目錄

• 你可能想知道的事
• 主要主題
• 關鍵見解表
• 後續...

你可能想知道的事

1) 像不透明遞歸這類技術的興起，會如何影響 AI 系統的透明度與安全性？

2) 在閱讀新聞或評估產品時，哪些基礎 AI 概念對非專家最重要？

主要主題

人工智慧正在改變經濟與日常生活的許多面向，隨之而來的是越來越多專門術語。本文以淺顯語言說明最常用的概念，並提供為何它們重要的背景 — 無論是對建構者、投資人、監管者，或是好奇的讀者。下面你會看到從廣泛目標（如通用人工智慧）到具體實作細節（如記憶快取、蒸餾和模型權重）的中立、客觀描述。目標是減少混淆，讓關於 AI 的討論更易理解。

通用人工智慧（AGI）是 AI 研究中有爭議且定義鬆散的目標。廣義上，AGI 指的是能在各種認知任務上匹敵或超越人類能力的系統。不同組織對此目標的表述各有差異：有些強調能在多項任務上達到「中位人類」的水平，有些描述 AGI 為在大多數具有經濟價值的工作上勝過人類，還有些以在大多數認知任務上達到同等表現來定義。缺乏單一普遍接受的定義並未阻礙嚴肅的研究與政策關注，因為 AGI 提出關於控制、治理與勞動影響的實際與倫理問題。

AI 代理（agent）是代表使用者執行一系列任務的程式，通常具有自主性。代理能執行超越單輪對話的工作：它們可能存取外部服務、處理像訂旅程這類多步工作流程，或管理程式碼變更。這個概念範圍廣泛且仍在演進：不同產品以不同程度的自主與整合自稱為代理。常見特徵是代理能協調多個工具或 API 以達成目標，而非僅在提示後回傳文字。

API 端點是讓軟體系統互動的程式化介面。開發者呼叫端點以取得或修改資料、觸發動作或在服務間整合功能。許多消費者與企業平台公開的 API 對一般使用者不可見，但對自動化至關重要。隨著 AI 代理能力提升，它們能自主發現並使用這些端點，創造強大的自動化機會──同時也帶來授權、安全與非預期操作的疑慮。

推理鏈（chain-of-thought）是一種用於提升模型在需要中間步驟或明確邏輯推理任務上表現的技術。與其要求 AI 直接產生最終答案，推理鏈方法鼓勵或誘導模型生成顯示其如何得出結果的中間步驟。這通常能提升複雜問題的準確性，特別是在數學、邏輯或程式設計任務上。專門的推理模型與訓練方法（如來自人類回饋的強化學習，RLHF）已被用來增強此能力。

程式編寫代理（coding agents）是專注於軟體開發的代理子類。除了建議程式碼片段外，程式編寫代理能在倉庫中撰寫、測試並除錯，進行反覆的變更週期且需要最少的人為介入。它們能自動化重複性的開發者工作並加速工作流程，但因代理可能引入錯誤或忽略情境敏感的限制，仍需人工審查。

計算資源（compute）是用來描述訓練與執行模型所需的計算資源：GPU、CPU、TPU 及專用加速器。計算資源是整個產業的基礎；訓練大型模型與大規模執行推理都相當耗算力，因此硬體的可用性與成本是實驗室與雲端供應商的策略性限制。

深度學習是一類使用多層人工神經網路從原始資料中學習表示的機器學習方法。這些模型自動發現顯著特徵，而非依賴人為設計的特徵，使它們高度靈活，但也需要大量資料並昂貴地訓練。神經網路架構與現代 GPU 的結合推動了影像辨識、自然語言處理與生成模型的許多進展。

擴散模型是一類生成系統，廣泛用於影像、音訊及其他創作任務。它們學習逆轉逐步通過加入噪音而破壞資料的過程，實質上教模型如何從隨機噪音重建結構化輸出。擴散方法驅動了許多當代的圖像生成工具，並成為早期生成框架的重要替代方案。

蒸餾（distillation）是一種將大型「教師」模型的知識轉移到較小「學生」模型的技術。透過在教師的輸出上訓練學生，開發者可以產出在推理時更便宜且更快的模型，同時保留大部分原始模型的行為。蒸餾廣泛用於降低生產部署的延遲與成本，但若輸出來自外部供應商且未經許可，會引發智慧財產與服務條款的疑慮。

微調（fine-tuning）是指在預訓練模型上進一步以任務特定資料訓練，以提升其在較狹窄應用上的表現。許多新創與企業會微調通用語言模型以注入領域知識、調整風格或符合監管需求。與從頭訓練相比，微調常是更有效率的提升實用性路徑。

生成對抗網路（GANs）是另一種由生成器與判別器在訓練中相互競爭所構成的生成框架。GANs 曾產生出逼真的照片與深度偽造內容，在窄域的媒體生成任務上非常強大，但在通用語言建模上較少使用。

幻覺（hallucinations）描述的是 AI 系統產生不正確或虛構輸出的情況。因為模型預測的是文本的合理延續，而非驗證事實正確性，它們可能自信地陳述錯誤資訊。減少幻覺是採用領域特定模型、檢索增強生成（RAG）以提供有根據的證據，以及其他安全機制的重要動機。

推理（inference）是使用已訓練模型來產生預測或回應的執行時過程。與在大量資料上優化模型參數的訓練不同，推理關注的是速度、延遲與成本——模型能多快且多便宜地服務使用者。不同硬體可用於推理，有些模型需專用加速器才能有效執行。

大型語言模型（LLMs）是具有數十億參數、在大規模文本語料上訓練的深度神經網路。LLMs 驅動對話助理並為許多代理系統提供骨幹。它們將語言模式映射為數值表示，並在給定提示時生成最可能的延續。像鍵值（KV）快取之類的記憶快取技術可通過重用中間運算來提升推理效率。

模型上下文協定（Model Context Protocol, MCP）是一個開放標準，使模型能在無需專屬連接器的情況下存取外部工具與資料。MCP 旨在簡化模型與應用之間的整合，提升互操作性並降低不同廠商與平台間的工程摩擦。

專家混合（Mixture of Experts, MoE）是一種在每次請求時只啟用部分專門子網路的架構，使得非常大的模型仍能保持計算效率。路由器會將流量導向最相關的「專家」，以維持成本與延遲的可控性。

神經網路是使深度學習成為可能的分層數學結構。它們大致受生物大腦啟發，將許多運算單元串聯與並聯結合，以學習從輸入到輸出的複雜映射。硬體與規模的進步使深度神經網路成為當代生成式 AI 的主流方法。

不透明遞歸（或工程術語中的遞歸深度）是一種技術，模型將相同的查詢在內部層中重複處理，而不是產生可供人閱讀的推理鏈。這能提升效率並讓較小模型達到更強的結果，但同時留下較少可讀的內部推理痕跡。安全研究者擔心不透明遞歸會降低透明度，使審計或偵測不當行為更困難。

開源（open source）指的是其程式碼，且在某些情況下連同權重一併公開的軟體與模型。開源 AI 促進協作、可復現性與獨立安全審查。相比之下，封閉原始碼模型將內部細節保密，這可能加速產品開發但限制公共審視。

平行化（parallelization）是將計算分成許多同時執行的操作。它對模型訓練與推理皆至關重要：GPU 與分散式叢集能同時執行數千次運算，使大型模型的可擴展訓練與服務成為可能。改進平行化的研究仍是核心工程焦點。

「記憶體浩劫」（"RAMageddon"）是業界用語，描述部分由於 AI 資料中心高需求而造成的記憶體（RAM）短缺。大規模模型的訓練與推理需要大量記憶體，供應限制會影響消費者與企業產品的價格與可得性。

遞歸自我改進（Recursive self-improvement, RSI）描述能迭代地自行重新設計或改進自己的系統。理論上，RSI 可能快速加速能力增長，但實作上具有挑戰且存在爭議。許多團隊將 RSI 視為研究前沿而非迫在眉睫的存在性威脅，政策討論則考量若此類能力可行時的影響。

強化學習（reinforcement learning）透過對期望行為給予回饋信號來訓練系統。RL 與像 RLHF（來自人類回饋的強化學習）這類變體被用來優化模型的有用性、安全性與與使用者期望的一致性。

標記（tokens）是模型處理的基本文字單位。分詞會將文本切成模型能處理的片段，許多供應商依標記使用量計費。標記吞吐量——系統處理標記的速度——是基礎設施團隊關注的關鍵效能指標。

訓練是根據範例資料調整模型參數的過程，使其能對新輸入進行泛化。遷移學習使用預訓練模型作為起點以加速新任務的開發，而驗證損失則追蹤模型在訓練期間的泛化能力。權重是編碼已學習知識的數值參數；訓練透過更新權重使模型更好地預測目標。

這些概念共同構成你在當代報導、產品會議與技術討論中會遇到的詞彙。理解它們有助於讀者更準確地判斷能力、權衡與安全影響，而不僅僅依賴行話。

關鍵見解表

後續...

隨著 AI 系統演進，詞彙將持續擴展與變動。今天仍屬實驗性的技術可能成為主流工具，同時也會產生新的風險與治理問題。透明度、像 MCP 之類的互操作性標準，以及開放與封閉方法之間的平衡將塑造此領域的發展。對從業者與觀察者而言，保持最新意味著少關注流行語而多關注每項技術帶來的權衡：效能、成本、透明度與安全性。清楚的定義與有根據的討論是引導 AI 朝有廣泛益處的結果發展的最佳工具。