跳到主要內容
Zubnet AI › 學習 › Wiki

AI 維基 — 第 4 頁,共 10 頁

AI概念,由建造者解釋,而非教科書。沒有術語牆。沒有學術門檻。清晰、實用的定義。

454 術語 8 分類 2026-11-22 更新
💡
每日術語
提示快取
一種在多次 API 呼叫之間儲存和重複使用已處理的提示前綴的技術,避免冗餘計算。如果你每次請求都發送相同的系統提示和文件上下文(這很常見),提示快取只處理一次並在後續請求中重複使用快取的計算結果。這減少了延遲和成本。
→
本頁沒有符合篩選條件的術語。

第 151–200 個術語,共 454 個 · 第 4 頁,共 10 頁

篩選本頁

Facial Recognition別名:人臉辨識、Face ID
安全
從影像或影片中辨識或驗證一個人的身分。驗證(Verification)問的是「這個人是否是他們聲稱的人?」(1:1 匹配,用於手機解鎖)。辨識(Identification)問的是「這個人是誰?」(1:N…
Falcon別名:TII Falcon、Falcon LLM
模型
Falcon 是由阿布達比先進技術研究委員會旗下的應用研究機構——技術創新研究院(TII)——打造的開放權重大型語言模型系列。2023 年,Falcon 的 40B 與 180B 模型登上 Hugging Face 開放 LLM…
特徵別名:學習到的表示、啟動
基礎
神經網路學習在其輸入中偵測的模式或概念。在視覺中,早期層的特徵是邊緣和紋理;後期層的特徵是物體部件和完整物體。在語言模型中,特徵從簡單的(字母「a」、特定語法模式)到抽象的(諷刺的概念、特定推理策略)不等。特徵被表示為跨神經元的啟動模式。
聯邦學習別名:FL、協作學習
訓練
一種在不共享原始資料的情況下跨多個裝置或組織訓練模型的方法。每個參與者在自己的資料上訓練模型的本地副本,並僅將模型更新(梯度)發送給中央協調者,而非將資料發送到中央伺服器。協調者匯總所有參與者的更新以改進全域模型。
前饋網路FFN、MLP 區塊
基礎
Transformer 每一層中的組件,透過兩個線性轉換和之間的啟動函數獨立處理每個 token。注意力在 token 之間混合資訊(哪些 token 與哪些相關),而前饋網路獨立處理每個 token…
使用AI
在提示詞中提供範例輸入-輸出配對。零樣本(zero-shot)= 無範例,少樣本(few-shot)= 2–10 個範例。模型無需訓練即可學會模式。
微調別名:Fine-tuning
訓練
透過在較小且特定的數據集上進一步訓練預訓練模型,使其行為更加專門化。就像讓全科醫生接受外科住院醫師訓練—相同的基礎知識,新的專業技能。
Fireworks AI別名:Fireworks、fireworks.ai
公司
一個 AI 推論平台,透過高速、按用量付費的 API 提供開放權重模型。它由 Meta PyTorch 團隊的工程師於 2022 年創立,既提供按 token 計費的無伺服器端點,也為高流量工作負載提供專用 GPU…
Flash AttentionFlashAttention、FlashAttention-2
基礎設施
一種 GPU 最佳化的注意力機制實作,比標準注意力快 2–4 倍,且顯著減少記憶體使用。Flash Attention 的實現方式不是改變注意力計算的內容,而是重新組織計算在 GPU 硬體上的執行方式——最小化 GPU HBM 和晶片上…
FLOPs別名:浮點運算、FLOP/s、算力
基礎
浮點運算 — AI 中計算工作量的標準衡量單位。訓練一個模型需要一定數量的 FLOPs(總操作數)。硬體以 FLOP/s(每秒操作數)評定。一個 H100 GPU 在 FP16 下可以執行約 2,000 TFLOP/s(每秒 2…
模型
生成式技術:學習從雜訊到資料的平滑、直接路徑。比擴散模型以更少的步驟達到可比的品質。
FLUX別名:FLUX.1、FLUX.2、FLUX Kontext
模型
Black Forest Labs 的影像生成與編輯模型家族,以出色的提示遵循、清晰可讀的文字和開放權重版本著稱。
基礎
一個基於廣泛資料訓練的大型模型,作為許多不同任務的基礎。Claude、GPT、Gemini 和 Llama…
Function Calling別名:工具呼叫、Tool Use API
使用AI
AI 模型在對話過程中請求執行外部函數的結構化方式。你定義具有名稱、描述和參數模式的函數。當模型判斷某個函數有助於回答查詢時,它會輸出結構化的函數呼叫(帶有參數)而非文本。你的程式碼執行該函數並將結果返回給模型以納入回應。
GAN別名:生成對抗網路
模型
一種模型架構,其中兩個神經網路相互競爭:生成器產生假資料,而判別器試圖分辨真假。透過這種對抗訓練,生成器會變得更擅長產生逼真的輸出。從2014年至約2022年主導影像生成技術。
Gemini別名:Google Gemini、Bard
模型
Google 的旗艦大型語言模型家族,由 Google DeepMind 打造,是 PaLM 與 Bard 聊天機器人的後繼者。這些模型天生就是多模態的 — 從一開始就在文字、圖像、音訊和影片上訓練 — 層級從裝置端的 Nano…
Gemma別名:Google Gemma、Gemma 3
模型
Google 推出的開放權重語言模型家族,由 Google DeepMind 以 Gemini 背後的同一套研究與技術打造。Gemma 從設計之初就走小模型路線——參數規模從 10 億到 270…
生成式 AI別名:GenAI
基礎
人工智慧系統會生成新的內容——文字、圖片、音訊、影片、程式碼、3D模型——而非僅分析或分類現有資料。生成式人工智慧是涵蓋從ChatGPT寫作文章到Stable…
GEO別名:Generative Engine Optimization、生成式引擎最佳化、AEO、LLMO
使用AI
讓內容更容易被 ChatGPT、Perplexity 和 Google 的 AI Overviews 等 AI 回答引擎找到、引用和推薦的做法。
GGUFGGML 統一格式
基礎設施
透過 llama.cpp、Ollama 和其他本機推理工具在本機執行量化語言模型的標準檔案格式。GGUF 檔案包含量化格式的模型權重(將精度從 16 位元降至 4 位元或 8…
GitHub Copilot別名:Copilot
工具
GitHub 與 OpenAI 合作打造的 AI 程式編寫助手,於 2021 年推出,普遍被視為第一個主流 AI…
GNN圖神經網路
模型
設計用於在圖結構資料上運作的神經網路——資料中的實體透過關係連接(社交網路、分子、知識圖譜、交通網路)。GNN 透過在連接的節點之間傳遞訊息來學習,讓每個節點根據其鄰居更新其表示。它們處理不適合網格(影像)或序列(文字)的資料。
古德哈特定律別名:Goodhart's Law、坎貝爾定律、考試領導教學
基礎
一條觀察結論,說的是一旦某個度量成了目標,它就不再是好的度量,這解釋了 AI 基準為什麼會失效、獎勵訊號為什麼會被鑽漏洞。
Google別名:Alphabet、Google AI、Google Cloud
公司
發明了 Transformer 的搜尋巨頭,如今打造 Gemini、TPU,以及遍布搜尋、Android 和 Workspace 的 AI 功能。
Google DeepMind別名:Gemini、AlphaGo、AlphaFold
公司
Google 的統一 AI 研究部門,由 DeepMind 與 Google Brain 於 2023 年合併而成。推動 Gemini、AlphaGo、AlphaFold 等,以及許多推動現代 AI 的基礎研究。
GPT別名:ChatGPT、GPT-4、GPT-5
模型
GPT(Generative Pre-trained Transformer)是 OpenAI 的大型語言模型家族:採用僅含 Decoder 的 Transformer 架構,先透過預測下一個 token…
GPU別名:圖形處理器
基礎設施
最初設計用於渲染圖形的 GPU,結果證明其非常適合用於 AI,因為它們可以同時執行數千個數學運算。訓練和運行 AI 模型基本上就是大規模矩陣乘法 — 這正是 GPU 所設計用來處理的。NVIDIA 在這個市場中佔據主導地位。
GQA別名:分組查詢注意力
基礎
一種注意力變體,多個查詢頭共享單一的鍵值頭,減少 KV 快取大小而不顯著降低品質。GQA 不是每個查詢頭都有自己的 K 和 V 投影(標準 MHA),而是讓一組查詢頭共享 K 和 V 投影。Llama 2…
梯度累積別名:Gradient Accumulation、累積梯度、虛擬批次大小
訓練
一種訓練技巧,先把幾個小批次的梯度加在一起再更新權重,從而在記憶體有限的情況下模擬大批次。
梯度提升別名:Gradient Boosting、決策樹、Decision Trees、XGBoost、LightGBM、GBDT
基礎
一種經典的機器學習方法,依次建構許多小決策樹,每一棵都糾正前面那些樹的錯誤,至今仍是表格類資料的首選。
梯度檢查點別名:激活檢查點、重新具體化
訓練
一種以計算換記憶體的訓練節省記憶體技術。梯度檢查點不是儲存前向傳遞中的所有中間激活(反向傳播所需),而是只在某些「檢查點」層儲存激活,在反向傳遞期間重新計算其他的。這可以將記憶體使用量減少多達 5–10 倍,代價是大約 30% 的額外計算。
Gradient Descent(梯度下降)別名:隨機梯度下降、反向傳播
訓練
透過計算梯度並沿著下坡方向調整參數來反覆降低損失。反向傳播(Backpropagation)能高效地計算各層的梯度。
GraphRAG別名:Graph RAG、Knowledge Graph RAG、知識圖譜 RAG
使用AI
檢索增強生成的一種形式,先把文件轉成知識圖譜,使系統能夠回答橫跨許多文件的問題。
Grok別名:xAI Grok
模型
Grok 是由 Elon Musk 的人工智慧公司 xAI 打造的大型語言模型家族,也是這些模型所驅動的聊天機器人助手的名稱。它的特色在於與 X 社交網路的深度整合,可即時存取公開貼文,並且在內容限制上採取比競爭對手助手更寬鬆的立場。
Grokking別名:Delayed Generalization、延遲泛化、頓悟
訓練
一種訓練現象,網路先把訓練資料死記硬背下來,過了很久之後才突然學會一般規律。
Groq別名:Groq LPU
公司
專為 AI 推理設計的自研晶片(LPU)。專為序列性詞元生成打造。500–800 tok/s,通常比 GPU 快 10 倍。
事實接地別名:Grounding
使用AI
將模型的回應與事實性且可查證的來源相連接,而非僅依賴其訓練數據。接地技術包括 RAG、網頁搜索整合與引用要求。接地回應會說明「根據 [來源]」,而非僅斷言事實。
GRPO別名:Group Relative Policy Optimization、群體相對策略最佳化
訓練
一種用於微調語言模型的強化學習演算法,由 DeepSeek 於 2024 年提出,並因 DeepSeek-R1…
護欄別名:Guardrails
安全
防止 AI 模型生成有害、不適當或離題內容的安全機制。這些安全機制可以在模型訓練期間內建(如 RLHF),透過系統提示進行應用,或由外部過濾器在內容傳達給使用者前進行檢查與強制執行。
Guidance Scale別名:CFG 比例、無分類器引導
使用AI
控制影像生成模型遵循文字提示強度的參數。低引導(1–3):模型自由生成,產生多樣但可能偏離主題的影像。高引導(7–15):模型嚴格遵循提示,但可能產生飽和度過高、帶有瑕疵的影像。通常的最佳範圍是…
使用AI
當 AI 模型生成看似自信且合理,但事實上錯誤或完全捏造的資訊時。模型並不是在「撒謊」— 它只是透過模式匹配來產生流暢的文本,而沒有真理的概念。虛假的引用、捏造的統計數據,以及不存在的 API 方法都是常見的例子。
HBM別名:High Bandwidth Memory、高頻寬記憶體
基礎設施
堆疊起來並緊挨著 AI 處理器封裝的記憶體晶片,提供大模型所需的容量和速度,也是 AI 晶片供應鏈中的關鍵瓶頸。
HeyGen別名:AI 數位人影片、唇形同步配音
公司
專注於生成寫實對話頭像與自動口型同步配音的AI影片平台。被企業用於行銷、培訓和本地化——將一個影片轉換為數十種語言,並搭配同步的口型動作。
HiDream別名:HiDream 圖像生成模型
公司
崛起中的影像生成公司,正在開發高品質的擴散模型。他們的開放權重版本在創意AI社群中受到關注,因其強大的提示遵循能力與視覺品質。
Hugging Face別名:HF
公司
開源 AI 的中心樞紐。500K+ 模型、100K+ 資料集、Transformers 程式庫、Spaces。AI 界的 GitHub。
人工評估別名:人工評測、手動評估
基礎
通過讓人類直接判斷來評估 AI 輸出品質。人類評估流暢性、準確性、有用性、安全性,以及輸出是否真正符合要求。儘管昂貴且緩慢,人工評估仍然是黃金標準,因為自動化指標往往忽略了對使用者真正重要的東西。
人在迴路別名:Human-in-the-Loop、HITL、人工監督
使用AI
一種設計方式,讓人在規定的節點上審核、批准或糾正 AI 系統的工作,而不是讓它完全自行運轉。
Humanity's Last Exam別名:HLE、人類最後的考試
訓練
一個由 2,500 道專家編寫、處於人類知識邊界的題目組成的基準,在 2025 年專門為了讓當時最好的 AI 模型不及格而打造。
Hume別名:共情語音介面、情緒辨識
公司
專注於開發能理解並表達人類情感的人工智慧公司。其 Empathic Voice Interface 可即時偵測語調、情感與情緒脈絡,使人工智慧對話能回應的不只是你說的話,還有你說話的方式。
ESC