AI 詞彙掃盲：這 14 個名詞你都聽過，但未必說得清

開會時有人說「這超出 context window 了」，你點頭如搗蒜，心裡卻默默祈禱沒人追問細節？別擔心，多數人都是這樣。這些詞不難，只是很少有人用人話解釋給你聽。

我從 Anthropic 官方的一份詞彙表裡挑出 14 個日常對話最常出現、也最值得搞懂的詞，按「模型是什麼、怎麼學、用起來會撞到什麼、進階概念」四組整理。每個詞除了定義，我都補一句「這對你實際用 AI 的意義」。

第一組：模型的本體

大型語言模型（LLM）：用海量文本資料訓練出來、能理解與生成人類語言的生成式 AI 系統。你每天對話的 AI 助理，核心就是一個 LLM。順帶一提，Claude 就是 Anthropic 開發的大型語言模型家族。

參數（Parameters）：模型內部的數學數值，決定它怎麼處理資訊、怎麼把語言的各個片段關聯起來。現代 LLM 的參數以數十億計。你可以把參數想成模型「學到的一切」的儲存形式：訓練就是在調這些數值。

Transformer 架構：2017 年出現的突破性 AI 設計，讓模型能平行處理文字序列，同時「注意」長篇文字中詞與詞之間的關係。今天所有主流 LLM 都建立在它之上；沒有它，就沒有這一波生成式 AI。

第二組：模型是怎麼學出來的

預訓練（Pre-training）：訓練的第一階段，模型從海量文本中學習模式，建立對語言與知識的基礎理解。方法說穿了是「學會預測接下來的字」，但要預測得準，就得把語言與世界的規律內化進參數裡。

微調（Fine-tuning）：預訓練之後的追加訓練，讓模型學會遵循指示、給出有幫助的回應、避免產生有害內容。一個模型「像不像好用的助理」，主要看這個階段。

第三組：使用時一定會撞到的五個詞

context window 上下文窗口：AI 一次能考慮的資訊量，包括對話歷史與你分享的文件，上限依模型而異。長對話後段它「忘記」開頭的設定，就是撞到了這個上限。實務對策：重要背景在長對話中適時重講，超長文件分段處理。

hallucination 幻覺：AI 自信地說出聽起來合理、實際上不正確的內容，是一種錯誤類型。它不是故障，而是「用模式生成文字」這個機制的天生副作用。對策就是 4D 裡的判別與盡責：關鍵事實查證後再用。

知識截止日（Knowledge cutoff date）：模型內建知識的時間邊界，由訓練時間決定，之後發生的事它不知道。問時事前先想起這個詞，可以避免很多誤會。

temperature 溫度：控制回應隨機程度的設定。有個比喻很好記：溫度高像沸水冒泡，輸出多變有創意；溫度低像冰晶，輸出穩定可預測。

bias 偏誤：AI 輸出中系統性地偏袒或不利某些群體或觀點的模式，通常反映了訓練資料裡的模式。它提醒我們：AI 的「中立」不能假設，涉及人與群體的判斷要特別留意。

第四組：進階概念與提示技巧

RAG 檢索增強生成：把模型接上外部知識來源的技術，回答前先檢索資料再生成，用來提升準確度、減少幻覺。企業內部知識庫問答幾乎都靠它。

推理模型（Reasoning models）：特別設計來一步一步思考複雜問題的模型類型，在需要邏輯推理的任務上表現更好。遇到規劃、數學、多條件判斷類的任務，值得優先考慮。

思維鏈提示（Chain-of-thought prompting）：鼓勵 AI 一步一步拆解問題再作答的提示技巧。把複雜任務切成小步驟，AI 跟得上你的思路，結果也更好檢查。

few-shot 少量示範（n-shot prompting）：用幾個「輸入對輸出」的範例教 AI 你要的模式，n 指範例數量。與其長篇解釋，不如給兩三個好範例，模型抓模式的能力比你想像的強。

怎麼把這些詞真正變成自己的

背定義沒有用，把詞接到自己的經驗上才有用。我建議一個小練習：回想你最近一次 AI 用起來不順的經驗，試著用今天的詞彙重新描述它。「它後面都忘記我前面的設定」變成「撞到 context window 上限」；「它編了一個不存在的來源」變成「hallucination，我部署前該查證」。

當你能用這些詞準確描述問題，你就已經比多數人更接近解法了。

也別忘了這些詞彼此是連動的：預訓練決定了模型懂什麼、知識截止日在哪；微調決定了它好不好指揮；context window 決定了你能餵多少材料；hallucination 與 bias 決定了哪些產出需要查核；而 RAG、思維鏈、few-shot 則是把這些限制補起來的工具。詞彙表讀熟了，其實你也就把生成式 AI 的運作全貌走過一遍了。