AI 入門學習 ／ 資料更新至 2026 年 10 月
AI 名詞解釋一次看：LLM 是用大量文字訓練、會接著寫文字的大型語言模型；Token 是 AI 讀寫文字的基本單位；RAG 是讓 AI 先查資料再回答的技術；AI Agent 則是會自己規劃步驟、動手完成任務的 AI。這份 AI 用語辭典整理了 30 個新手最常遇到的 AI 術語，每個都用一句話說清楚，再配一個生活比喻。
名詞依主題分成五組：基礎觀念、模型怎麼運作、怎麼使用、風險與倫理、進階應用。每個名詞下面的第一句就是定義，接著是比喻或例子，最後的「相關」可以跳到其他名詞。你可以從頭讀到尾，也可以把這頁當字典，聽到不懂的詞再點下面的目錄查。如果你完全沒接觸過 AI，建議先讀〈AI 新手入門：完全不懂 AI，要從哪裡開始學？〉，再回來查這份辭典。
名詞目錄（點名詞直接跳到說明）
人工智慧 ・ 機器學習 ・ 深度學習 ・ 神經網路 ・ 生成式 AI ・ AGI
模型 ・ LLM ・ 參數 ・ 訓練資料 ・ Token ・ 上下文視窗 ・ 推理模型 ・ 知識截止日
提示詞 ・ 系統提示 ・ 多模態 ・ API ・ 開放權重模型 ・ 地端模型 ・ Vibe coding
01基礎觀念：AI、機器學習、深度學習差在哪
新聞裡最常混在一起講的，就是 AI、機器學習、深度學習和生成式 AI。它們不是四種不同的東西，而是一層包一層的關係：越往內越具體。先看懂下面這張圖，後面的名詞就容易多了。
人工智慧（AI, Artificial Intelligence）
人工智慧是讓電腦做到原本需要人類智慧才能完成的事，例如看懂圖片、聽懂語音、理解文字和做出判斷。
它是一個大類別的總稱，就像「交通工具」包含腳踏車、汽車和飛機。手機的人臉解鎖、導航的塞車預測、和 ChatGPT 聊天，都屬於 AI 的應用。
相關：機器學習、生成式 AI、AI 迷思破解：8 個常見誤會
機器學習（Machine Learning）
機器學習是實現 AI 的一種做法：不由人把規則一條條寫死，而是讓電腦從大量資料中自己找出規律。
教小孩認貓時，我們不會給他「貓的定義」，而是讓他看很多貓的照片，看多了自然認得出來。垃圾郵件過濾就是典型例子：系統看過大量被標成垃圾信的郵件後，學會判斷新寄來的信。
深度學習（Deep Learning）
深度學習是機器學習的一個分支，用很多層的神經網路來學習，特別擅長處理圖片、聲音和文字這類複雜的資料。
它像工廠的多道工序：第一層先看出線條，下一層組成形狀，再下一層認出「這是一張臉」。因為層數很多，所以叫「深度」。今天的語音辨識、影像辨識和聊天機器人，背後幾乎都是深度學習。
神經網路（Neural Network）
神經網路是受人腦神經元啟發的數學模型，由許多互相連接的小節點組成，每條連線都有一個可以調整的數值。
可以想像成一大片能調鬆緊的水管網路，水從入口流向出口；訓練就是反覆調整每個閥門，直到流出來的結果是對的。它只是借用了「神經」的概念，實際運作方式和真正的大腦差很多。
生成式 AI（Generative AI）
生成式 AI是能產生新內容的 AI，可以依照你的指示寫出文字、畫出圖片，或做出音樂、影片和程式碼。
傳統 AI 比較像考官，負責判斷「這張照片是不是貓」；生成式 AI 比較像創作者，你說「畫一隻戴帽子的貓」，它就畫給你。ChatGPT、Gemini、Claude 都屬於生成式 AI，更完整的介紹可以看〈生成式 AI 是什麼〉。
通用人工智慧（AGI, Artificial General Intelligence）
AGI 是指在大多數領域都能達到或超越人類水準、能像人一樣學會各種新任務的 AI；目前還沒有一個大家都同意的定義。
現在的 AI 有點像「很多科目都考得很好，但遇到沒看過的題型就可能卡住」的學生，AGI 則是幾乎什麼都學得會的通才。各家說法不同：OpenAI 在公司憲章裡寫的是「在多數具經濟價值的工作上勝過人類的高度自主系統」；Google DeepMind 則提出從「初現」到「超越人類」的五級分法。AGI 到底出現了沒，請看文末常見問題。
要記得
所有機器學習都屬於 AI，但不是所有 AI 都是機器學習。早期照規則寫死的系統（例如「如果溫度高於 30 度就開冷氣」）也算 AI，只是不會自己學習。
02模型怎麼運作：LLM 是什麼、Token 是什麼
這一組名詞回答的是「AI 到底怎麼產生回答」。聽懂它們，就能看懂模型發表會、方案比較表裡的術語，例如「100 萬 token 上下文」「推理模式」。
一個 LLM 從訓練到回答你，大致經過這五步
收集訓練資料
大量文章、書籍、程式碼，加上人工整理的範例。
訓練、調整參數
反覆練習「猜下一段文字」，把參數調到最好的位置。
你輸入提示詞
你的文字會先被切成一個個 token。
在上下文視窗裡計算
模型同時參考你的問題、前面的對話和附上的資料。
一段一段產生回答
每次預測下一個 token，接起來就是完整的回答。
模型（Model）
模型是 AI 經過訓練後得到的成品，也就是一套把輸入轉換成輸出的計算規則；平常說的 GPT、Gemini、Claude，指的就是不同公司做出來的模型系列。
模型像一位學成的廚師，ChatGPT 這類 App 則像餐廳。同一家餐廳可以請不同的廚師，所以同一個 App 裡常能切換不同模型，回答的品質、速度和用量限制也會跟著不同。
大型語言模型（LLM, Large Language Model）
LLM 是用海量文字訓練出來、專門理解和產生語言的大型模型，基本原理是根據前面的內容，預測下一段最可能出現的文字。
它像超級加強版的手機輸入法「選字建議」：輸入法只猜下一個字，LLM 讀過的文字多到能接著寫出整篇文章，還能翻譯、摘要和寫程式。「大型」指的是參數數量和訓練資料的規模都非常大。
參數（Parameters）
參數是模型內部在訓練時學到、可以調整的數值，模型的知識和能力就藏在這些數字裡。
參數像混音台上成千上萬個旋鈕，訓練就是把每個旋鈕轉到剛好的位置。新聞說某個模型有「數百億參數」，指的就是旋鈕的數量。一般來說參數越多，能力可能越強，但需要的記憶體和運算也越多，所以參數較少的小模型才比較能在自己的電腦上執行。
訓練資料（Training Data）
訓練資料是用來教模型的大量範例，例如網頁文章、書籍、程式碼、圖片和對話紀錄。
訓練資料就像學生讀過的課本和考古題：讀了什麼、讀了多少，決定他會什麼，也決定他有哪些盲點。資料裡的錯誤和偏見，模型也可能一起學起來。有些 AI 服務可能會用使用者的對話來改進模型，通常可以在設定裡關閉，做法可以參考〈用 AI 安全嗎：隱私與資料設定〉。
Token（詞元）
Token 是 AI 模型讀寫文字的基本單位，模型會先把文字切成一個個 token，再拿去計算。
這像把一句話切成一塊塊積木：一個英文單字可能是一塊，也可能被切成兩三塊。OpenAI 官方說明提到，英文大約 4 個字元等於 1 個 token，100 個 token 約等於 75 個英文單字；中文的切法和英文不同，實際數量要看各模型的切字方式。API 怎麼計費、上下文視窗有多大，都是用 token 來算。
上下文視窗（Context Window）
上下文視窗是模型在一次對話中能同時看到的內容上限，包含你給的資料、前面的對話和它自己的回答，以 token 計算。
它像一張工作桌，桌面越大，能同時攤開的文件越多。Anthropic 的官方文件把它形容成模型的「工作記憶」，和訓練時讀過的大量資料是兩回事。2026 年不少主流模型的上下文視窗已經到約 100 萬 token，但實際能用多少依模型與方案而定。對話太長超過上限時，前面的內容可能被省略或壓縮，這也是長對話後 AI 好像「忘記」前面說過什麼的原因之一。
推理模型（Reasoning Model）
推理模型是回答前會先在內部「想一想」、把問題拆成步驟再作答的模型，適合數學、程式、規劃這類需要多步思考的任務。
一般模型像搶答，推理模型像考試時先在草稿紙上算一遍再寫答案。OpenAI 在 2024 年 9 月推出 o1 時，形容它是「回答前會花更多時間思考」的模型。代價是比較慢，而且思考過程本身也會消耗 token。很多 App 裡的「思考」「深入思考」模式，用的就是這類能力（介面名稱可能隨更新變動）。
知識截止日（Knowledge Cutoff）
知識截止日是模型訓練資料的最後時間點，在那之後發生的事，模型本身不會知道。
它像一本已經印好的百科全書，出版後的新聞不會自己出現在書裡。舉例來說，Anthropic 官方模型頁列出最新 Claude 模型的「可靠知識截止日」是 2026 年 6 月。想問最近發生的事，要使用有搜尋功能的 AI，或自己把資料貼給它。
看懂方案比較表
方案表上的「上下文視窗」「每日訊息數」「推理模式」，分別對應模型能看多少、你能用多少次、它會不會先想再答。名詞看懂了，比較方案時就不容易被數字搞混。
03怎麼使用 AI：提示詞、API 與地端模型
知道 AI 怎麼運作後，下一步是怎麼用它。一般人最常接觸的是提示詞；公司要把 AI 接進自己的系統，就會碰到 API、開放權重和地端模型這些詞。
提示詞（Prompt）
提示詞是你輸入給 AI 的指令或問題，AI 會依照提示詞的內容產生回答。
這像交辦工作給新同事：只說「幫我寫封信」，對方只能用猜的；說清楚對象、目的、語氣和字數，成果就會好很多。把提示詞寫好的技巧，也叫「提示工程」（Prompt Engineering），新手可以從〈提示詞是什麼：新手基本寫法〉開始。
系統提示（System Prompt）
系統提示是放在對話最前面、用來設定 AI 角色、規則和回答風格的指示，通常由開發者或平台設定，使用者不一定看得到。
它像員工上班前拿到的工作守則：「你是客服人員，語氣要親切，不能透露客戶資料」。一般使用者也有類似功能，例如 ChatGPT 的自訂指令（Custom instructions）、Claude 專案（Projects）裡的指示，可以讓 AI 每次都照你的偏好回答（介面名稱可能隨更新變動）。
多模態（Multimodal）
多模態是指 AI 能處理不只一種形式的資料，例如同時看懂文字、圖片、聲音和影片。
這像一個人能同時用眼睛看、耳朵聽、嘴巴說。你拍一張冰箱照片問「今晚可以煮什麼」，或上傳會議錄音請它整理重點，用的就是多模態能力。
API（應用程式介面）
API 是讓兩個程式互相溝通的介面；AI 公司提供 API，讓開發者把模型接進自己的網站、App 或公司系統。
API 像餐廳的點餐窗口：你不用走進廚房，只要照規定格式點餐，就能拿到餐點。透過 API 使用 AI，通常依 token 用量計費，和每月固定金額的訂閱方案是兩套不同的收費方式。
開放權重模型（Open-weight Model）
開放權重模型是把訓練好的參數（又稱權重）公開讓人下載的模型，任何人都能在自己的電腦或伺服器上執行，也能再加以調整。
這像餐廳公開了做好的醬料讓你帶回家用，但不一定公開完整食譜和食材來源。開放原始碼促進會（OSI）認為，真正的「開源 AI」還要公開訓練資料的相關資訊和訓練程式碼，所以「開放權重」不完全等於「開源」。例如 OpenAI 在 2025 年 8 月以 Apache 2.0 授權釋出 gpt-oss 開放權重模型。
地端模型（Local Model）
地端模型是在自己的電腦或公司內部伺服器上執行的 AI 模型，資料不必傳到外部的雲端服務。
雲端 AI 像叫外送，方便，但食材要交給別人處理；地端模型像在自家廚房煮，比較能掌控資料，但設備要自己準備。OpenAI 表示 gpt-oss-20b 這類較小的模型約 16 GB 記憶體就能執行；模型越大，需要的硬體通常越好。怎麼挑選可以看〈地端 AI 模型：2026 最新本地模型與技術〉。
Vibe coding（氛圍編程）
Vibe coding 是用自然語言描述想要的功能，讓 AI 寫出程式，自己主要負責說明需求和測試結果，而不是一行一行寫程式碼。
這像對裝潢師傅說「我想要一個明亮、收納很多的客廳」，細節交給師傅動手。這個詞由 OpenAI 共同創辦人 Andrej Karpathy 在 2025 年 2 月提出，同年被柯林斯字典（Collins）選為年度代表詞。它讓不會寫程式的人也能做出小工具，但要正式上線的系統，仍需要懂的人檢查安全性和品質。
04AI 的風險與倫理：幻覺、偏見與深偽
AI 很好用，但不是不會出錯。這一組名詞幫你看懂 AI 新聞裡常見的風險，知道哪些地方要特別小心。
幻覺（Hallucination）
AI 幻覺是 AI 一本正經地說出看似合理、但其實錯誤或捏造的內容，例如不存在的書名、數據或法條。
這像考試遇到不會的題目，卻硬掰出一個很像真的答案的學生。OpenAI 在 2025 年 9 月的研究指出，原因之一是常見的訓練和評分方式，獎勵「猜答案」多過「承認不知道」。重要的數字、引用和法規，一定要回到原始來源查證，步驟可以參考〈AI 幻覺是什麼？ChatGPT 回答查證的 5 個步驟〉。
偏見（Bias）
AI 偏見是指模型的回答或判斷，系統性地偏向或不利於某些族群、性別、地區或觀點，通常來自訓練資料本身的不均衡。
一個人如果只讀某一類報紙，看事情的角度就容易偏一邊，AI 也一樣。例如用過去的錄取紀錄訓練徵才系統，就可能把過去的不公平延續下去。台灣在 2025 年 12 月三讀通過的《人工智慧基本法》，也把「公平與不歧視」列為 AI 發展的原則之一。
深偽（Deepfake）
深偽是用 AI 製作或竄改的假影片、假照片或假聲音，能讓人看起來或聽起來說了、做了其實沒有的事。
它像技術高超的變臉加變聲特效，只要一段素材就能模仿。常見的風險包括冒充名人推銷投資，或模仿家人聲音的詐騙電話。接到要求匯款或提供個資的影音訊息，先用其他管道確認，例如回撥本人的電話。更多防護做法見〈用 AI 安全嗎〉。
對齊（Alignment）
對齊是讓 AI 的行為符合人類意圖和價值觀的研究與做法，目標是讓 AI 有幫助、誠實，而且不造成傷害。
這像訓練導盲犬：不只要牠聰明，更要牠知道什麼該做、什麼不該做，遇到危險會停下來。AI 會拒絕教人製造武器，就是對齊工作的成果之一。AI 能力越強、能自己動手做的事越多，對齊就越重要。
一個簡單的習慣
把 AI 的回答當成「很快寫好的草稿」，不是「標準答案」。數字、人名、法規和引用，花一分鐘回到原始來源確認，就能避開大部分的幻覺和偏見問題。
05進階應用：RAG、AI Agent 與 MCP 是什麼
最後這一組是 2026 年最常出現在企業簡報和產品發表會的詞。它們談的是怎麼讓 AI 讀懂你的資料、連上你的工具，甚至自己把事情做完。
RAG（檢索增強生成）
RAG 是先從指定的資料庫或文件裡找出相關內容，再交給模型參考後回答的技術，全名是 Retrieval-Augmented Generation。
這像開書考試：模型不靠記憶硬答，而是先翻到相關章節再作答，所以比較不容易亂講，也能附上出處。公司用內部規章做 AI 客服、NotebookLM 根據你上傳的資料回答，都是類似 RAG 的應用；這個名稱出自 2020 年 Facebook AI（現在的 Meta）等研究團隊的論文。AI 搜尋引用網頁的方式也很接近，這正是〈SEO、AEO、GEO 是什麼〉在談的事。
嵌入向量（Embedding）
嵌入向量是把文字、圖片等內容轉成一串數字，讓電腦能用「距離」判斷兩段內容的意思有多接近。
這像在地圖上幫每個詞標座標：「貓」和「狗」靠得很近，和「汽車」離得比較遠。OpenAI 官方說明提到，兩個嵌入向量的距離越小，代表內容越相關。RAG 找資料、網站推薦相似文章，常常都會用到它。
相關：RAG
微調（Fine-tuning）
微調是拿一個已經訓練好的模型，再用特定領域或特定格式的資料多訓練一些，讓它更擅長某一類任務。
這像一位已經會做菜的廚師，到日本料理店進修三個月，專精做壽司。不過OpenAI 的官方指南也提到，很多情況光是把提示詞寫好就夠了；想讓 AI 根據最新或公司內部的資料回答，通常先考慮 RAG。
AI Agent（AI 代理）
AI Agent 是能自己規劃步驟、使用工具並完成任務的 AI，不只回答問題，還會實際動手做事。
一般聊天 AI 像顧問，給你建議；AI Agent 像助理，你說「幫我訂下週二的會議室並通知大家」，它會自己查行事曆、寄信。它能做的事越多，風險也越大，例如「提示注入」（Prompt Injection）：網頁或文件裡藏著惡意指令，誘導 AI 做出你沒要求的事，資安組織 OWASP 把它列為大型語言模型應用的頭號風險。付款、寄信、刪檔這類重要動作，最好設定成要你確認才執行。功能與平台介紹見〈AI Agent 是什麼？會自己動手做事的 AI〉。
MCP（模型上下文協定）
MCP 是讓 AI 應用程式連上外部工具與資料的開放標準，全名是 Model Context Protocol。
MCP 官方網站把它比喻成 AI 的 USB-C 接頭：以前每種裝置都要專用的線，有了統一的接頭就能隨插即用。MCP 由 Anthropic 在 2024 年 11 月推出，2025 年 12 月捐給 Linux 基金會旗下的 Agentic AI Foundation，Claude、ChatGPT、VS Code 等工具都支援。想動手試試，可以看免費課程〈MCP 是什麼？讓 AI 連上你的工具與資料〉。
提示詞、RAG、微調怎麼選？
| 做法（一句話） | 適合的情況 | 門檻 |
|---|---|---|
| 寫好提示詞 把需求、範例說清楚 | 大多數日常工作：寫信、摘要、整理表格 | 最低 |
| RAG 回答前先查指定資料 | 要根據最新或公司內部文件回答，並附上出處 | 中等 |
| 微調 用自己的資料再訓練 | 要固定的語氣、格式，或大量重複的專門任務 | 較高 |
整理：TempEDU，參考 OpenAI 模型優化官方指南（2026 年 10 月查閱）。三種做法可以搭配使用。
常見問題
AI 和機器學習差在哪？
AI 是大目標，指讓電腦表現出類似人類的智慧；機器學習是達成這個目標的一種方法，讓電腦從資料中自己學規律。所有機器學習都屬於 AI，但不是所有 AI 都是機器學習，早期照規則寫死的專家系統也算 AI。今天大多數 AI 產品，用的都是機器學習裡的深度學習。
Token 怎麼算？中文一個字是幾個 token？
Token 數量由各模型的切字方式決定，沒有一個通用的換算公式。OpenAI 的說明是英文大約 4 個字元一個 token；中文的切法不同，同一段文字換不同模型算出來的數量也可能不一樣。想知道確切數字，可以用官方提供的 token 計算工具，或看 API 回傳的用量紀錄。
RAG 和微調差在哪？
RAG 是回答時「臨時翻資料」，資料有更新時只要換文件就好；微調是「事先再訓練」，把特定的語氣、格式或專門任務練進模型裡。想讓 AI 根據最新或公司內部資料回答，通常先選 RAG；想讓它固定用某種方式完成重複任務，才考慮微調。兩者也可以搭配使用。
AGI 已經出現了嗎？
目前沒有共識，也沒有公認的機構正式宣布 AGI 已經出現。2026 年 2 月有學者在《自然》（Nature）期刊發表評論，主張現在的 AI 已經具備一般智慧；但同年 3 月推出的 ARC-AGI-3 測驗中，人類能解開全部關卡，主流模型的得分卻不到 1%。答案很大程度取決於「AGI 怎麼定義」，看到「AGI 來了」的新聞時，先看它用的是哪一種定義。
本文重點
- AI、機器學習、深度學習、生成式 AI 是一層包一層的關係，LLM 屬於生成式 AI。
- LLM 的原理是預測下一段文字；Token 是它讀寫的單位，上下文視窗是它一次能看的範圍。
- 知識截止日之後的事模型不知道，幻覺會讓它一本正經地說錯，重要資訊要查證。
- RAG 讓 AI 先查資料再回答，微調是再訓練；多數情況先寫好提示詞、再考慮 RAG。
- AI Agent 會自己動手做事，MCP 是讓它連上工具的標準接頭；AGI 目前仍沒有共識。
想一想
這 30 個名詞裡，哪一個你最近在新聞或會議裡聽過、但當時沒聽懂？試著用自己的話和一個生活比喻，把它解釋給家人或同事聽。
資料來源
- OpenAI Help Center。What are tokens and how to count them?
- Google AI for Developers。Understand and count tokens
- Anthropic Claude Docs。Context windows
- Anthropic Claude Docs。Models overview（2026 年 10 月查閱）
- OpenAI（2024 年 9 月 12 日）。Introducing OpenAI o1-preview
- OpenAI。Reasoning models
- OpenAI（2025 年 9 月 5 日）。Why language models hallucinate
- OpenAI（2025 年 8 月 5 日）。Introducing gpt-oss
- Open Source Initiative。The Open Source AI Definition 1.0
- OpenAI。Vector embeddings
- OpenAI。Model optimization
- Lewis 等人（2020 年 5 月）。Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
- Model Context Protocol。What is the Model Context Protocol (MCP)?
- Anthropic（2025 年 12 月 9 日）。Donating the Model Context Protocol and establishing the Agentic AI Foundation
- OWASP GenAI Security Project。LLM01:2025 Prompt Injection
- OpenAI。OpenAI Charter
- Morris 等人，Google DeepMind（2024 年 1 月修訂）。Levels of AGI for Operationalizing Progress on the Path to AGI
- Chen 等人，Nature（2026 年 2 月 2 日）。Does AI already have human-level intelligence? The evidence is clear
- Decrypt（2026 年 3 月 26 日）。Is AGI Here? Not Even Close, New AI Benchmark Suggests
- ARC Prize。ARC-AGI-3
- 科技新報（2025 年 11 月 10 日）。柯林斯字典 2025 年度代表詞：Vibe Coding
- 聯合新聞網（2025 年 12 月 24 日）。人工智慧基本法三讀通過 台灣迎接AI法律新時代
工具功能、模型規格與介面名稱變動很快，本文依 2026 年 10 月查閱的官方說明整理，實際以各官方公告為準。
Edit with Tr.Bug
Follow me on：LinkedIn ｜ 探教育TempEDU
1 Comment.
Comments are closed.