AI術語白話解釋：給新手的詞彙表

頭一個小時裡最重要的五個詞

大多數談AI的文章，都預設你懂一套從沒有人教過你的詞彙。但真正實用的部分其實很小。五個詞，就涵蓋了幾乎全部的實用份量，其餘的可以再等好幾個月。

模型（model）指的就是AI本身：讀懂你的文字、產生答案的那套訓練過的系統。應用程式不等於模型。ChatGPT是一款運行OpenAI模型的應用程式，Gemini是一款運行Google模型的應用程式，而Whizi則是一款同時容納好幾家公司模型的應用程式。這個區分，會在你第一次對某個答案感到失望時派上用場，因為換一個模型，通常比換一種問法更有效。

提示詞（prompt）就是你打出來的內容。沒有什麼祕密語法，沒有指令清單，也不用背誦任何東西。一個講清楚輸出是給誰看、要完成什麼任務、你想要什麼格式的平實要求，幾乎每次都會贏過一句耍小聰明的話。

聊天機器人（chatbot）是你打字對話的那個視窗。你在同一段對話裡說過的每一句話，在模型回答的時候都還看得到，這就是為什麼像「改短一點」或「正式一點」這樣的追問，不必你重複原本的要求就能生效。開一段新對話，這份共用的記憶就消失了，這正是話題改變時你想要的效果：留在對話裡、跟新問題無關的舊上下文，是答案聽起來哪裡怪怪的常見原因。

token是一小段文字，大約是四分之三個英文單字。模型讀取、計算和計費的單位是token，不是字數，所以一份1,000字的文件，大約會落在1,300個token左右。你大多會在價格頁面和用量限制裡遇到這個詞。

上下文視窗（context window）指的是模型一次能容納多少文字，以token計算。它必須涵蓋你貼上的文件、目前為止的整段對話，還有正在被寫出來的答案。當你把一份五十頁的合約丟進對話裡，回覆開始悄悄跟第三頁的內容矛盾時，你就找到它的邊界了。什麼是上下文視窗有實際的數字；實用的原則很簡短：一段對話只談一件事，換話題就重新開始。

現在就能做一件相關的事：打開任何一款AI應用程式，用你自己的話，請它解釋一個你這週看到、卻不認識的詞。接著再問第二個問題：「你剛剛假設我已經知道什麼？」這個追問，能把一則定義變成一段解釋，而且不管什麼主題都適用。

不過，還是要拿別的東西來對照查核這個答案。這些系統講錯話的語氣，跟講對話的語氣一模一樣冷靜，而定義類的內容特別容易中招：一個聽起來很合理、卻是編出來的細節，會就這樣從你眼前溜過去，因為你根本沒辦法察覺。這種失誤有個名字，就在下面的表格裡。

詞彙表的其餘部分，以及你現在需不需要知道

這些是等在標題、價格頁面和留言區裡的詞。第三欄才是誠實的部分。這些大多不是第一天就該懂的知識，假裝不是這樣，只會讓新手為了根本不影響自己的事，覺得自己很笨。等你需要更多內容時，完整的AI詞彙表用同樣的白話，定義了55個術語。

術語	白話意思	你現在需要知道嗎？
LLM	大型語言模型（large language model），就是你聽過的每一款聊天應用程式背後那種模型。文章裡寫到LLM，直接當成「AI」來讀就好	需要，這樣標題才不會變成噪音
生成式AI（Generative AI）	任何會產生新文字、圖片、音訊或影片的AI，而不是在整理已經存在的東西	需要，一句話就夠
訓練（Training）	讓模型讀進大量文字、學會規律的那段漫長又昂貴的過程。它在你打開這款應用程式之前就已經完成了	需要，簡單知道就好
訓練截止日（Training cutoff）	訓練資料的截止日期。問任何截止日之後的事，模型都是在猜，除非這款應用程式有搜尋網路	需要，這一項最容易讓人踩雷
幻覺（Hallucination）	一個語氣篤定、寫得流暢，卻完全是捏造出來的答案。是最重要的一項缺陷	需要，第一天就該知道
多模態（Multimodal）	模型能處理的不只文字，還有照片、PDF、音訊，有時候還有影片	需要，你想上傳一張照片的那一刻就用得到
微調（Fine-tuning）	用你自己的資料，重新訓練一個現有模型，讓它變得專精	還不用，這是公司層級的專案
溫度（Temperature）	一個控制措辭隨機程度的旋鈕。低溫比較好預測，高溫比較鬆散	還不用，系統已經幫你選好合理的預設值
代理（Agent）	一種會自己完成好幾個步驟，而不是只回覆一次的AI	還不用，見下一節
API	開發者用來把模型接進自己軟體裡的那套管線	還不用，除非你要寫程式
RAG	檢索增強生成（retrieval augmented generation）：模型在回答之前，先到一個文件庫裡查找資料	還不用，不過任何能根據你上傳的檔案回答的應用程式，背後都是靠這個
開放原始碼模型（Open source model）	一種任何人都能下載並執行其權重的模型，像是Llama或DeepSeek	還不用，對聊天用戶來說差別不大
推理模型（Reasoning model）	一種會先用看得到的步驟推導問題、再回答的模型。比較慢，但在數學和邏輯上比較強	快了，你第一次遇到難題答錯的時候就會用到
系統提示詞（System prompt）	應用程式在你打字之前，就先給模型的隱藏指示	還不用，等你自己打造助理時會用得到

有兩列值得加個註腳。幻覺不是一個偶爾出現、修一修就沒事的小毛病，它是從這些系統產生文字的方式裡自然冒出來的，這也是為什麼為什麼AI會出錯自己就寫成了一整篇指南，而不只是一個條列項目。至於多模態，只要你手上有一張收據的照片、一張錯誤訊息的截圖，或一份要處理的掃描表單，花十分鐘了解它就值回票價。處理圖片和文件展示了這在平凡的星期二會是什麼樣子。

行銷話術裡那些聽起來比實際意義更響亮的詞

廠商並不是真的在說謊。他們用的，是一些曾經有明確意義、現在卻大多只代表「我們推出了些東西」的詞。搞懂這個落差，能讓你不至於為了一個裝著罐頭回覆的下拉選單，多付一筆升級費用。

• 由AI驅動（Powered by AI）。通常代表某一項功能呼叫了別人打造的模型。有時候只是指一個你能關掉的建議欄。值得問的是：是哪個模型，而且它預設是開著的嗎？
• 智慧（Smart）。這個詞比這一整波AI浪潮還早出現，現在幾乎沒什麼意義。一個「智慧資料夾」其實就是一個儲存過的搜尋。一個「智慧回覆」其實就是三句罐頭用語。跳過那個形容詞，去找動詞在哪裡，用這項功能實際對你的工作做了什麼來評斷它。
• 次世代（Next-generation）。一句用未來式包裝的宣稱。它跟「這個產品其實比它取代的上一版還糟」完全不衝突，而且它常常在沒有任何人能講出具體改進之處時才出現。
• AI代理（AI agent）。2026年最努力工作的一個詞。嚴格來說，它指的是能自己規劃並執行好幾個步驟的軟體，像是一路到底幫你訂好一趟旅行。用在行銷裡，它通常只是指一個換了個比較親切頭像的聊天機器人。該問的是：它卡住的時候會怎麼做，還有它能不能不先跟你確認就自己採取行動？
• 以AI為先（AI-first）。這是一句關於內部策略的宣告，跟你使用產品的實際體驗無關。它告訴你的是這家公司的工程預算指向哪裡，而那個方向，可能還沒延伸到你正打算付錢買的那項功能。

有一個問題能戳破這一切：問這項功能出錯的時候會怎麼做。真正內建AI的產品答得出來，答案裡會有審核步驟、一個復原機制、一個信心指標，或一個看得見的來源。只是貼了張標籤的產品，這時就會沉默。

為什麼模型名字看起來像車牌號碼

一個模型的名字，由兩個各自負責不同工作的部分組成。文字的部分是「系列」，也就是一家公司持續開發的產品線：OpenAI的GPT、Anthropic的Claude、Google的Gemini、Meta的Llama。數字和字尾則是「版本」，通常也代表大小，所以同一個系列，可能會在同一個早上，同時推出一個小巧快速的成員，和一個又大又謹慎的成員。看懂一個名字，主要就是把這兩半分開，並忽略中間夾雜的行銷用詞。

你可能已經注意到，這篇文章沒有指名任何一個版本號碼。這是刻意的。版本每隔幾週就會換一次，任何寫死版本號的詞彙表，下一季就會過時。不會變的，是這個選擇本身的形狀。小型模型速度快、成本低，拿來整理一封郵件完全夠用。大型模型比較慢，但在處理長文件和困難推理時表現更好。每個系列也各有各的個性，會表現在語氣上，以及它對你給的來源資料，遵守得有多嚴格。

最新的版本，也不代表自動就適合你的任務。比較新，通常代表基準測試分數比較高，而基準測試衡量的是考試式的題目，不是這篇文字聽起來像不像你。不少人發現，一個比較舊、比較便宜的模型，寫起郵件反而更順手，於是他們把昂貴的模型，留給一週裡那兩件真正棘手的工作。你只有透過把同一項真實任務，拿到兩、三個模型上跑一遍，再把輸出並排閱讀，才會學到這件事，而這正是怎麼選AI模型一步一步帶你做的事。不必付三家供應商的錢就能做到這件事，正是Whizi把GPT、Claude、Gemini和圖片模型全部放進同一份訂閱裡的整個理由。

值得在第三個月學會的五個術語

到了第三個月，你大概已經撞過幾次牆了。這五個詞，就是那幾面牆的名字，這也是為什麼它們值得到那時候再學，而不是現在。

1. 推理模型（Reasoning model）。當一個模型很篤定地把一項多步驟計算，或一道邏輯題搞砸時，這個詞就開始派上用場了。換成推理模型，往往能直接解決問題，代價是答案要等久一點。
2. 系統提示詞（System prompt）。當你發現自己每次開新對話，都在貼上同一段背景說明時，這個詞就變得重要了。把它存成一條固定指示，只做一次，就是解法。
3. RAG。當你希望答案是根據你自己的檔案，而不是整個開放網路來的時候，這個詞就變得重要，例如一個從2019年之後就沒人讀過的政策資料夾。
4. 溫度（Temperature）。當輸出感覺每次都太像，或太反覆無常，而你寧可轉一個旋鈕，也不想一直重新產生時，這個詞就變得重要。
5. 微調（Fine-tuning）。對個人來說幾乎用不上，而且值得知道原因：它要花真金白銀，需要幾百個乾淨的範例，而在人們想像會用到它的幾乎所有場合裡，一個好模型配上一則好提示詞，都能勝過它。

如果你想了解這一切底下的原理，AI究竟是什麼用不涉及數學的方式說明了背後的機制，怎麼跟AI對話則把第一節那段提示詞的內容，變成一種習慣。把這個頁面留在分頁裡一個星期。大概第四次遇到一個你已經認識的詞時，這套詞彙就不會再讓你感到害怕了。