出了重大的貢獻， 尤其是在循環神經網路和序列到序列模型的開發方面。 他在OpenAI許多突破性的AI系統 (包括GPT-3和ChatGPT) 的開發中， 扮演了關鍵的角色。
Jeff Dean — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是Google DeepMind和Google Research的首席科學家。 Dean是一位著名的電腦科學家和AI研究人員， 他以在分散式系統、機器學習和AI基礎設施方面的工作而聞名。 他在開發Google的許多核心技術 (包括Google檔案系統、MapReduce和TensorFlow) 中， 扮演了關鍵的角色。
Jensen Huang — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是Nvidia (一家主要的AI硬體 (GPU) 供應商) 的CEO。 黃仁勳帶領Nvidia成為AI硬體市場的主導者， 其GPU被廣泛用於訓練和運行AI模型。 他大力提倡AI改變許多產業的潛力， 並且致力於提供加速AI創新所需的硬體和軟體工具。
Kai-Fu Lee — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是一位著名的AI投資者， 也是中國AI生態系統的專家。 李開復是Sinovation Ventures (一家投資AI新創公司的領先風險投資公司) 的董事長兼CEO。 他大力提倡AI改變中國的潛力， 並且相信中國有潛力成為全球AI領導者。
Margaret Mitchell — 首次發布：2025-04-14 · 移除日期：2026-08-20
她是一位AI倫理研究人員， 專注於模型文件和評估。 Mitchell是AI倫理社群中的一位重要人物， 她提倡負責任的AI開發，以及透明度和問責制的重要性。 她開發了創新的方法來記錄和評估AI模型， 以確保它們是公平、沒有偏見，並且符合人類價值觀。
Mark Zuckerberg — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是Meta公司的CEO， 並且推動了開放原始碼AI的發展 (Llama)。 他在AI方面下了很大的賭注， 在AI研究和開發方面投入了大量的資金。 Meta公司已經發布了多個開放原始碼AI模型 (包括Llama)， 以促進AI社群的創新和協作。
Mustafa Suleyman — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是Microsoft AI的CEO， 也是DeepMind和Inflection AI的共同創辦人。 Suleyman是AI社群中的一位重要人物， 他以其在開發尖端AI技術方面的領導地位而聞名。 他大力提倡負責任的AI開發，以及解決AI潛在風險的重要性。
Sam Altman — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是OpenAI (一家領先的AI研究和開發公司) 的CEO。 Altman帶領OpenAI在AI領域取得了突破性的進展， 包括GPT-3、DALL-E和ChatGPT的開發。 他大力提倡AI造福人類的潛力， 並致力於負責任地開發AI。
Satya Nadella — 首次發布：2025-04-14 · 移除日期：2026-08-20
他是Microsoft的CEO， 正在推動重要的AI整合 (透過OpenAI合作夥伴關係)。 納德拉已將AI作為Microsoft的一個關鍵優先事項， 在AI研究和開發方面投入了大量資金， 並與OpenAI合作將AI整合到Microsoft的產品和服務中。 他相信AI有潛力改變許多產業， 並致力於讓每個人都能使用AI。
Agent-to-Agent Protocol (A2A，代理對代理協定) — 首次發布：2026-08-20 · 移除日期：2026-08-20
讓不同 AI 代理發現彼此能力、交換任務和協調工作的開放方式。
Manus — 首次發布：2026-08-20 · 移除日期：2026-08-20
用來規劃和執行多步研究及電腦任務的自主代理產品。
DISCUSSION
讀者留言