財團法人台灣網路資訊中心（TWNIC）發布的《2025 台灣網路報告》顯示，全台已經有 43.19% 的網路使用者用過生成式 AI，這個比例只花一年就從 2024 年的 26.80% 跳升上來，說明這早就不是一小群人在玩的新奇工具。不過同一份報告也發現一件耐人尋味的事，能判斷 AI 優劣的人比例高達 79.25%，能有效運用 AI 的人卻只有 66.23%，中間這段落差，說明不少人已經天天在用 AI，卻說不出「大型語言模型」跟「生成式 AI」差在哪，也分不清「參數多」是不是就等於「比較聰明」。
這正是 AI 名詞解釋 最常卡關的地方，新聞標題寫著「多模態」「推理模型」「AI 代理人」，產品介紹上一堆英文縮寫，你大概猜得出方向，卻講不出精確定義。這篇挑出新手最常碰到、也最容易望文生義的十個詞，一個詞配一句白話定義加一個生活比喻，不深入技術原理。看完之後再遇到這些詞，你至少知道它在講什麼。
先從最基本的「生成式 AI」講起，再一路往下拆到「幻覺」這個 AI 最容易踩雷的地方。
1. 生成式 AI：能自己創造全新內容，跟傳統 AI 不一樣
多數人講「AI」兩個字，腦中浮現的畫面其實是這兩三年才紅起來的 生成式 AI（Generative AI），一種能自己「生成」全新文字、圖片、聲音甚至影片的 AI，跟只會分類、預測的舊式 AI 不一樣。傳統 AI 比較像一個訓練有素的分類員，垃圾郵件過濾器判斷這封信是不是廣告、購物網站的推薦系統猜你可能想買什麼，做的都是「歸類」與「預測」，答案早就藏在既有的選項裡，只是挑出最合適的那一個。
生成式 AI 不同，它更像一個看過大量畫作與文字的學徒，不是照抄學過的東西，而是憑學過的規律，自己畫出一幅從沒人畫過的新畫、寫出一段從沒人寫過的新文字。ChatGPT 寫文案、Midjourney 畫插圖，做的都是這種「無中生有」的工作。前面提到的四成三使用率，講的正是這一類 AI。
這也是這個詞最常被誤用的地方，很多人把「AI」直接當成「生成式 AI」的同義詞，好像 AI 就等於會聊天、會畫圖的那種。其實分類型、預測型的 AI 一直存在，而且用得比生成式 AI 更久、更廣，只是它安靜地待在推薦系統、詐騙偵測、語音辨識這些地方，不像生成式 AI 這麼會表現，存在感反而比較低。搞懂這個區分，之後再看到「AI」兩個字，才不會自動聯想成聊天機器人。
2. 大型語言模型（LLM）：讓聊天機器人「看懂」語言的引擎
ChatGPT、Claude、Gemini 背後其實都在跑同一種東西，那就是 大型語言模型（Large Language Model，LLM），一種用天文數字般的文字資料訓練出來、能理解與產生語言的 AI 模型，是這些聊天機器人真正運作的引擎。
想像一個讀完全世界圖書館的人，你問他問題，他不是翻書去查答案，而是憑讀過的龐大內容，推敲接下來最可能出現的是哪一句話。這正是 LLM 在做的事，它不是在資料庫裡查找正確答案，而是在預測語言的下一步。
不少人以為「LLM」跟「ChatGPT」是同一件事，其實 ChatGPT 是一個產品，LLM 才是產品背後的模型技術，同一家公司、同一個 LLM，常常被包裝成好幾種不同的產品介面。這套技術的骨幹，源自 Google 的研究團隊在 2017 年發表的一篇論文，提出了名為 Transformer 的模型架構，往後幾年主流的 LLM 幾乎都是在這個架構上發展出來的，細節留給之後的專文再拆解。
3. 提示詞（Prompt）：你跟 AI 溝通的唯一管道
你打給 AI 的每一句指令、每一個問題，都有個名字，叫 提示詞（Prompt）。AI 所有的輸出，都是根據這段輸入決定方向，你給的內容越清楚，它端出來的東西就越貼近你要的。
這概念像點餐時跟廚師講清楚需求，不要辣、七分熟、幾人份，講得越具體、脈絡給得越足，端出來的菜就越合你意；含糊帶過，端出來的常常不是你想的那道菜。AI 也一樣，同一個問題，你給的背景資訊多寡，答案的品質可以差很多。
不少人以為提示詞就是「打字問問題」這麼簡單，忽略了「把背景脈絡講清楚」才是決定 AI 回答好壞的關鍵。同樣問「幫我寫一篇文案」，只丟這幾個字得到的答案通常空泛，但先講清楚產品是什麼、受眾是誰、想要的語氣，同一個 AI 能寫出完全不同等級的內容。把這件事系統化地做得更好，業界有個專門的說法叫「提示工程」，這裡先點出這個詞，細節留給之後再拆。
4. Token：AI 讀懂文字的最小單位，不是一個字
AI 在處理文字時，不是整段整段讀，而是先切成一塊塊更小的碎片，這種碎片就叫 Token，大約是一個詞或一個字的片段，不是完整的一個字或一個詞。AI 的用量、費用，還有它一次能記住多少內容，算的都是 token 數，不是字數。
這有點像超商結帳，不是把一整袋東西秤重打包計價，而是逐項刷條碼、一件一件算。AI 讀文字時也是類似邏輯，把整段話拆成一塊塊小片段來計算用量與費用。
很多人以為「一個 token 等於一個字」，但中文常常被切得比一個字更細，跟英文的切法也不一樣。這也是為什麼同樣一段話，中文有時候比英文貴的原因之一，中文字元密度高，同樣的意思用中文表達，切出來的 token 數反而可能比英文多。這個計算細節不用深究，知道 token 不等於一個字，大概就夠用了。
5. 上下文視窗（Context Window）：AI 一次能記住多少內容
跟 AI 聊得越久，你有沒有發現它偶爾會忘記你一開始講的話？這跟 上下文視窗（Context Window） 有關，指的是 AI 一次能記住並處理的文字量，以剛剛講的 token 計算。超過這個量，前面講過的內容就會被推出視窗，AI 也就跟著忘了。
這有點像一張書桌的桌面，桌面越大，能同時攤開的書和文件越多；桌面放不下時，舊的資料得先收起來，才騰得出空間放新的。上下文視窗的大小，決定的正是這張桌面能攤多開。
這裡最容易搞混的一點，是把上下文視窗的大小跟 AI 聰不聰明畫上等號。視窗大小其實只是記憶容量，跟推理或判斷能力的高低，是兩個不同的能力面向，一個決定 AI 能記住多少，一個決定 AI 想得多深。目前主流模型的上下文視窗已經能處理數十萬字等級的長文件，但記得住不代表理解得對，這也是為什麼長對話有時候還是會漏接前面提過的重點。
6. 模型參數（Parameters）：常被拿來衡量 AI「有多大」的數字
訓練 AI 模型的過程，其實是在不斷調整一堆內部數值，這些數值就叫 參數（Parameters），數量常被拿來粗略代表模型的規模與能力，例如「70 億參數」會寫作 7B。
這有點像一台機器上一顆顆可以微調的旋鈕，訓練的過程就是不斷轉動這些旋鈕，找到設定最剛好的位置，旋鈕越多，這台機器能處理的細節與變化通常也越多。這個概念最常被引用的歷史例子，是 OpenAI 在 2020 年發表的 GPT-3 論文，裡面提到的模型參數量高達 1750 億個，當時引起不小的震撼。
很多人以為參數越多，這個 AI 就一定越強，但參數量只是粗略指標，模型的架構設計、訓練資料的品質同樣重要。參數量大不代表每個任務都表現更好，近幾年不少參數量沒那麼誇張的模型，靠更講究的訓練方式，反而在特定任務上表現得比參數更多的舊模型好。看到廠商強調「幾千億參數」時，知道這只是規模的其中一個面向，不是唯一的判斷標準。
7. 多模態 AI（Multimodal）：不只讀文字，也看得懂圖片和聲音
你把一張照片丟給 AI，問它這張圖裡發生了什麼事，它不用你先描述，直接就看得懂畫面本身，這種能同時理解文字、圖片、聲音、影片等多種形式內容的 AI，就叫 多模態 AI（Multimodal）。
這就像一個人不只會讀文字，還能看圖、聽聲音來理解一件事，看得懂菜單上的照片，聽得出電話裡朋友的語氣，理解本來就不是只靠一種感官在運作。
常見的誤會是，以為 AI 看懂圖片得先把圖片轉成一段文字說明，再去讀那段文字。其實現在的多模態模型，是同一個模型直接處理多種形式的輸入，圖片、文字、聲音，在模型內部被放進同一套架構裡一起理解，不是先翻譯再讀的兩階段流程。這也是為什麼你上傳一張手寫筆記的照片，AI 能直接讀出內容並回答問題，或是你用語音跟它對話，它能聽懂語氣裡的猶豫和重點。
8. 推理模型（Reasoning Model）：會先想過一遍，再給答案的 AI
有些 AI 在回答問題前，會先在內部拆解步驟、多想過一輪，這種 AI 就叫 推理模型（Reasoning Model），特別擅長需要邏輯拆解的數學、程式、邏輯類問題。
這有點像解應用題時，先在草稿紙上一步步列式子，而不是憑直覺脫口而出答案，雖然多花了一點時間，但答對的機率高很多。一般模型比較像憑直覺搶答，推理模型則會先在心裡打好草稿再開口。
推理模型常被誤會成什麼都更聰明的萬用 AI，但它真正擅長的，是數學、程式、邏輯這類需要拆步驟的任務，日常閒聊或簡單問答不一定比一般模型更好用，甚至可能因為想得比較久，反而比較慢。要不要用推理模型，關鍵在於你手上的任務需不需要多步驟的邏輯拆解，不是無腦選比較貴、比較新的那個版本。
9. AI 代理人（AI Agent）：不只回答問題，還能自己動手辦事
AI 代理人（AI Agent） 不只回答問題，還能自己規劃步驟、操作工具，完成一連串任務，例如自動查資料、比價、下單，或是自己寫程式並跑測試。
這像請一個熟練的助理辦事，你只交代「幫我訂下週三的火車票」，他自己會去查班次、比較選項、完成訂票，不用你一步步盯著他做，丟一句指令，剩下的流程交給他自己判斷。
AI 代理人常被當成聊天機器人換個新名字，但關鍵差異在於它能不能自己規劃多個步驟、實際操作工具去完成任務，而不是只給你一段文字建議。聊天機器人回答完就結束了，代理人卻會接著去做，查詢一個網站、填一張表單、跑一段程式，一步一步把事情辦完，這是能力層次的差別，不是換個包裝而已。
10. 幻覺（Hallucination）：AI 一本正經講錯話的時候
AI 一本正經說出聽起來合理、但實際上是錯的或憑空捏造的內容，這種現象就叫 幻覺（Hallucination），常見的表現是編出不存在的資料來源、事實或數字，講的時候語氣還一副很篤定的樣子。
這有點像一個博學但記性不太準的朋友，被問到細節時會很有自信地編一個聽起來合理的答案出來，但那答案其實是編的，不是真的記得。2023 年美國一起聯邦法院案件就是活生生的例子，一名律師在訴狀裡引用了幾個看似合理的判例，結果全是 AI 編造出來、根本不存在的案子，律師因此被法官裁罰，案件也被駁回，原因就是模型在預測接下來最可能出現的文字，而不是在查資料庫核對事實。
很多人只在 AI 回答冷門問題時才會提防幻覺，但即使是再常見不過的問題，AI 也可能一本正經地編造細節，連法條、報告或研究都編得出來。這也呼應了開頭提到的落差，能評估 AI 優劣的人不少，真的會回頭查證的人卻少很多，懂了幻覺是怎麼發生的，下次看到 AI 一本正經講出一個具體數字或案例，多一個習慣去查證，會比照單全收安全得多。
十個名詞看完，這只是一張入門地圖，不是 AI 的全部。你至少能看懂新聞、產品介紹、朋友聊天裡最常出現的 AI 用語，不再完全狀況外。回頭看開頭提到的落差，真的懂得判斷 AI 講的話可不可信、產品說的功能是不是誇大，靠的正是這些基本詞彙撐起來的理解，懂了名詞，才有能力往下追問這個功能背後在做什麼。下次遇到新的 AI 名詞，與其死背定義，不如先問一句它是在解決什麼問題，通常更快抓到重點。