40 個 AI 常見名詞，一次看懂
白話解釋、生活例子與課堂練習
title: "40 個 AI 常見名詞，一次看懂" subtitle: "含 Vibe Coding、迴圈工程與新興術語" seal: "教材" notes: "以本次對話的 40 個 AI 名詞解釋為素材，適合初學者。" <!-- notes: 本課不要求背誦縮寫，而是理解各個名詞在 AI 系統中負責什麼。請學生先挑出自己聽過、但不確定意思的詞。 --> A｜基本概念：01–03｜AI、機器學習與深度學習 {#a-基本概念-01-03-ai-機器學習}
名詞 白話解釋 例子 :--- :--- :--- AI 人工智慧 讓電腦執行辨識、預測、語言理解等工作 辨識照片中的貓 機器學習 ML 從資料中學習規律 判斷垃圾郵件 深度學習 DL 用多層神經網路學習複雜特徵 語音與影像辨識 意思是：深度學習屬於機器學習，機器學習屬於 AI。
<!-- notes: AI 是大範圍，機器學習是其中一種方法，深度學習是機器學習的一部分。深度的「深」指網路層次，不代表模型像人一樣深思熟慮。 --> 04｜生成式 AI：產生內容 {#04-生成式-ai-產生內容}
依照輸入，產生文字、圖片、音樂、影片或程式等內容。
例子：提供校園活動主題，請 AI 產生海報文案與圖片。 注意：生成內容不保證正確，也不代表每次都能產生完全原創的結果。
<!-- notes: 生成式 AI 描述的是產生內容的能力。它與深度學習不是同一層級的分類。可請學生比較「判斷照片中是什麼」與「生成一張照片」兩種任務。 --> B｜模型與輸入：05｜LLM：大型語言模型 {#b-模型與輸入-05-llm-大型語言模}
Large Language Model
從大量資料訓練而成，擅長處理語言的模型。
生成文字時，根據上下文預測接下來的 token。
例子：摘要文章、翻譯、寫程式、回答問題。
<!-- notes: LLM 是模型，不等同整個聊天產品。產品還可能包含搜尋、檔案處理與工具使用。下一個 token 的預測是生成機制的簡化說明，不表示模型只有簡單的文字接龍能力。 --> 06｜Token：模型處理文字的單位 {#06-token-模型處理文字的單位}
Token 常譯為「詞元」。
可能是一個字、詞的一部分、標點或其他片段。
例子：同一句話，在不同模型中可能切成不同數量的 token。 注意：1 token 不固定等於 1 個中文字或 1 個英文單字。
<!-- notes: 不要用未指定模型的中文句子示範精確 token 數。若要現場計算，應使用該模型對應的 tokenizer。Token 常用於描述輸入輸出容量與用量，但本頁不涉及特定方案價格。 --> 07–08｜提示詞與上下文視窗 {#07-08-提示詞與上下文視窗}
名詞 白話解釋 例子 :--- :--- :--- Prompt 提示詞 交給 AI 的指示與輸入 用國中生能理解的方式解釋光合作用 Context Window 上下文視窗 一次處理能容納的資訊容量 對話、文件、工具結果占用容量 意思是：提示詞交代任務，上下文視窗限制當次可處理的資訊量。
<!-- notes: 提示詞不只是一句問題，也可以包含背景、資料、範例和限制。上下文視窗像書桌大小，桌子大能攤開更多資料，但不保證讀得正確。它不是永久記憶，超出容量時系統可能截取、摘要或分段處理。 --> C｜訓練與運作：09–10｜訓練與推論 {#c-訓練與運作-09-10-訓練與推論}
階段 發生什麼事 例子 :--- :--- :--- Training 訓練 用資料與回饋調整模型參數 學習預測下一個 token Inference 推論 用已訓練模型處理新輸入 回答你剛提出的問題 注意：一般聊天主要是推論，不代表模型立即重新訓練自己。
<!-- notes: 訓練像練習能力，推論像運用能力，但這只是比喻。平台是否日後將資料用於訓練是另一個資料政策問題，不能和當下推論混為一談。「推論」也不等於必然進行複雜的邏輯推理。 --> 11｜算力：可投入的計算資源 {#11-算力-可投入的計算資源}
Compute 指執行計算的能力或投入的計算資源。 訓練模型需要運算。 使用模型回答，也需要運算。 GPU 是常見的運算硬體之一。 注意：算力強，不等於模型每次都答對。
<!-- notes: GPU 適合大量平行計算，但算力不只看晶片數量，還涉及運算能力、時間與系統效率。本頁不比較廠商硬體，也不把算力直接當作智慧分數。 --> 12｜微調：在既有模型上繼續訓練 {#12-微調-在既有模型上繼續訓練}
Fine-tuning 使用特定資料，進一步調整模型的行為或任務能力。
例子：用客服對話範例，訓練模型採用指定格式與語氣。 注意：把 PDF 上傳給 AI 閱讀，通常不等於微調。
<!-- notes: 微調會調整模型參數，提供文件當作上下文則通常不會。若目的是查詢常更新的規章，先考慮資料檢索是否適合；若目的是調整穩定格式或行為，微調可能是選項。兩者也可以一起使用。 --> D｜資料與檢索：13–14｜Embedding 與向量資料庫 {#d-資料與檢索-13-14-embedd}
名詞 白話解釋 例子 :--- :--- :--- Embedding 向量表示 把資料轉成可比較的一串數字 找出「學費怎麼繳」與「繳費方式」的關聯 Vector Database 向量資料庫 儲存向量並進行相似度搜尋 找到與學生請假相關的文件段落 注意：語意相似，不代表內容一定正確或完全相同。
<!-- notes: 向量是數字表示，不是把整份資料縮成一個普通編號。向量搜尋常用於語意檢索，系統仍可能同時使用關鍵字、篩選條件和其他排序方法。 --> 15｜RAG：先找資料，再生成回答 {#15-rag-先找資料-再生成回答}
Retrieval-Augmented Generation，檢索增強生成。 提出問題：病假要附什麼證明？ 檢索資料：找出相關請假辦法。 生成回答：根據找到的條文整理答案。 意思是：讓模型參考資料回答，通常不需修改模型參數。
<!-- notes: RAG 不必一定使用向量資料庫，也可以使用其他檢索方式。它的價值在於給回答提供外部依據，但資料過時、檢索錯誤、模型誤讀都可能讓答案出錯。 --> 16｜幻覺：合理外表下的錯誤 {#16-幻覺-合理外表下的錯誤}
Hallucination 指 AI 產生錯誤、捏造或缺乏依據的內容。
例子：編出不存在的論文、網址或校規。
檢查方法：回到原始來源，核對人名、數字與引用。 注意：回答很肯定，或附有引用，都不保證正確。
<!-- notes: 幻覺是對輸出現象的描述，不宜直接解讀為 AI 故意說謊。可以設計查核活動，讓學生確認引用是否存在、是否真的支持結論。RAG 能提供依據，但不能保證消除幻覺。 --> E｜工具與工作方法：17｜多模態：處理不同形式的資訊 {#e-工具與工作方法-17-多模態-處理不}
Multimodal 表示能處理文字、圖片、音訊或影片等不同形式的資訊。
例子：上傳一張圖表，再用語音詢問趨勢。 注意：能看圖的模型，不一定也能生成圖片；輸入與輸出能力要分開看。
<!-- notes: 不同模型支援的模態不同，不應從多模態一詞推論它能接受或生成任何媒體。請學生說明任務需要哪一種輸入與輸出。 --> 18｜Agent：依目標執行任務 {#18-agent-依目標執行任務}
AI 代理會選擇工具、執行步驟、觀察結果，再調整做法。
例子：蒐集資料、整理報告，檢查是否符合要求。
自主程度取決於系統設計、工具權限與人工介入條件。
<!-- notes: Agent 是一個以模型為核心的系統，不是只靠某個提示詞就能保證完成所有工作。任務規格、資料品質與驗收方式仍然重要。也不是每個固定自動化流程都需要稱為代理。 --> 19｜MCP：工具與資料的連接協定 {#19-mcp-工具與資料的連接協定}
Model Context Protocol，模型上下文協定。