生活分享

AI 名詞速查：50 個常見詞彙一次搞懂

把常見的 50 個 AI 名詞整理成可收藏的速查表，分為模型與訓練、使用與功能、推理與代理、生成與媒體、基礎設施與費用五組。每個詞附英文與白話定義，另以十組比較釐清上下文、記憶、開源、推理、搜尋和內容憑證的差異。本次依官方文件於 2026 年 9 月 14 日重新查核，並連到 81 詞專文總索引，方便從簡短解釋繼續深入閱讀。

更新日期: 閱讀時間約 14 分鐘

一本打開的字典躺在桌上，右側書頁邊緣伸出五個顏色不同的標籤，旁邊疊著幾張索引卡
圖片：Mokaair (© Mokaair)

token、、、代理、，讀 工具的說明時常會遇到這些名字。本篇保留原有 50 詞速查架構，於 2026 年 9 月 14 日重新查核定義，說明一般概念與容易誤解之處；產品功能只作示例，實際設定、供應範圍和費率應回到當期官方文件核對。這是本次整理範圍，不宣稱涵蓋所有新詞。

這份表不照字母序，而是照你會遇到它們的場景分成五組：模型與訓練、使用與功能、推理與代理、生成與媒體、基礎設施與費用。第一次讀從頭掃一遍；之後遇到不懂的詞，用瀏覽器的搜尋功能（Ctrl+F 或 Cmd+F）跳到那一條就好。每組結尾都有連結，想把某個概念弄透再點進本系列的深入文章；文末另有十組最常被混用的詞對。

先看這張地圖：五組名詞繞著中間的大型語言模型，每組只列代表詞。

AI 名詞地圖：中央是大型語言模型，周圍五個方塊分別是模型與訓練、使用與功能、推理與代理、生成與媒體、基礎設施與費用，每塊列出五到六個代表詞
先看中間，再順著箭頭看五組：每組只列代表詞，完整的 50 條在正文各節。 · 圖片：Mokaair (© Mokaair)
閱讀完整文字說明

圖的正中央是一個框，寫著「大型語言模型 Large language model」，五條箭頭從它指向周圍五個方塊，每個方塊是一組名詞，只列代表詞。左上「模型與訓練 Models and training」：token（模型眼中的字）、參數 parameter、預訓練與微調、上下文視窗 context window、知識截止日 knowledge cutoff、幻覺 hallucination。右上「使用與功能 Everyday features」：提示詞 prompt、記憶 memory、專案 project、Artifacts 與 Canvas、深入研究 deep research、暫時對話 temporary chat。左下「推理與代理 Reasoning and agents」：推理模型 reasoning model、代理 agent、工具呼叫 tool use、MCP、電腦操作 computer use、提示詞注入 prompt injection。中下「基礎設施與費用 Infrastructure and cost」：API 與金鑰、每百萬 token 計價、速率限制 rate limit、GPU 與 NPU、本機推論 local inference、RAG、向量資料庫與 embedding。右下「生成與媒體 Generation and media」：擴散模型 diffusion model、文生圖 text-to-image、文生影 text-to-video、語音克隆 voice cloning、浮水印 watermark、C2PA 內容憑證。圖下方註明每組只列代表詞，完整的 50 條在正文。

模型與訓練：它是怎麼被做出來的

這一組是其他四組的地基。新聞說某個模型「更多、視窗更大、截止日更新」，指的都是這裡的東西。

  • 大型語言模型（LLM）：在大量語言資料上訓練、能處理與產生文字的模型。許多生成式 LLM 以預測後續 token 為基礎，但助理的工具、記憶與操作能力還需要周邊系統。
  • token：模型處理內容時使用的單位，文字可能切成字、子詞或其他片段；同一段中文在不同分詞器下的數量可能不同，不能把 token 數直接當字數。
  • 參數（parameter）：訓練時調整、推論時用來計算的數值，例如權重。參數數量可描述模型規模，但不能單獨代表品質、速度或執行所需記憶體。
  • 預訓練（pretraining）：先用大量資料學習廣泛模式，作為後續任務的底座。訓練目標可包括預測 token 或重建被遮住的內容，並非只有一種做法。
  • 微調（fine-tuning）：在既有模型上再訓練部分或全部參數，使其適應某種任務或行為；把文件附在提示中供它閱讀則不等於微調。
  • RLHF（人類回饋強化學習）：把人類對輸出的偏好等回饋用於強化學習，以調整模型行為。常見流程包含偏好資料與獎勵模型，但人類偏好不等於客觀正確。
  • 基礎模型（foundation model）：在廣泛資料上訓練、可適應多種下游任務的模型；不只指文字模型，也不以單一參數門檻定義。
  • 上下文視窗（context window）：一次模型計算可容納的內容範圍，通常以 token 計量。指令、對話、文件與工具結果都可能占用空間；容得下不保證用得好。
  • 知識截止日（knowledge cutoff）：供應商用來說明模型訓練知識時間範圍的標示。它不保證之前所有事都知道；較新的資訊也可能由使用者或檢索工具提供。
  • temperature：控制取樣分布的一項參數，常用來調整輸出的變化程度。它不是正確率旋鈕，設為零也不應視為跨系統、跨版本完全一致的保證。
  • 幻覺（hallucination）：產生與事實、指定資料或要求不符卻看似可信的內容，可能是錯誤細節或虛構引用。流暢語氣與附上連結都不能替代查證。
  • 量化（quantization）：用較低精度表示模型中的數值，以減少部分儲存、記憶體或運算需求。速度與品質變化要看硬體、實作和任務，並非一律更快。
  • 開源／開放權重（open source / open weights）：開放權重通常指可取得訓練後的參數，仍須看授權。OSI 的開源 AI 定義另要求相應自由，以及修改所需的資料資訊、程式碼與參數。
  • 多模態（multimodal）：涉及文字、圖片、音訊或影片等多種資料型態。能讀圖不表示一定能生圖，應分別查看模型與產品支援的輸入、輸出。
  • 蒸餾（distillation）：以教師模型提供的輸出或其他訊號教學生模型。學生常較小，但蒸餾的重點是知識轉移，不保證保留教師的全部能力。

使用與功能：聊天工具介面上會看到的字

不同聊天工具會用不同名稱呈現相近能力。這一組介紹功能的共同用途，實際資料共享、權限、保存期限與可用方案仍以該產品說明為準。

  • 提示詞（prompt）：提供給模型的任務描述、指令或其他輸入內容。清楚的目標與相關資料通常更有幫助；加入無關、矛盾內容反而可能干擾回答。
  • 系統提示（system prompt）：應用程式設定模型行為的一種指令位置。不同 API 有各自的訊息角色和優先順序，system 與 developer 不宜當作完全相同的名稱。
  • 記憶（memory）：系統把資訊保存下來，在之後需要時取回供模型使用。保存、檢索、刪除與跨對話範圍由產品決定，不等於模型記住所有聊天內容。
  • 專案（project）：集中管理相關對話、檔案與指令的工作空間。是否共享所有內容、能否引用其他對話、誰能存取，都要看產品設定與權限。
  • Artifacts／Canvas 類：讓使用者在對話旁編輯或預覽文件、程式等成果的工作介面。名稱與功能因產品而異，也不代表每種格式都能原樣匯出。
  • 深入研究（deep research）：針對問題進行多步搜尋、閱讀與整理，通常輸出附來源的報告。頁數和耗時不是定義，引用是否真正支持結論仍要核對。
  • 網頁搜尋（web search）：從網路取得資料供回答參考，可補充較新的資訊。搜尋結果也可能過期、錯誤或包含誤導內容，不能自動當成事實。
  • 語音模式（voice mode）：以語音輸入與語音輸出互動的介面；底層可串接辨識、語言模型與合成，也可使用更直接的音訊模型。
  • 暫時對話（temporary chat）：產品提供的特殊對話模式，通常限制對歷史紀錄或記憶的使用。是否保留安全紀錄、保留多久，須分別看該服務政策。
  • Gem／自訂 GPT（custom GPT）：將指令、參考資料與可用工具組合成可重複使用的助理設定。它不必然重新訓練模型，也不只是固定一句提示詞。

推理與代理：它開始自己動手之後

這組介紹推理、代理與工具執行，並說明權限及外部內容風險。模型提出工具操作之後，仍需要外部程式執行與驗證；授權範圍和人工確認方式也應事先定義。

  • 推理模型（reasoning model）：設計成在複雜任務中投入額外推論計算的模型。推理內容是否顯示、如何計價與占用上下文，依模型與服務規格而定。
  • 思考（thinking）：產品用來描述推論時額外處理的一類名稱。介面展示的思考摘要不應直接視為模型完整內部過程，也不能作為答案正確的證明。
  • 代理（agent）：為了目標選擇動作、使用工具並根據結果調整後續步驟的系統。自主程度可以不同，重要動作仍可設人工核准與停止條件。
  • 工具呼叫（tool use / function calling）：模型提出結構化的工具名稱與參數，由系統驗證和執行，再把結果送回。產生呼叫要求與成功完成外部操作是不同狀態。
  • MCP（Model Context Protocol）：讓 AI 應用程式以共同協定連接工具、資源與提示等能力。協定統一溝通方式，但授權、資料品質與安全仍需另外處理。
  • 電腦操作（computer use）：透過畫面、滑鼠、鍵盤等介面操作應用程式或瀏覽器。應限制操作環境與權限，並對重要動作保留確認和結果驗證。
  • 沙盒（sandbox）：以權限、檔案系統或網路規則等方式限制執行範圍的環境。限制強度取決於設定與隔離方式，不能保證任何錯誤都不影響外部。
  • 提示詞注入（prompt injection）：不可信輸入中的指令誘導系統偏離原本任務。它可能出現在使用者輸入、網頁、文件或工具結果中，應區分資料與指令的信任來源。

生成與媒體：圖片、影片與聲音

文字以外的生成涉及不同資料型態，也帶來聲音授權與內容來源的問題。生成方法、生成任務，以及事後的與查驗應分開理解。

  • 擴散模型（diffusion model）：常見做法是學習反轉逐步加雜訊的過程，再從雜訊生成新資料；也可在壓縮表示中運作，不一定直接處理圖片像素。
  • 文生圖（text-to-image）：以文字條件生成圖片。用既有圖片配合指令修改則是相關的圖片編輯任務；生成品質、可控制性與標記方式依系統而異。
  • 文生影（text-to-video）：以文字條件生成影片；若主要輸入是參考圖片，則常稱圖生影。畫面連貫、物理合理與聲音生成是不同能力，不能一併假設。
  • 語音克隆（voice cloning）：以目標聲音資料調整或引導合成，使輸出具有近似聲音特徵。應取得適當授權，並避免把合成聲音冒充本人發言。
  • 浮水印（watermark）：加入媒體的辨識標記，可以可見，也可以需要偵測工具讀取。不同方法對壓縮、裁切等修改的耐受性不同；未驗出也不等於不是 AI 生成。
  • C2PA：一套記錄及驗證數位內容來源資訊的技術標準，內容憑證可帶有簽署的製作與修改聲明。有效簽章不等於畫面敘述是真實事件，沒有憑證也不等於造假。

基礎設施與費用：帳單和硬體上的字

就算只用聊天介面，「為什麼這個模型比較貴」與「能不能在自己電腦上跑」，答案都在這一組。

  • API（application programming interface）：讓程式透過約定格式使用另一個系統功能的介面。AI API 可提供模型推論或工具等能力，並非只指聊天介面。
  • 金鑰（API key）：用於識別或授權 API 存取的憑證。應保護其權限和使用範圍，不把私密金鑰放在公開原始碼、瀏覽器程式或可下載的前端中。
  • 每百萬 token 計價（per million tokens，MTok）：部分 AI API 的用量計價單位，輸入、輸出與快取可能分別計價。實際帳單也可能含工具、儲存等費用，須查看當期價目。
  • 速率限制（rate limit）：對一定時間內的請求數或處理量設上限，與付費額度不完全相同。遇到限制應依服務回應重試，避免無止境密集送出。
  • 提示快取（prompt caching）：重用符合條件的輸入計算結果，減少重複處理。通常不是把最終答案存起來重播；命中條件、期限和費率各有規格。
  • 延遲（latency）：從請求到某個回應里程碑的等待時間。首個 token 的等待與完整回答時間不同，還受網路、排隊、工具呼叫與輸出長度影響。
  • GPU／NPU：GPU 擅長平行運算；NPU 通常指針對神經網路運算設計的處理器。硬體宣稱的峰值算力不能直接換成某個模型的實際回應速度。
  • 本機推論（local inference）：在自己的裝置上執行模型計算。仍要確認應用程式是否傳送遙測、呼叫雲端工具或同步資料，且需負擔本機硬體與電力成本。
  • RAG（檢索增強生成）：先檢索外部資訊，再讓模型利用取得的內容生成答案。可降低部分知識缺口，但檢索漏找、資料過期或誤用來源仍會造成錯誤。
  • 向量資料庫（vector database）：儲存向量並支援相似度檢索等功能的資料系統，可用於 RAG，也有其他用途；RAG 並不一定需要獨立的向量資料庫。
  • embedding（嵌入向量）：以數值向量表示文字或其他資料，使模型學到的某些關係可由距離或相似度比較。相似不等於同一意思，更不等於事實正確。

十組最常混淆的詞

下面這十組常被當成同一件事，其實差別各是一句話。

十組常混淆的概念，查核日期：2026 年 9 月 14 日。
詞對差別一句話
token vs 字token 的切分方式由模型的分詞器決定，可能跨字或小於一個字。計價與上下文限制要用該系統的計數方式核對。
記憶 vs 上下文視窗記憶負責保存和取回資訊；上下文視窗限制一次模型計算能用多少內容。對話紀錄可以仍在，但本次計算未必包含全部歷史。
開源 vs 免費開源談使用、研究、修改與分享等自由和所需材料；免費談收費方式。下載模型或使用免費方案都不能直接證明符合開源定義。
代理 vs 聊天機器人聊天介面也能連接代理。判斷重點是系統能否為目標選擇並執行動作、根據結果調整，而不是視窗看起來是否在聊天。
推理模型 vs 一般模型推理模型著重投入額外推論計算處理複雜任務。是否比較慢、比較貴或比較準，都要連同模型、設定與具體任務一起比較。
微調 vs 提示詞微調會訓練模型參數；提示詞在推論時提供任務與資料。兩者可以搭配，應先找出真正需要改善的行為。
幻覺 vs 過期過期資訊可能曾經正確；幻覺可包含虛構或不受來源支持的說法。搜尋可提供新資料，但仍須檢查日期、來源及答案是否誤讀。
網頁搜尋 vs 深入研究搜尋取得網頁資料；深入研究通常將多步搜尋、比較與統整組成流程。兩者都要驗證引用，不能用頁數或耗時判斷可信度。
浮水印 vs C2PA浮水印是加入媒體的標記；C2PA 著重可驗證的來源聲明與紀錄。兩者可搭配使用，都不直接證明媒體描述的事件真實。
暫時對話 vs 關閉記憶暫時對話改變某次對話的使用方式；關閉記憶改變記憶功能。刪除聊天、刪除既有記憶、停止訓練利用與保存期限是另外的控制。

同主題延伸閱讀

  • 生活分享

    世界模型（World Model）是什麼：讓 AI 預測「接下來會怎樣」

    世界模型指 AI 內部用來預測「這樣做之後會怎樣」的模型，但這個詞至少有三種用法：強化學習代理在想像中練習用的環境模型、LeCun 主張預測抽象表示的架構路線，以及能隨操作即時生成畫面的互動環境。內容用示例說明怎麼在想像中規劃，並列出大型語言模型有沒有世界模型的正反研究，附讀新聞時的檢查問題。

  • 生活分享

    視覺語言模型（VLM）是什麼：讓 AI 讀圖片、再用文字回答

    視覺語言模型（VLM）能同時接收圖片與文字，再用文字回答。內容拆解視覺編碼器、連接層與語言模型三段結構，說明 CLIP、Flamingo、LLaVA 三篇論文各補上哪一塊，並和多模態 AI、文字生圖分清楚；也整理它常犯的錯：數錯數量、搞混位置、說出圖裡沒有的東西，附上讀收據時逐行核對的步驟。

  • 生活分享

    溫度（Temperature）是什麼：AI 回答變化程度的取樣參數

    溫度（temperature）是文字生成時調整取樣的參數，讓模型從下一個 token 的機率分布裡抽得更集中或更分散。用假想的台南早餐示例算出低溫與高溫的差別，說明 top-p 的來源和它與 top-k 的差別，並依官方文件與論文指出：調低溫度不代表更準，設成 0 也不保證每次相同，部分模型還不開放調整。

  • 生活分享

    合成資料（Synthetic Data）是什麼：兩種用途、品質控管與模型崩潰

    合成資料是由演算法或模型產生、模仿真實資料特徵的資料，常見用途有兩種：訓練模型，以及在隱私需求下替代真資料。內容依 Self-Instruct、模型崩潰研究（替換與累積資料的差別）與 NIST、ICO 的隱私文件，說明做法、抽查流程，以及它不能保證的事。

引用本文的文章

最新旅遊情報攻略

資料來源

生活分享