前言

人工智慧 正在重塑各行各業並產生自己的專有詞彙。在會議、提案和座談中，你會聽到縮寫和片語——LLMs、RAG、RLHF、AGI——即使是有經驗的專業人士也會被嚇到。本文以淺顯的英文解釋你今年可能會遇到的最有用術語，無論你是在構建產品、投資，或追蹤科技媒體。它旨在作為一個 實用參考，隨著領域變化而更新，並以便讀者能快速掌握核心概念以及它們如何與真實世界的使用案例相連結。把這當作一個持續更新的詞彙表，旨在減少混淆並幫助你更有信心地參與 AI 的討論。

Lazy bag

重點摘要： AGI 指廣泛有能力的 AI；LLMs 驅動現代助理；agents 自動化多步驟任務；hallucinations 仍然是核心品質風險。這份指南總結了概念——從硬體（計算、GPU）與模型內部（權重、tokens、神經網路）到訓練技術（強化學習、微調、蒸餾）——以及實用基礎設施概念，如 API、端點、快取，以及像 MCP 的標準。繼續閱讀可獲得直接可用的簡明定義與背景說明。

主體

人工智慧不僅改變技術能做到的事；它也產生了人們用以描述系統與行為的專門詞彙。本節逐一說明常見術語並以簡明的方式解釋它們為何重要，並舉例說明它們在實務中的應用方式。

AGI (Artificial General Intelligence): AGI 是一個鬆散定義的概念，指代在廣泛認知任務上匹配或超越典型人類能力的系統。不同組織對 AGI 的描述略有不同——有些強調在具經濟價值的工作上的表現，有些則以中位數人類同事作比較——但核心要點是一般性。對大多數讀者來說，AGI 仍然是研究上的里程碑，而不是你近期會去購買的產品，儘管關於風險和治理的討論常圍繞 AGI 類能力何時以及如何出現。

AI agent: AI agent 是能代表使用者執行多步驟工作流程的自主系統——訂旅館、報銷費用或維護程式碼。agents 常結合多個模型和工具，並透過 API 或端點與服務互動以完成任務。支持完全可靠、通用 agents 的基礎設施仍在發展中，但針對狹義領域的專用 agents 已經在使用中。

API endpoints: 可以把端點想成軟體中其他程式按下的「隱藏按鈕」，以讓功能運作。開發者使用端點來整合系統：agent 呼叫端點以擷取資料、下訂單或觸發動作。隨著 agents 能力增強，它們可以自主發現並使用端點，實現複雜的自動化——同時也帶來安全與治理上的考量。

Chain-of-thought reasoning: 這種技術讓模型將一個問題分解為中間步驟以改善結果品質。雖然它可能增加延遲，但對於複雜邏輯或程式設計任務，chain-of-thought 常能產生更準確的輸出。為此行為優化的模型在生成過程中會學會產生中間的推理痕跡，當任務需要多步推理時可提升正確性。

Coding agents: 一類專注於軟體開發的 agents。不僅僅建議程式碼片段，coding agent 可以撰寫、測試、除錯並在多個程式庫中迭代程式碼。這些 agents 減少重複性的開發者工作，但仍需人工審查以確保正確性、安全性與設計的一致性。

Compute: 計算指支援訓練與運行 AI 模型的處理能力——GPU、CPU、TPU 與其他加速器。高效能計算是產業中的主要成本驅動因素，影響誰能訓練最大型模型以及模型能多快被迭代。

Deep learning and neural networks: 深度學習使用多層人工神經網路在大型資料集中找出複雜模式。神經網路由互連單元的結構層組成，其參數（權重）在訓練期間被調整。這些架構推動了近期生成模型、語音辨識和許多其他 AI 能力的興起。

Diffusion models: 廣泛用於影像、音訊和其他生成任務的擴散模型，學習反轉施加於資料的噪聲過程。透過訓練從噪聲輸入重建乾淨資料，它們能生成逼真的輸出。這種技術支撐了許多當代的創意型 AI 系統。

Distillation: 蒸餾將知識從大型「老師」模型轉移到較小的「學生」模型，產生更快速或更便宜且行為相似的變體。這是部署模型以提高效率並降低推理成本時常用的優化方法。

Fine-tuning: 在廣泛的預訓練之後，模型可以在特定任務資料上進一步訓練，以提升專用使用案例的效能。許多新創公司和產品團隊以 LLM 為起點並對其進行微調，以增加實用性並降低錯誤率。

GANs (Generative Adversarial Networks): GANs 透過生成器與判別器相互競爭來產生逼真的輸出。它們在創建逼真影像與影片方面表現良好，但較少用於廣泛的語言任務。

Hallucination: 當模型產生錯誤或捏造的資訊時，稱為幻覺（hallucination）。這仍是安全性與可靠性的主要挑戰，促使人們採用領域專用模型、更佳資料與驗證流程來降低錯誤資訊風險。

Inference: 推理是執行已訓練模型以產生預測或答案的行為。推理可以在多種硬體上運行，但非常大型的模型通常需要專門伺服器才能在可接受的速度與成本下運行。

Large language models (LLMs): LLMs 是在龐大文本語料上訓練的深度神經網路，能生成與轉換語言。它們驅動聊天助理與許多基於文字的工具，並依賴數十億參數來建模語言模式。

Memory cache / KV caching: 快取儲存中間運算以加速重複的推理呼叫。transformer 模型中的 KV 快取減少對重複上下文的計算需求，提高吞吐量，降低延遲與成本。

MCP (Model Context Protocol): MCP 是一個開放標準，使模型能在不需專用連接器的情況下連接到外部工具、檔案與資料來源。它簡化了整合，並已被主要供應商採用，幫助 agents 與模型存取外部上下文。

Mixture of Experts (MoE): MoE 架構將模型拆分成多個專門的子網路，並且每次請求只啟用其中一部分。這讓非常大的模型能透過對每個查詢僅動用少數專家來保持效率，改善計算效率的權衡。

Open source vs closed source: 開源模型與程式碼可公開檢視與修改，加速研究並允許獨立審查。封閉原始碼系統隱藏內部細節，使商業化更容易但外部評估更困難。

Parallelization: 平行化同時執行許多運算，是現代 GPU 與分散式訓練的核心能力。有效的平行化可減少大型模型的訓練時間與成本。

RAMageddon: 用來簡稱因 AI 資料中心對記憶體需求而對 RAM 供應造成壓力的情況。高度需求可能導致短缺與價格上升，進而影響消費性電子產品與其他產業。

Recursive self-improvement (RSI): RSI 描述一個系統能反覆改進自身設計或效能，可能在沒有人類輸入下加速能力增長。它既是技術研究方向，也是安全討論的議題。

Reinforcement learning: 一種訓練方法，模型透過對行為獲得獎勵或懲罰來學習。RL 與像 RLHF（從人類回饋的強化學習）等變體用於將模型與期望行為對齊並改善推理或策略任務。

Tokens and throughput: tokens 是語言模型處理的離散單位。token 吞吐量衡量系統每單位時間能處理多少 token 級工作，是擴展面向使用者系統效率的關鍵指標。

Training, transfer learning, and validation loss: 訓練是從資料教導模型的過程。遷移學習重用預訓練模型來處理新任務，可節省成本與資料。驗證損失衡量模型在訓練期間的泛化能力——較低值表示更佳的泛化並有助於偵測過擬合。

Weights: 權重是神經網路中的數值參數，決定如何將輸入組合為輸出。訓練會調整權重以提升任務效能；它們的數值編碼了模型所學到的知識。

這些定義強調實用理解而非詳盡理論。隨著 AI 系統演進，某些術語的意義會改變並且會出現新的術語。把這份詞彙表當作實用起點：它應該能幫助你跟上討論、評估供應商的說法，並在真實專案中更清晰地思考如何負責任地應用 AI。

關鍵見解表

本文以便隨領域變化而更新。目標是讓 AI 的語言與概念更易理解，幫助你在產品決策、投資或日常閱讀中應用它們。