現今 AI 術語無所不在，當每個人彷彿都在說著不同的語言時，很容易讓人感到不知所措。如果你曾在某次對話中聽到有人提及「沙盒」、「RAG」或「MCP」，卻在會議中一邊點頭一邊暗自困惑這些詞到底代表什麼，那麼這份指南就是為你準備的。
科技日新月異，但理解基礎概念並不需要技術背景。以下是你最常遇到的 AI 詞彙的簡明解析，用白話文解釋，並按步就班幫助你逐步建立理解。
1. 核心 AI 概念
AI 模型
把 AI 模型想像成一個能模仿人類思考的聰明電腦程式。你給它一些輸入——例如一個問題或一張圖片——它就會處理這些資訊並產生有意義的輸出。模型透過分析大量範例、辨識模式，並逐步改善理解與回應能力來學習。
想更深入了解 AI 模型及如何高效部署，請查看我們的 Novita AI 模型部署指南。
神經網路
將神經網路想像成大腦的簡化版。它由互相連接的節點（稱為人工神經元）組成，彼此傳遞資訊，就像我們腦袋裡的神經元一樣。這些網路透過調整節點之間的連接權重（就像我們從經驗中學習一樣）來變得善於辨識模式和做出決策。神經網路按層組織：輸入層接收資料，隱藏層透過複雜的數學函數處理資料，輸出層則產生最終結果。深度學習中的「深度」指的是擁有許多隱藏層的網路，這讓它們能學習越來越複雜的模式。
Transformer 架構
Transformer 是讓現今智慧 AI 成為可能的突破性技術。在 2017 年之前，AI 必須逐字閱讀文字，就像用手指逐字跟讀一本書。Transformer 改變了這點，它讓 AI 能同時看到句子中的所有單詞，並透過一種稱為「注意力」的機制來理解它們之間的關係。這就像一次讀一個字與瞬間理解整個句子之間的差異。注意力機制讓模型在產生輸出的每個部分時，能專注於輸入中的相關部分，從而在理解語言的上下文和關係上更加有效。
大型語言模型 (LLM)
LLM 是專門訓練來理解與生成人類語言的 AI 模型。它們閱讀數十億個單詞，並學習預測句子中接下來的內容，從而能夠撰寫文章、回答問題或自然地聊天。在訓練過程中，它們分析文字中的模式以理解文法、上下文和意義。現代的 LLM 已發展成多模態模型，意味著它們不僅能處理文字，還能處理圖片、音訊等——全部在同一個介面中完成。例如，GPT-4o 可以同時接受文字、語音和圖片，使互動更豐富且更多元。「大型」指的是儲存模型學習知識的龐大參數量（通常有數十億個）。
通用人工智慧 (AGI)
AGI 是 AI 的聖杯——一個在所有領域都與人類一樣聰明，而不僅限於特定任務的系統。雖然現今的 AI 在特定領域（如寫作或圖像辨識）表現出色，但 AGI 在創造力、推理、學習和解決問題方面將能夠匹敵人類智慧。從科學角度來看，達成 AGI 需要解決基礎挑戰，包括遷移學習（跨領域應用知識）、少樣本學習（從極少範例中學習）、因果推理，以及開發更高效的學習演算法。目前的 AI 系統被視為「狹義」，因為它們擅長特定任務，但缺乏人類認知所具備的通用智慧與適應性。
AI 對齊
AI 對齊是指確保 AI 系統想要人類想要的東西，並以幫助而非傷害我們的方式運作。隨著 AI 變得越來越強大，確保它與我們的價值觀和目標一致變得日益重要。可以把它想成是確保 AI 站在我們這邊。這涉及技術挑戰，例如價值學習（教導 AI 理解人類偏好）、穩健性（確保 AI 在新情況下行為正確），以及可解釋性（理解 AI 為何做出特定決策）。對齊研究也處理哲學問題，例如該對齊誰的價值觀，以及如何處理相互衝突的人類偏好。
2. 資料與訓練
訓練資料
訓練資料簡單來說就是用來教導 AI 模型的所有資訊——把它想成 AI 的教科書。對於語言模型來說，這包括數百萬本書籍、網站、新聞文章和其他書面內容。這個「閱讀素材」越多樣且高品質，AI 在處理不同主題和情境時就會表現得越好。資料品質至關重要：有偏誤或不正確的訓練資料會導致有偏誤或不正確的 AI 輸出。訓練過程涉及向模型展示無數範例，讓它從中學習資料中的統計模式和關係。
預訓練
預訓練就像 AI 去上小學——這是模型學習基礎知識的階段。在此階段，AI 閱讀大量文字，學習關於語言的基本模式、世界的事實以及如何推理。這本質上是 AI 在專精於任何特定領域之前的通識教育。預訓練使用無監督學習，意味著模型在沒有明確標籤或答案的情況下學習模式。這個階段計算成本高昂，通常需要在強大的電腦叢集上花費數週或數月，但它建立了可應用於許多不同任務的通用知識基礎。
微調
微調就像畢業後的專業培訓。一旦 AI 透過預訓練獲得了通識教育，就可以針對特定類型的內容或任務進行進一步訓練。例如，一個通用 AI 可以在醫學期刊上進行微調，以更好地回答醫療保健問題，或者根據客戶服務對話進行訓練，以採用公司特定的語氣和風格。這個過程所需的資料和運算資源遠少於預訓練，因為模型已經理解了語言的基本原理。微調會調整模型的參數，以優化其在特定領域或應用中的表現，同時保留通用能力。
從人類回饋中進行強化學習 (RLHF)
RLHF 就像讓人類老師給 AI 的作業打分數，並告訴它什麼才是一個好答案。人類會對不同的 AI 回應進行評分，模型則學習產出人們認為有用、準確且恰當的輸出。這個過程對於讓 AI 系統按照我們期望的方式運作至關重要。RLHF 通常包含三個步驟：根據人類偏好訓練一個獎勵模型，使用強化學習根據這個獎勵模型優化 AI 的行為，並透過更多人類回饋進行迭代改進。這項技術有助於將 AI 行為與人類價值觀對齊，並減少有害或不需要的輸出。
3. 輸入與輸出機制
Token
Token 基本上是 AI「計算」文字的方式——大約一個單詞對應一個 token，但也可以是單詞的一部分、標點符號，甚至空白。AI 模型一次能處理的 token 數量有限（稱為上下文視窗），這就是為什麼它們有時無法處理非常長的文件或記住冗長對話中的所有內容。不同的語言和書寫系統需要不同的 tokenization 策略。理解 token 很重要，因為 AI 模型會依序將文字作為 token 進行處理，而 token 限制同時決定了輸入長度和對話過程中的記憶範圍。
推論
推論就是 AI 執行工作時的時刻——接收你的輸入並產生輸出。當你在 ChatGPT 中輸入問題並獲得回答時，這就是推論在發生。它不同於訓練，訓練是 AI 從資料中學習的階段。在推論期間，模型使用它學到的參數來處理新的輸入並產生回應。這個過程比訓練快得多，且資源密集度較低，但對於大型模型來說仍需要大量的運算能力。推論的品質取決於模型的訓練情況以及輸入與模型之前所見模式的匹配程度。
提示工程
提示工程是一門藝術與科學，關於如何以正確的方式向 AI 提出正確的問題。就像向一個人提出清晰、具體的問題比模糊的問題能得到更好的答案一樣，精心設計提示可以顯著改善你從 AI 獲得的結果。有效的提示通常包含清晰的指令、相關的上下文、所需輸出格式的範例，以及特定的限制或要求。進階技巧包括思維鏈提示（要求 AI 展示其推理過程）、少樣本學習（提供範例），以及提示串聯（將複雜任務分解為步驟）。目標是清晰地傳達意圖，同時最佳化利用模型的能力。
幻覺
當 AI 「產生幻覺」時，它在編造聽起來很有說服力但卻不真實的內容。當 AI 試圖填補其知識空白，或者被問及它不太了解的事情時，就會發生這種情況。就像有人自信地為你指路到一個他們從未去過的地方——自信並不能讓方向正確。幻覺的發生是因為語言模型被訓練成產生聽起來合理的文字，而不一定是準確的資訊。它們可以在保持自信語氣的同時捏造事實、引用或細節。理解這個限制對於負責任地使用 AI 至關重要，而事實查核和來源驗證等技術仍然很重要。
4. AI 工具與進階應用
應用程式介面 (API)
API 就像餐廳裡的服務生——它把你的點餐（請求）送到廚房（AI 系統），然後把你的餐點（回應）帶回來。在 AI 領域中，API 讓不同的軟體程式能夠與 AI 模型溝通，而無需從頭開始建構 AI。公司可以透過 API 插入現有的 AI 服務。API 定義了請求和回應的特定格式，包括最大輸出長度、創意程度（溫度）和回應格式等參數。它們處理驗證、速率限制和錯誤管理，讓開發人員能輕鬆地將 AI 功能整合到應用程式、網站或服務中，而無需深厚的 AI 專業知識。
多模態 AI
多模態 AI 可以同時處理不同類型的內容——文字、圖片、語音和影片。就像與一個能同時看到你展示的東西、聽到你說的內容、讀到你寫的文字的人對話一樣。這使得 AI 互動感覺更加自然、更像人類。多模態模型針對不同輸入類型使用不同的神經網路架構（用於圖片的視覺 transformer、用於聲音的音訊編碼器），但將它們統一到一個表示空間中。這讓 AI 能夠理解不同模態之間的關係，例如描述影片中發生的事情，或回答關於圖片的問題。
檢索增強生成 (RAG)
RAG 就像在回答問題時讓 AI 能使用一個最新的圖書館。RAG 系統不是僅使用它在訓練中學到的知識，而是可以搜尋最新的資料庫和文件，找到相關資訊，然後再產生回應。這有助於確保答案準確且即時。RAG 分兩步運作：首先，檢索系統根據查詢搜尋相關文件或資訊；然後，語言模型使用其訓練知識和檢索到的資訊來產生回應。這種方法減少了幻覺，讓 AI 能取得最新資訊，並允許 AI 使用專有或專業的知識庫。
這篇文章讓你了解更多：什麼是 RAG：檢索增強生成全面介紹
沙盒
沙盒就像 AI 的安全遊戲圍欄——一個安全、隔離的環境，AI 可以在其中執行程式碼、使用工具或進行實驗，而不會對你的主要系統造成任何風險。就像讓孩子在一個有圍欄的區域裡玩耍，他們無法打破任何重要的東西。沙盒使用容器化、虛擬機器或其他隔離技術來建立受控環境，限制對系統資源、網路連線和敏感資料的存取。這讓 AI 代理能夠執行程式碼、與 API 互動或測試解決方案，同時防止潛在的安全漏洞、資料損壞或系統損害。
這是一個相當複雜的概念，如果你想深入了解，這裡有我們寫的一篇很棒的文章：代理沙盒如何驅動安全、可擴展的 AI 創新。
LLM 專用端點
LLM 專用端點就像一條直接通往特定 AI 模型的電話線，專為你的特定需求而優化。不是與其他人共享資源，而是獲得一個專用連線，可以根據你的特定使用案例進行自訂。這涉及設定隔離的運算資源（GPU、記憶體、頻寬），並搭配自訂配置，例如回應速度、輸出風格、安全過濾器和效能保證。專用端點提供一致的延遲、更高的吞吐量，以及針對你的應用程式微調模型的能力，同時確保資料隱私並滿足企業安全要求。
這篇文章讓你了解更多：Novita AI 上的 LLM 專用端點：自訂模型、按使用量計價、免 DevOps 擴展。
模型上下文協定 (MCP)
MCP 是一個新興標準，讓 AI 模型能以一致的方式與外部工具和服務連接。AI 不再只是生成文字，現在可以安排你的會議、更新你的行事曆，或從你的資料庫提取資訊。從技術角度來看，MCP 建立了一個標準化的通訊協定，讓 AI 能透過定義好的介面和權限，安全地與不同的軟體系統互動。這將 AI 從被動的回應者轉變為能採取實際行動的主動助手，同時透過受控的存取模式和稽核軌跡來維護安全性。
這裡有一篇文章幫助你了解更多：什麼是 MCP？開發者的模型上下文協定指南。
人工智慧是一個快速演進的領域，它結合了基礎概念、進階工具和倫理考量，創造出能夠改變產業的強大系統。隨著 AI 持續進步，隨時了解其概念和應用是釋放其全部潛力的關鍵。過渡到動手實踐也是跟上最新發展並獲得實作經驗的好方法。
限時優惠，新用戶可領取 $10 美元免費積分，在 Novita AI 上探索並使用 LLM API 進行開發。 不要錯過這個深入 AI 世界並將你的想法付諸實現的機會！
關於 Novita AI
Novita AI 是一個 AI 雲端平台，為開發人員提供使用我們簡單 API 部署 AI 模型的簡易方式，同時也提供經濟實惠且可靠的 GPU 雲端服務，用於建置和擴展。
