人工智能 AI 術語詞彙表 (2025) - HDcourse 廣東話「數碼營銷課程」

英文術語	中文術語	解釋
Artificial General Intelligence (AGI)	通用人工智能	一種假設性的人工智能系統，能夠理解、學習和執行任何人類可以做到的智力任務。與當前專門化的人工智能不同，通用人工智能可以理解上下文、生成連貫的回應，並執行從翻譯到編程等各種語言相關任務。
Compute	計算資源	在人工智能領域，計算資源指的是使模型能夠被訓練和運行的硬件資源，如圖形處理單元（GPU）和張量處理單元（TPU）。更多的計算資源通常意味著更快、更強大的功能。
Computer Vision	電腦視覺	一種解釋圖像或視頻等視覺數據的人工智能。應用包括面部識別、醫學圖像分析、自動駕駛車輛和製造業的質量控制。
Machine Learning (ML)	機器學習	人工智能的一個子集，涉及通過經驗和數據改進的算法。機器學習系統可以自動識別數據中的模式，並使用這些模式進行預測或決策，而無需明確編程規則。
Model Context Protocol (MCP)	模型上下文協議	一種用於管理和優化大型語言模型上下文處理的協議，幫助模型更有效地理解和回應複雜查詢。
Deep Learning	深度學習	機器學習的一個子集，專注於使用神經網絡執行分類、回歸和表示學習等任務。該領域從生物神經科學中獲取靈感，核心是堆疊人工神經元。
Neural Networks	神經網絡	一種受人腦啟發的計算模型，由相互連接的節點（神經元）組成，用於識別模式和解決複雜問題。
Context Window	上下文窗口	語言模型在生成回應時能夠考慮的文本量，決定了模型能夠「記住」和處理的信息範圍。
Ground Truth	基準事實	用於訓練和評估人工智能模型的已知正確數據或標籤，是衡量模型準確性的標準。
Fine-tuning	微調	在機器學習中，微調是指調整預訓練模型的參數，使其適應特定任務或用例的過程。這是一種基本的深度學習技術，特別是在用於生成式人工智能的基礎模型的訓練過程中。
Weights	權重	神經網絡中的參數，決定輸入數據對輸出的影響程度，通過訓練過程進行調整以提高模型性能。
Generative AI	生成式人工智能	能夠創建新內容（如文本、圖像、音頻或視頻）的人工智能系統，通過分析現有數據學習創建原創內容。
Large Language Models (LLMs)	大型語言模型	在大量數據上訓練的深度學習模型，能夠執行自然語言理解和生成任務。著名的大型語言模型包括BERT、PaLM、GPT-2、GPT-3、GPT-3.5和突破性的GPT-4。
Prompt Engineering	提示工程	設計和優化輸入提示的技術，以引導人工智能模型生成所需的輸出，是有效使用生成式人工智能的關鍵技能。
Reinforcement Learning	強化學習	一種機器學習方法，通過與環境互動並從行動結果中學習，使代理能夠最大化累積獎勵。
Natural Language Processing (NLP)	自然語言處理	使計算機能夠理解、解釋和生成人類語言的人工智能分支，應用於翻譯、情感分析和文本摘要等領域。
Transformer	變換器	一種神經網絡架構，通過注意力機制處理序列數據，廣泛應用於自然語言處理和計算機視覺任務。
Attention Mechanism	注意力機制	神經網絡中的一種技術，使模型能夠在處理信息時專注於輸入數據的最相關部分。
Embeddings	嵌入	將高維數據（如文字或圖像）轉換為低維向量的技術，使機器學習模型能夠更有效地處理和理解數據。
Vector Database	向量數據庫	專門存儲和檢索向量嵌入的數據庫系統，用於相似性搜索和人工智能應用中的高效數據檢索。
Retrieval-Augmented Generation (RAG)	檢索增強生成	結合信息檢索和文本生成的方法，使語言模型能夠訪問外部知識源，提高回應的準確性和相關性。
Semantic Search	語義搜索	一種搜索方法，不僅考慮關鍵詞匹配，還理解查詢的含義和上下文，提供更相關的結果。
Multimodal AI	多模態人工智能	能夠處理和整合多種類型數據（如文本、圖像、音頻）的人工智能系統，實現更全面的理解和生成能力。
Hallucination	幻覺	人工智能模型生成看似合理但實際上不準確或虛構的信息的現象，是大型語言模型的常見挑戰。
Synthetic Data	合成數據	人工生成的數據，用於訓練人工智能模型，特別是在真實數據稀缺或存在隱私顧慮的情況下。
Transfer Learning	遷移學習	將一個任務中學到的知識應用到相關但不同任務的技術，提高學習效率和模型性能。
Overfitting	過擬合	模型在訓練數據上表現良好但在新數據上表現不佳的現象，通常是由於模型過於複雜或訓練數據不足。
Underfitting	欠擬合	模型無法捕捉數據中的基本模式和關係，導致在訓練和新數據上都表現不佳的現象。
Bias	偏見	人工智能模型中的系統性錯誤，可能導致不公平或不準確的結果，通常反映訓練數據中的偏見或算法設計問題。
Explainable AI (XAI)	可解釋人工智能	致力於使人工智能系統的決策過程透明和可理解的方法和技術，增強用戶信任和監管合規性。
AI Ethics	人工智能倫理	關注人工智能開發和使用中的道德考量，包括公平性、透明度、隱私和責任等方面。
AI Alignment	人工智能對齊	確保人工智能系統的目標和行為與人類價值觀和意圖一致的研究和實踐，減少潛在風險。
AI Agent	人工智能代理	能夠感知環境、做出決策並採取行動以實現特定目標的自主人工智能系統，可用於自動化任務和問題解決。
Federated Learning	聯邦學習	一種分散式機器學習方法，允許在保護數據隱私的同時，從多個設備或服務器上的數據中學習。
Quantum Computing for AI	量子計算在人工智能中的應用	利用量子計算原理加速人工智能算法和模型訓練的新興領域，有望解決傳統計算的限制。
Knowledge Graph	知識圖譜	將信息連接成關係網絡的數據結構，使人工智能系統能夠導航和理解複雜的數據集。
Self-Learning AI	自學習人工智能	能夠自主獲取知識並隨時間改進性能的系統，無需為每個新任務進行明確編程。