AI 術語表

能執行一般認為需要人類思考之任務的電腦系統，例如理解語言、辨識圖像或做出預測。

範例： 依照照片中的人臉自動分類照片的相簿應用程式使用了 AI，依你的筆記起草電子郵件的聊天工具也是。

容易混淆的概念： AI 是整個領域，而不是某一個產品。生成式 AI 是其中會創造新文字、圖像或音訊的部分；許多其他 AI 系統只會分類、排序或預測，例如垃圾郵件過濾器。

深入了解： AI 能為你做什麼、不能做什麼

模型在寫回覆時一次能考慮的所有文字，包括你的訊息、你加入的任何資料，以及回覆本身。

範例： 在很長的對話中，如果開頭你提供的細節已經放不進上下文視窗，工具可能就會忘記它們。

容易混淆的概念： 上下文視窗不是長期記憶：它涵蓋的是模型眼前的內容，而另外的記憶功能（如果產品有的話）會在對話之間保存筆記。它的大小是以 token 計算，而不是字數或頁數。

深入了解： 提供合適的背景資訊

來源： Context windows （Anthropic，2026-10-10 閱讀）

一種用大量文字訓練、用來預測下一個字或字的一部分最可能是什麼的 AI 模型，這讓它能回答問題、寫作和摘要。

範例： 當你輸入「向 10 歲的小孩解釋光合作用」時，聊天應用程式背後的大型語言模型會一小段一小段地寫出回覆，每一段都是依照接下來最可能出現的內容挑選的。

容易混淆的概念： 大型語言模型是引擎，不是應用程式。你打開的聊天應用程式是一個 AI 產品，它執行一個或多個模型，並在周圍加上各種功能，例如上傳檔案、搜尋或儲存對話。

深入了解： AI 能為你做什麼、不能做什麼, 產品、模型與方案

AI 模型呼叫外部函式或服務（例如網路搜尋、計算機或行事曆），並在回答中使用結果的能力。

範例： 當你問本地一間博物館的開放時間時，有網路搜尋的工具可以查詢目前的網頁，而沒有工具的模型只能根據它在訓練中學到的內容回答。

容易混淆的概念： 工具使用是單一的能力；代理則是可能在許多步驟中使用許多工具的系統。沒有工具的模型無法查詢網路或你的行事曆，即使它的回答聽起來像是查過了。

深入了解： AI 能為你做什麼、不能做什麼

來源： Tool use with Claude （Anthropic，2026-10-10 閱讀）

AI 模型產生與事實不符，或與它收到的資料不一致的文字。

範例： 你請它推薦三本某個主題的書，其中一本的書名和作者聽起來很真實，但你在圖書館目錄裡搜尋時，這本書根本不存在。

容易混淆的概念： 你無法從語氣看出幻覺：錯誤的回答讀起來可以跟正確的回答一樣有把握。它也不同於因知識截止日期造成的過時資訊，但兩者都需要用第一手來源核對。

深入了解： 如何檢查 AI 告訴你的內容, 用 AI 做研究並查核引用

來源： Reduce hallucinations （Anthropic，2026-10-10 閱讀）

你使用一項 AI 產品的權限等級，例如免費方案或付費訂閱，會影響你能用到哪些功能。

範例： 兩位同學用同一個聊天應用程式，但一位用免費方案，一位按月付費，所以他們看到的功能、用量限制或可選的模型可能不同。

容易混淆的概念： 方案不是模型，也不是產品；它是你註冊的帳號等級。在某些供應商那裡，應用程式的訂閱和開發者的 API 用量是分開計費的。

深入了解： 產品、模型與方案, 選擇工具，並檢討使用成效

來源： I have a paid Claude subscription (Pro, Max, Team, or Enterprise plans). Why is Claude API usage billed separately from my paid Claude plan? （Anthropic，2026-10-10 閱讀）

根據從大量範例中學到的模式，創造文字、圖像、音訊或程式碼等新內容的 AI。

範例： 你請它為一張關於資源回收的學校海報想五個標題，工具就為你寫出五個新的標題。

容易混淆的概念： 搜尋引擎會把你帶到已經存在的網頁，而生成式 AI 寫出的新文字可能聽起來正確，卻仍然是錯的。除非工具也會搜尋網路，否則它並沒有在查任何資料。

深入了解： AI 能為你做什麼、不能做什麼

能處理不只一種輸入或輸出，例如文字、圖像、音訊或影片。

範例： 你拍下一張手寫購物清單的照片，請工具把它轉成依食物種類分組的打字清單。

容易混淆的概念： 多模態不代表每種輸入在每個產品或方案中都能用：工具可能讀得懂圖像但不能處理音訊，或能產生圖像但不能產生影片。請確認你的工具接受什麼，並且像檢查其他產出一樣，仔細檢查它對圖像的描述。

模型訓練資料涵蓋到的日期，所以模型可能不知道那個日期之後發生的事件或變化。

範例： 如果你問到一條上個月剛改過的規定，沒有網路搜尋的模型可能會把舊規定當成仍然有效來描述。

容易混淆的概念： 知識截止日期不是產品發布或最後更新的日期；它通常更早。當工具會搜尋網路時，它的答案取決於它找到的網頁，所以無論如何都要檢查日期和來源。

深入了解： AI 能為你做什麼、不能做什麼, 用 AI 做研究並查核引用

來源： How up-to-date is Claude's training data? （Anthropic，2026-10-10 閱讀）

AI 模型從大量範例資料中學習模式的過程，這會決定它之後如何回應。

範例： 語言模型是用龐大的文字集合訓練的，所以它學會了句子通常怎麼組成，以及哪些字詞和事實常常一起出現。

容易混淆的概念： 訓練發生在你使用模型之前；你在聊天時，它依據的是它已經學到的內容，加上對話中的內容。只有在供應商把你的對話拿來訓練時，它們才會成為訓練資料，而隱私設定可能讓你控制這一點。

深入了解： AI 能為你做什麼、不能做什麼

一組固定的測試任務，用來衡量和比較 AI 模型；分數顯示的是模型在特定條件下、在那項特定測試上的表現，而不是它對你的工作有多大用處。

範例： 一個模型可能在以特定設定執行的一組數學競賽題上拿到高分，卻仍然把你的會議紀錄摘要寫得很差。

容易混淆的概念： 基準測試分數不是通用的實用性排名。結果取決於使用的測試、提示詞和設定，所以不同來源的分數可能對不上；在兩三個工具上試試你自己的任務，是更直接符合你需求的檢查方式。

深入了解： 一步一步改進回答, 選擇工具，並檢討使用成效

來源： Artificial Analysis Intelligence Benchmarking Methodology （Artificial Analysis，2026-10-10 閱讀）

一種運作方式：模型在給出最終答案之前，會多花幾個步驟拆解問題，常用於數學、邏輯、規劃或程式碼。

範例： 請它圍繞兩場考試和一份兼職工作安排每週讀書時間表時，推理模式下的模型可能會花比較久的時間，先逐一處理各種限制，再呈現最終的計畫。

容易混淆的概念： 會推理不等於正確：步驟看起來可能很合理，卻仍然有錯，所以請檢查結果。推理通常比較慢，也可能用掉較多的用量額度，所以快速改寫或摘要可能不需要它。

代表一段文字的一串數字，讓軟體可以依照數字之間的接近程度，衡量兩段文字的相關性。

範例： 筆記應用程式可以用嵌入向量，在你搜尋「修理車子花了多少錢」時，找到標題為「汽車維修費用」的筆記，即使用字不同。

容易混淆的概念： 嵌入向量不是你會讀到的摘要或答案；它是在背後用於搜尋、分組和檢索增強生成的內部表示方式。

來源： Vector embeddings （OpenAI，2026-10-10 閱讀）

你給 AI 工具的指示、問題或資料，用來告訴它你想要什麼。

範例： 「把這段文字改寫給 12 歲的讀者看，80 字以內」是一則提示詞；貼上一封電子郵件，後面接著「列出我需要做的三件事」也是。

容易混淆的概念： 提示詞不需要特殊的關鍵字或技巧。用一般的語言就夠了：說出任務，提供一些背景，並說明你想要什麼形式的回答。

深入了解： 提出你的第一個問題, 從清楚的目標開始

以允許任何人為任何目的使用、研究、修改和分享的條款發布的 AI，同時附上訓練程式碼、訓練好的權重，以及足夠的訓練資料資訊，讓有技術的人能打造出類似的系統。

範例： 一個研究團隊發布了一個模型，附上它的權重、完整的訓練程式碼，以及訓練資料來源的詳細說明，條款允許任何用途，讓其他團隊可以檢視它，並重新訓練自己的版本。

容易混淆的概念： 開放原始碼 AI 和開放權重是不同的標籤。一個模型如果可以下載權重，但沒有公開訓練程式碼或資料資訊，或授權限制了你的使用方式，依 Open Source Initiative 的定義，它是開放權重，但不是開放原始碼 AI。請閱讀授權條款，而不是相信標籤。

來源： The Open Source AI Definition – 1.0 （Open Source Initiative，2026-10-10 閱讀）

一種模型，它訓練好的權重（也就是它在訓練中學到的數字）有公開發布，讓人們可以依照授權條款自行下載、執行和調整。

範例： 一位開發者下載了一個開放權重模型，在自己的電腦上執行，這樣文件就會留在那台電腦上，但他仍然必須遵守模型附帶的授權條款。

容易混淆的概念： 開放權重不等於開放原始碼 AI。授權可能限制商業用途或特定用途，訓練資料和訓練程式碼也可能完全沒有公開；依 Open Source Initiative 的定義，開放原始碼 AI 需要具備使用、研究、修改和分享的自由，再加上資料資訊、程式碼和權重。

來源： Gemma 4 model overview （Google，2026-10-10 閱讀）

用一組較小的標註範例，對現有模型做進一步的訓練，讓它以特定方式表現，例如遵循公司的寫作風格。

範例： 一個客服團隊用過去的客戶問題搭配核准過的回答來微調模型，讓新的回覆沿用同樣的語氣和格式。

容易混淆的概念： 微調會改變模型本身，需要準備好的資料和技術設定。把指示或範例放進提示詞，或透過檢索增強生成串接文件，則不會改變模型，對日常任務來說通常是比較簡單的選擇。

來源： About supervised fine-tuning for Gemini models （Google Cloud，2026-10-10 閱讀）

在產品中產生回答的特定 AI 模型，以名稱識別，通常還附有版本號碼。

範例： 聊天應用程式可能讓你從一小串帶有數字的模型名稱中挑選；問每一個模型同樣的問題，得到的回答在長度、風格和正確性上可能都不同。

容易混淆的概念： 模型版本是引擎；產品是包在它外面的應用程式，而方案決定你能選哪些版本。數字較新，不保證在你的任務上效果較好，所以換之前先用你自己的任務試試看。

深入了解： 產品、模型與方案

一種方法：系統先在一組選定的文件中找出相關段落，再把它們交給模型，讓模型的回答以這些內容為依據。

範例： 公司的服務機器人在員工手冊中搜尋休假的章節，再根據那個章節寫出回答，並能顯示它用了哪個章節。

容易混淆的概念： 檢索增強生成不會重新訓練模型；它每次都會把查到的文字加進請求中，這就是它和微調的不同之處。如果找到錯誤的段落或讀錯了，答案仍然可能是錯的，所以請打開它所依據的段落。

來源： Retrieval-augmented generation (RAG) in Azure AI Search （Microsoft，2026-10-10 閱讀）

AI 產品中控制你的資料如何處理的選項，例如你的對話是否可以用來改進供應商的模型，以及是否保留你的對話紀錄。

範例： 在工作上使用聊天工具之前，你打開它的設定，找到關於用你的對話改進模型的選項，並選擇符合你的情況和組織規定的設定。

容易混淆的概念： 隱私設定因產品、方案和帳號類型而不同，也可能會變動，所以請自己查看目前的設定，不要假設預設值。關閉模型改進不一定代表什麼都不會被儲存，所以仍然要避免貼上敏感的個人資料、公司資料或他人的資料。

深入了解： 選擇工具，並檢討使用成效, 拆解一項辦公室工作

來源： Data controls in ChatGPT （OpenAI，2026-10-10 閱讀）

一種朝著目標、以多個步驟運作的 AI 系統，有一定的自主性，會自己決定下一步要做什麼，並在過程中使用搜尋、檔案或其他應用程式等工具。

範例： 你請代理查週五到另一個城市的火車時刻，並起草一則附上兩個選項的訊息給團隊；它會搜尋、比較，並寫好草稿讓你檢查。

容易混淆的概念： 聊天助理一次回答一則訊息，由你掌控方向；代理則是在你較少介入的情況下執行一連串動作。因為它能採取行動，請確認它被允許存取哪些東西，並在任何東西被送出、購買或刪除之前檢查它的工作。

你實際使用的應用程式、網站或功能，例如聊天助理或寫作輔助工具，它在背後執行一個或多個 AI 模型。

範例： 一個筆記應用程式加了一個「摘要這一頁」按鈕：按鈕和應用程式是產品，而在背後寫出摘要的是模型。

容易混淆的概念： 產品不是模型，也不是方案。一個產品可以提供好幾個模型或模型版本，你在裡面能做什麼，取決於產品、你的方案，有時還有你所在的地區，而不只取決於裡面的模型。

深入了解： 產品、模型與方案, 選擇工具，並檢討使用成效

一種連接方式，讓軟體能向 AI 模型送出請求並接收回答，讓開發者把 AI 整合進自己的應用程式和工作流程。

範例： 一家網路商店的開發者透過 API 串接模型，這樣每次新增商品時，就會自動出現一份商品說明的初稿，不需要任何人打開聊天應用程式。

容易混淆的概念： 透過 API 使用模型，和使用供應商的聊天應用程式不一樣：功能不同，而且在某些供應商那裡，API 用量和應用程式的訂閱是分開計費的。用 AI 工具處理日常任務，不需要 API。

深入了解： 產品、模型與方案

模型讀寫文字的小單位，可以是一個字元、一個字的一部分、一整個字或一個標點符號。

範例： 簡短常見的英文單字通常是一個 token，而較長或少見的字可能會被拆成好幾個 token。

容易混淆的概念： token 和字不一樣，所以以 token 標示的限制和價格無法精確換算成字數或頁數。不同模型拆分文字的方式不同，所以同一段文字算出來的 token 數也可能不同。

深入了解： 提供合適的背景資訊

來源： Understanding and counting tokens （OpenAI，2026-10-10 閱讀）