Glosari AI: 55 istilah dalam bahasa mudah

Asas-asas

Ini ialah versi rujukan: 55 istilah, definisi dahulu, butiran kemudian. Jika anda mahu tur yang lebih lembut, hanya perkataan yang penting dalam minggu pertama anda, baca Istilah AI diterangkan dan kembali ke sini apabila satu istilah menghantar anda kembali.

Kecerdasan buatan (AI)

Kecerdasan buatan ialah perisian yang melaksanakan tugas yang biasanya memerlukan pertimbangan manusia, seperti menulis, menaakul, atau mengenal pasti apa yang ada dalam imej.

Dalam penggunaan harian pada 2026, "AI" hampir selalu bermaksud pembantu sembang yang dibina atas model bahasa besar berbanding bidang akademik yang lebih luas.

Pembelajaran mesin

Pembelajaran mesin ialah teknik mengajar perisian dengan menunjukkan contoh kepadanya berbanding memprogramkannya dengan peraturan.

Setiap pembantu AI moden dibina dengan cara ini: tingkah laku itu datang daripada corak dalam data latihan, itulah sebabnya model yang sama boleh cemerlang pada tugas biasa dan goyah pada tugas jarang.

Model

Model ialah satu sistem AI terlatih tertentu, artifak yang sebenarnya menerima prompt anda.

GPT, Claude, dan Gemini ialah keluarga model; satu keluarga mengandungi model individu dengan saiz, kelajuan, dan harga yang berbeza. Memilih antara mereka mengikut tugas ialah kemahiran teras menggunakan AI dengan baik.

LLM (large language model)

LLM, atau large language model, ialah model yang dilatih atas jumlah teks yang sangat besar untuk meramalkan teks apa yang sepatutnya datang seterusnya.

Satu helah tunggal itu, dilakukan pada skala besar, adalah apa yang menghasilkan jawapan, draf, kod, dan ringkasan. Perkataan "large" merujuk kepada kedua-dua data latihan dan bilangan parameter.

Chatbot

Chatbot ialah antara muka perbualan yang dibalut di sekeliling model, benda yang mempunyai kotak mesej.

Perbezaan ini penting apabila membandingkan produk: dua chatbot boleh membalut model yang sama dan terasa berbeza, dan satu chatbot boleh menawarkan banyak model, itulah cara Whizi berfungsi.

Prompt

Prompt ialah segala-galanya yang anda hantar kepada model: soalan, arahan, dan mana-mana teks atau fail yang anda sertakan.

Kualiti jawapan mengikut rapat kualiti prompt. Konteks, kekangan, dan format output yang anda mahu adalah tiga perkara yang paling kerap ditinggalkan pemula.

Token

Token ialah cebisan kecil teks yang sebenarnya dibaca dan ditulis oleh model, kira-kira tiga suku daripada satu perkataan Bahasa Inggeris secara purata.

Harga, kelajuan, dan tetingkap konteks semuanya diukur dalam token, itulah sebabnya perkataan itu muncul pada setiap halaman harga AI. Dokumen 1,000 perkataan adalah kira-kira 1,300 token.

Tetingkap konteks

Tetingkap konteks ialah jumlah teks maksimum, diukur dalam token, yang boleh dipertimbangkan model pada satu masa.

Prompt anda, perbualan setakat ini, dokumen yang dilampirkan, dan jawapan itu semuanya berkongsinya. Jadual perbandingan tetingkap konteks menyenaraikan angka semasa bagi setiap model utama, dan penjelasan merangkumi kenapa ia menjelaskan kebanyakan aduan "AI itu lupa".

Parameter

Parameter ialah nombor dalaman yang dipelajari model semasa latihan, dan ukuran biasa bagi saiznya.

Dikira dalam bilion, lebih banyak parameter secara longgar bermaksud lebih banyak keupayaan dan lebih banyak kos. Ia adalah metrik pembelian yang lemah dengan sendirinya; penanda aras dan ujian anda sendiri mengatasi bilangan parameter.

Balasan

Balasan ialah output model bagi satu prompt, juga dipanggil completion.

Balasan dijana segar setiap kali, itulah sebabnya menjana semula prompt yang sama memberi kata-kata yang berbeza dan kadangkala jawapan yang berbeza.

Bercakap dengan model

System prompt

System prompt ialah arahan tetap yang diterima model sebelum mesej anda, menetapkan peranan, nada, dan peraturannya.

Setiap produk mempunyai satu walaupun anda tidak dapat melihatnya. Apabila chatbot "mempunyai personaliti", system prompt biasanya di situlah ia berada.

Kejuruteraan prompt

Kejuruteraan prompt ialah amalan menulis prompt secara sengaja untuk mendapatkan output yang lebih baik secara konsisten.

Walaupun namanya besar, kebanyakannya adalah kejelasan biasa: nyatakan matlamat, beri konteks, tunjukkan contoh, namakan format. Panduan pemula merangkumi teknik yang benar-benar menggerakkan hasil.

Zero-shot

Zero-shot bermaksud meminta model melakukan satu tugas tanpa memberinya sebarang contoh.

Model moden mengendalikan kebanyakan tugas harian secara zero-shot. Istilah itu bertahan kebanyakannya sebagai kontras dengan prompting few-shot.

Few-shot

Few-shot bermaksud menyertakan beberapa contoh yang telah dikerjakan dalam prompt supaya model menyalin corak itu.

Ia adalah naik taraf kebolehpercayaan paling murah bagi kerja yang sensitif kepada pemformatan: dua atau tiga contoh input dan output yang dikehendaki mengatasi satu perenggan penerangan.

Chain of thought

Chain of thought ialah model bekerja melalui langkah pertengahan sebelum memberi jawapan akhirnya.

Meminta model menaakul langkah demi langkah secara terukur menambah baik masalah sukar, dan model penaakulan kini melakukan satu versi ini secara dalaman secara lalai.

Temperature

Temperature ialah tetapan yang mengawal berapa banyak keacakan yang ditambah model apabila memilih setiap token seterusnya.

Temperature rendah memberi output yang konsisten dan berhemat; temperature tinggi memberi variasi dan kadangkala kekarutan. Produk sembang biasanya memilih nilai pertengahan untuk anda.

Streaming

Streaming ialah model menghantar jawapannya token demi token semasa ia dijana, berbanding sekali gus apabila selesai.

Itulah sebabnya jawapan kelihatan menaip sendiri, dan kenapa jawapan yang buruk boleh dihentikan awal berbanding ditunggu sehingga habis.

Jana semula (Regenerate)

Jana semula bermaksud meminta balasan segar untuk prompt yang sama.

Oleh kerana penjanaan adalah kebarangkalian, satu jana semula adalah cabutan baharu yang tulen, bukan percubaan semula pengiraan yang sama. Membandingkan dua cabutan, atau prompt yang sama pada dua model, adalah semakan kualiti yang pantas.

Bagaimana model dibuat

Latihan (Training)

Latihan ialah proses melaraskan parameter model berbanding data sehingga ramalannya menjadi baik.

Ia berlaku sebelum anda pernah bertemu model itu dan berkos daya pengkomputeran yang besar bagi penyedia. Tiada apa yang anda taip ke dalam sembang melatih semula model itu pada masa itu, walaupun penyedia mungkin menggunakan perbualan untuk melatih versi masa depan bergantung pada dasar mereka.

Data latihan

Data latihan ialah teks dan bahan lain yang dipelajari model daripadanya.

Keluasannya menjelaskan apa yang diketahui model, jurangnya menjelaskan titik buta yang sistematik, dan julat tarikhnya menetapkan tarikh had pengetahuan.

Pra-latihan

Pra-latihan ialah fasa pertama dan terbesar latihan, di mana model mempelajari bahasa dan pengetahuan dunia daripada teks pukal.

Hasilnya berkeupayaan tetapi mentah. Segala-galanya yang menjadikan model bertindak seperti pembantu yang membantu datang selepas itu.

Fine-tuning

Fine-tuning ialah latihan tambahan pada set data yang lebih sempit untuk mengkhusus atau membentuk model yang telah dipra-latih.

Penyedia melakukan fine-tuning untuk sifat membantu dan keselamatan; syarikat melakukan fine-tuning untuk tugas domain. Bagi kebanyakan pengguna, prompting yang baik ditambah model umum yang berkeupayaan mengatasi membayar untuk fine-tune.

RLHF

RLHF, reinforcement learning from human feedback, ialah melatih model berbanding penilaian manusia terhadap jawapannya.

Ia adalah sebahagian besar sebab pembantu moden bersopan, berstruktur, dan berhati-hati. Dilakukan secara berlebihan, ia juga menghasilkan sikap berhati-hati yang menyebabkan sesetengah model enggan atau berbelit-belit.

Alignment

Alignment ialah kerja menjadikan tingkah laku model sepadan dengan niat dan nilai manusia.

Pada praktiknya ia merangkumi segala-galanya daripada menolak permintaan berbahaya kepada hanya mengikut arahan dengan tepat. Apabila model melakukan sesuatu yang mengagumkan secara teknikal tetapi tidak diingini, itu adalah jurang alignment.

Inferens

Inferens ialah menjalankan model yang telah dilatih untuk menghasilkan jawapan, berbanding melatihnya.

Setiap mesej yang anda hantar mencetuskan inferens, dan kos inferens adalah apa yang diukur oleh harga token. Model yang murah dijalankan boleh menjadi sangat berkeupayaan; AI Model Cost Index menunjukkan jurang harga 2,000 kali ganda.

Transformer

Transformer ialah senibina rangkaian neural di sebalik hampir setiap model bahasa moden.

Mekanisme utamanya, attention, membolehkan model menimbang setiap bahagian input berbanding setiap bahagian lain. Anda tidak pernah memerlukan butirannya, tetapi perkataan itu ada di mana-mana dalam penulisan AI.

Apabila keadaan menjadi buruk

Halusinasi (Hallucination)

Halusinasi ialah model menyatakan sesuatu yang salah dengan keyakinan penuh.

Ia bukan pepijat yang akan dibetulkan pada keluaran seterusnya; ia terhasil daripada cara penjanaan berfungsi. Kekerapannya berbeza banyak mengikut model dan tugas. Anggap mana-mana fakta, nombor, atau petikan tertentu sebagai belum disahkan sehingga disemak. Kenapa AI melakukan kesilapan merangkumi mekanismenya.

Grounding

Grounding ialah memberi model bahan berautoriti untuk menjawab daripadanya, berbanding membiarkannya bergantung pada ingatan.

Menampal kontrak, melampirkan laporan, atau menghidupkan carian web semuanya adalah grounding. Ia adalah pertahanan harian paling berkesan terhadap halusinasi.

Bias

Bias ialah model secara sistematik memesongkan outputnya dengan cara yang diwarisi daripada data latihan.

Ia muncul sebagai andaian tentang orang, tempat, dan lalai. Bagi keputusan yang berakibat, semak output AI seperti anda menyemak kerja pelatih yang bijak tetapi belum disemak.

Guardrails

Guardrails ialah sekatan yang dibina penyedia di sekeliling model untuk menyekat output yang berbahaya atau di luar dasar.

Penyedia berbeza melukis garisan secara berbeza, yang mana itu perbezaan produk sebenar: permintaan yang sama boleh dijawab oleh satu model dan ditolak oleh model lain.

Jailbreak

Jailbreak ialah prompt yang direka untuk memperdaya model supaya mengabaikan guardrailsnya.

Penyedia membetulkannya secara berterusan. Bagi pengguna biasa istilah itu kebanyakannya penting sebagai konsep keselamatan: apa sahaja yang boleh dipujuk model untuk lakukan, seseorang akan cuba memujuknya.

Red teaming

Red teaming ialah menyerang model secara sengaja sebelum pelancaran untuk mencari mod kegagalan yang berbahaya.

Penyedia menjalankan pasukan merah dalaman dan luaran, dan kad model yang diterbitkan sering meringkaskan apa yang mereka jumpai. Ia adalah setara AI bagi ujian penembusan.

Tarikh had latihan (Knowledge cutoff)

Tarikh had latihan ialah tarikh selepas mana data latihan model berakhir.

Tanya tentang apa-apa yang lebih baharu dan model itu sama ada mengaku tidak tahu, melayari web jika ia boleh, atau berhalusinasi. Mengetahui tarikh had model yang anda gunakan menghalang satu keseluruhan kategori kesilapan.

Capaian semula dan data anda

RAG (retrieval augmented generation)

RAG, retrieval augmented generation, ialah mengambil dokumen berkaitan dahulu dan meminta model menjawab daripadanya.

Beginilah cara produk "sembang dengan pangkalan pengetahuan anda" berfungsi di sebalik tabir, dan kenapa ia boleh memetik sumber. RAG mengurangkan halusinasi tetapi mewarisi kualiti apa sahaja yang diambilnya.

Embedding

Embedding ialah satu senarai nombor yang mewakili makna sekeping teks.

Teks dengan makna yang serupa mendapat nombor yang berdekatan, yang membolehkan perisian mencari petikan berkaitan secara matematik. Embedding adalah jentera di sebalik carian semantik dan RAG.

Pangkalan data vektor

Pangkalan data vektor ialah pangkalan data yang dibina untuk menyimpan embedding dan mencari yang terdekat dengan pantas.

Jika produk berkata ia telah "mengindeks" dokumen anda untuk carian AI, satu embedding bagi setiap cebisan sedang duduk dalam salah satu daripada ini.

Carian semantik

Carian semantik ialah mencari teks mengikut makna berbanding memadankan kata kunci.

Mencari "masalah wang" boleh mengeluarkan petikan tentang tekanan aliran tunai walaupun tiada perkataan yang sepadan. Ia adalah embedding yang digunakan untuk bekerja.

Chunking

Chunking ialah memecahkan dokumen panjang kepada kepingan yang cukup kecil untuk di-embed dan diambil semula dengan baik.

Ia berbunyi seperti kerja paip dan memang begitu, tetapi chunking yang buruk adalah sebab biasa alat sembang dokumen menjawab daripada bahagian fail yang salah.

Carian web (dalam AI)

Carian web dalam AI bermaksud model mengambil halaman semasa sebelum menjawab, berbanding bergantung pada ingatan latihan.

Ia menukar kelajuan dengan kesegaran dan membolehkan jawapan membawa petikan yang boleh anda buka. Bagi apa-apa selepas tarikh had pengetahuan model, ia adalah perbezaan antara jawapan dan tekaan.

Pangkalan pengetahuan

Pangkalan pengetahuan ialah set dokumen terpilih yang diberi syarikat kepada AI-nya untuk menjawab daripadanya.

Kualiti masuk, kualiti keluar: pembantu yang berasaskan wiki yang lapuk dengan yakin memberi jawapan lapuk, lengkap dengan petikan.

Tiga istilah dalam glosari ini menamakan jawapan yang bersaing bagi soalan yang sama, iaitu bagaimana menjadikan model lebih baik pada tugas anda, dan mengelirukan ketiga-tiganya adalah kesilapan jargon paling biasa dalam mesyuarat produk. Bersebelahan:

Pendekatan	Apa yang berubah	Kos dan kelajuan	Bila ia menang
Prompting lebih baik (zero-shot, few-shot)	Hanya teks yang anda hantar	Percuma, mengambil masa beberapa minit	Hampir selalu langkah pertama; dua atau tiga contoh yang dikerjakan membetulkan kebanyakan masalah pemformatan
RAG	Apa yang dibaca model sebelum menjawab	Sederhana untuk dibina, tiada latihan semula	Jawapan yang perlu kekal terkini atau memetik dokumen anda sendiri
Fine-tuning	Parameter model itu sendiri	Perlahan dan mahal, kemudian tetap	Keperluan gaya dan format yang stabil pada skala besar, hampir tidak pernah bagi individu

Melangkaui teks

Multimodal

Multimodal bermaksud model yang berfungsi merentas lebih daripada satu medium, seperti teks ditambah imej, audio, atau video.

Itulah sebabnya anda boleh mengambil tangkapan skrin ralat dan bertanya apa yang salah. Panduan AI multimodal merangkumi apa yang benar-benar berfungsi hari ini.

Model penglihatan

Model penglihatan ialah model yang boleh mentafsir imej: foto, tangkapan skrin, carta, dan dokumen.

Membaca tidak sama dengan menjana; model boleh menerangkan gambar rajah anda dengan sempurna dan masih tidak dapat melukis satu.

Penjanaan imej

Penjanaan imej ialah menghasilkan imej baharu daripada penerangan teks.

Kualiti, julat gaya, dan pemaparan teks di dalam imej berbeza dengan ketara antara penjana, itulah sebabnya pengguna serius membandingkan beberapa. Senarai penjana imej kekal terkini dalam bidang ini.

Model diffusion

Model diffusion menjana imej dengan bermula daripada hingar dan memperhalusinya langkah demi langkah ke arah penerangan itu.

Ia adalah teknik dominan di sebalik penjana imej moden. Perkataan itu kebanyakannya penting supaya "diffusion" dalam nama produk memberitahu anda apa yang dilakukan produk itu.

Pertuturan ke teks

Pertuturan ke teks ialah mentranskripsikan audio pertuturan kepada perkataan bertulis.

Transkripsi moden cukup tepat untuk menjadikan mesyuarat, nota suara, dan temu bual boleh dicari, dan begitulah cara input suara dalam aplikasi sembang berfungsi.

Teks ke pertuturan

Teks ke pertuturan ialah menjana audio pertuturan daripada perkataan bertulis.

Sistem semasa menghasilkan suara yang semula jadi dan ekspresif, yang menggerakkan ciri baca-lantang dan perbualan suara AI.

Ekosistem itu

API

API ialah pintu programatik yang digunakan pembangun untuk menghantar prompt kepada model daripada perisian mereka sendiri.

Harga API adalah setiap token, yang mana itulah asal ekonomi setiap jawapan bagi setiap produk AI.

Pemberat terbuka (Open weights)

Pemberat terbuka bermaksud parameter terlatih model diterbitkan untuk dimuat turun dan dijalankan sesiapa sahaja.

Ia membolehkan self-hosting dan membenarkan penyedia lain menyajikan model itu pada infrastruktur mereka sendiri. DeepSeek dan Llama adalah contoh yang terkenal.

Model sumber terbuka

Model sumber terbuka, secara longgar, ialah model yang dikeluarkan untuk kegunaan dan pengubahsuaian awam, walaupun lesen berbeza dengan meluas.

Soalan praktikal sentiasa sama dua: bolehkah anda menggunakannya secara komersial, dan siapa yang menganjurkannya untuk anda. Ekosistem pemberat terbuka paling penting apabila privasi atau kos menyingkirkan model unggulan yang dianjurkan.

Penanda aras

Penanda aras ialah ujian piawai yang digunakan untuk menilai dan membandingkan model.

Berguna untuk potongan pertama, sering dioptimumkan berlebihan dalam pemasaran. Model yang mengetuai satu penanda aras masih boleh kalah pada kerja sebenar anda, itulah sebabnya menjalankan perbandingan tiga tugas anda sendiri mengatasi membaca carta.

Agent

Agent ialah sistem AI yang mengambil tindakan dalam beberapa langkah ke arah satu matlamat, berbanding hanya menjawab sekali.

Menempah, menyelidik, mengekod, dan memfailkan tiket adalah wilayah agent. Keupayaan itu benar dan bertambah baik dengan pantas; begitu juga keperluan untuk menyemak apa yang dilakukan agent sebelum ia penting.

Penggunaan alat (Tool use)

Penggunaan alat, atau function calling, ialah model memanggil keupayaan luaran seperti carian, kalkulator, kod, atau kalendar anda.

Beginilah cara pembantu sembang bertindak ke atas dunia berbanding hanya menerangkannya, dan ia adalah mekanisme di bawah agent.

Reasoning model

Reasoning model ialah satu yang membelanjakan daya pengkomputeran tambahan berfikir melalui masalah secara dalaman sebelum menjawab.

Pertukarannya ialah masa dan kos untuk ketepatan pada masalah sukar. Bagi soalan mudah, pemikiran tambahan itu tidak membeli apa-apa, yang mana itu satu lagi hujah untuk menukar model mengikut tugas.

Latensi

Latensi ialah berapa lama anda menunggu antara menghantar prompt dan jawapan tiba atau mula streaming.

Ia berbeza mengikut saiz model, beban, dan sama ada model itu adalah reasoning model. Bagi kerja interaktif, model pantas yang cukup baik selalunya mengatasi model yang cemerlang tetapi perlahan.

Had kadar (Rate limit)

Had kadar ialah siling yang diletakkan penyedia pada berapa banyak permintaan atau token yang boleh anda gunakan dalam satu tingkap masa.

Melanggarnya adalah sebab biasa produk sembang memberitahu anda untuk menunggu atau naik taraf. Had mesej pada pelan langganan adalah had kadar dengan penjenamaan yang lebih mesra.

Mengekalkan glosari ini berguna

Istilah cepat lapuk dalam bidang ini. Halaman ini dikekalkan sebagai rujukan: entri ditulis semula apabila penggunaan berubah, dan panduan mendalam yang dipautkan membawa butiran yang tidak muat dalam satu definisi.

Jika istilah yang anda temui di luar sana tiada di sini, laluan paling pantas ialah menampal ayat tempat anda menjumpainya ke dalam model yang berkeupayaan dan meminta definisi dalam konteks. Dalam Whizi anda boleh bertanya dua model sekaligus dan perasan apabila mereka tidak bersetuju, yang mana bagi jargon baharu ternyata agak kerap.