瀏覽全部詞彙

人類與AI共同完成任務的模式

在 AI 領域提供手機端 NPU（Exynos）、Bixby、[[mobile-ai]] 與半導體（HBM、代工），與 [[qualcomm]]、[[nvidia]] 有生態重疊。

在大量文本數據上訓練、能理解和生成自然語言的AI模型

規模、速度、多樣性超傳統工具能處理的資料集合

負責總覽一整個主題、並串起多篇延伸文章的核心頁面，是主題集群的中心節點。

預測離散類別

從其他網站指向你網站的超連結，像是別人投給你的「信任票」，是搜尋引擎評估權威度的重要指標。

AI回答時標註資料來源

通過文字描述生成圖像的AI技術

組織和管理電腦檔案的系統

圍繞同一核心主題規劃多篇延伸文章與互相連結的內容結構，讓網站在單一主題上展現完整深度。

系統穩定運行不故障的程度

能創造文字、圖像、音訊等新內容的AI技術

AI 或系統在極少或無人為介入下自主完成整段流程的運作模式

讓電腦理解與生成人類語言的技術

Cmd+K 等行內 AI 編輯模式

以最少編程開發應用

單位時間內處理的請求數

專注在網站速度、結構、安全性與可抓取性等「地基」，確保搜尋引擎看得到也看得懂網站內容的 SEO 面向。

AI 超越人類智能後技術進步不可預測、不可控的假想時刻

相信技術進步能解決人類重大問題的立場，與謹慎或悲觀論相對

從請求到獲得回應的時間

自動在網頁之間爬行並蒐集資料的程式，是搜尋引擎了解網站的第一步。

僅透過 API 或授權使用、不開源權重的商業模型

提供 CPU、Gaudi 加速器、OpenVINO 與 oneAPI 等 AI 推論與訓練的硬體與軟體生態。

用於數值或公式運算的工具，含站內收益／回本計算機與 [[llm]] 的計算器工具。

將請求或流量分散到多台伺服器或 [[inference]] 實例，以提升可用性與吞吐，常見於 [[kubernetes]] 與 [[mlops]] 服務。

程式碼變更前後對照檢視

以 FSD、Dojo 與車載 [[computer-vision]] 聞名的自駕與 AI 應用者，大量使用 [[neural-network]] 與 [[nvidia]]/自研硬體。

專注單一任務的AI

搜尋引擎用來快速查找網頁的巨大資料庫，像是為整個網路建立的目錄卡片系統。

用數據調整模型參數的過程

用於訓練模型的數據子集

提供手機與邊緣 AI 晶片（Snapdragon、AI Engine）與 Qualcomm AI Stack，主打 [[mobile-ai]] 與 [[inference]] 部署。

輔助人類的AI協作介面與產品形態

終端機指令的 AI 輔助

能與人類進行自然對話的AI程式

限制生成長度的參數

以最簡單形式驗證核心商業假設的產品版本

給AI語言模型的輸入指令，引導模型生成期望輸出

用於最終評估的未參與訓練數據

無需編寫程式碼即可構建應用的開發方式

無需編程建AI應用

提供 Ascend NPU、MindSpore 框架、華為雲 AI 與盤古大模型等 AI 硬體、軟體與雲端服務。

能以對話方式協助用戶的AI程式

以頭戴裝置與沉浸式畫面營造 3D 虛擬環境的技術，常結合 [[computer-vision]]、手勢與 [[multimodal-ai]] 做互動與生成內容。

透過網路使用遠端運算資源

是否具備主觀感受與知覺的哲學與科學爭議，常用於討論 AI 是否「有感覺」

以自然語言與 AI 溝通、依賴感覺與直覺的快速開發模式，由 Andrej Karpathy 於 2025 年初提出

Google 等搜尋引擎在結果頁以 AI 生成摘要與回答的新形態，如 AI Overviews

使用者在輸入關鍵字背後真正想解決的問題或達成的目的，比關鍵字本身更重要。

擔心 AI 對人類存亡或社會造成重大威脅、主張嚴謹監管與減速的立場

預測正確的樣本比例

描述數據屬性的資料

結合統計、程式與領域知識從數據中提取洞察的學科

為數據添加標籤的過程

讓機器看見並理解影像的AI技術

專用於並行運算的硬體，AI訓練與推論的關鍵

判斷機器是否具有人類智慧的傳統測試方法

以對話方式互動的AI

解決特定問題的一系列步驟或指令

形容擁有極多算力資源的實體（如大型科技公司），主導大模型訓練與基礎設施

以快速實驗和迭代驗證商業假設的創業方法論

列出網站重要頁面的清單檔案，主動告訴搜尋引擎「哪些頁面值得優先來看」。

以語音互動的AI助手

員工未經公司授權私下使用的 AI 工具與服務，帶來合規與資安風險

個人與敏感數據的收集、使用與保護規範

[[neural-network]] 或 ML 模型的層級結構、連接方式與模組設計，如 [[transformer]]、[[cnn]]、ResNet 等。

以資料與損失函數透過 [[backpropagation]]、[[gradient-descent]] 等更新參數，使模型擬合目標的過程；含 [[distributed-training]]、[[mixed-precision-training]] 等。

以特徵的線性組合預測連續目標的 [[machine-learning]] 方法，常用最小二乘或 [[gradient-descent]] 求解。

以演算法與 AI 提供自動化投資建議與資產配置的數位理財服務

讓電腦從數據中自動學習模式，而無需明確編程

AI 公司難以被複製的競爭優勢，如數據、算力、品牌、生態

用於調參與早停的數據子集

Adobe 的商業安全 AI 繪圖

讓機器展現需要人類智慧才能完成的能力的技術

理解與善用 AI 的基本能力

非正式術語，描述人類對 AI 產生過度情感依賴或幻覺連結的現象

按月付費使用AI服務

教授AI使用與開發的培訓

以AI為核心的初創公司

使用AI進行內容創作和文案撰寫

AI教學助手

使用AI進行高質量多語言翻譯

由AI生成的內容

Amazon 的眾包平台，將標註與微任務發給全球工作者，常用於 [[data-labeling]] 與 AI 訓練資料。

開發Claude的AI安全公司

Anthropic 提供的 API，讓開發者呼叫 Claude 系列 [[llm]] 進行對話、補全與工具使用。

提供資料標註、蒐集與評估的 AI 訓練資料服務商，支援多模態與多語言。

蘋果在 AI 上的產品與技術：Siri、Apple Intelligence、晶片與隱私優先的端側推理。

亞馬遜提供的雲端平台，涵蓋運算、儲存、[[mlops]] 與 AI 服務，[[sagemaker]] 為其 ML 核心。

Google Cloud 的無伺服器資料倉儲與分析平台，支援 SQL、Spark、內建 ML 與即時分析。

瀏覽器內的 Full-stack Web 生成工具

Canva 的 AI 工具組

OpenAI 推出的對話式 AI 助手，全球最普及的 [[llm]] 應用產品

Anthropic 於 2024 年推出的多模態 [[llm]] 家族，含 Opus、Sonnet、Haiku 三檔，支援長上下文與視覺輸入。

Cursor 的主要競爭對手，提供強大免費層級

免費雲端Jupyter與GPU

與程式碼庫進行對話的 GitHub Copilot 介面

中央處理器，電腦的主要計算元件

目前最紅的 AI 原生程式碼編輯器

OpenAI的文生圖AI模型

AI 寫作修正工具

主張全力推動科技（尤其 AI）發展、較不強調風險控制的科技哲學派別

語音合成與克隆的標竿

會議自動摘要助手

多功能線上相片編輯 AI

AI 生成簡報 (PPT)

Google 的公有雲平台，提供 [[vertex-ai]]、[[bigquery]]、運算與儲存等 AI/ML 與資料服務。

Google開發的多模態LLM系列

分散式版本控制系統，追蹤程式碼與設定變更，為 [[mlops]] 與協作開發的基礎。

GitHub 與 OpenAI 推出的 AI 程式碼補全與生成服務，整合於 IDE，為 [[copilot]] 形態代表產品

提供 [[gcp]]、[[vertex-ai]]、[[bigquery]]、Gemini、[[transformer]] 論文與 TensorFlow 等 AI 生態。

OpenAI 的旗艦多模態模型

高性價比的輕量化多模態模型

OpenAI 的 [[gpt]]-4 視覺版，可接受影像輸入並與文字一起理解與生成，為多模態 [[llm]]。

AI 訓練與推理需求導致 GPU 供不應求、價格高漲的現象

開源儀表板與可觀測性平台，串接 [[prometheus]] 等資料源，用於 [[mlops]] 與基礎設施監控。

語法檢查的 AI 進化版

[[kubernetes]] 的套件管理工具，以 Chart 打包與安裝應用，支援版本、升級與回滾。

[[hugging-face]] 的 Python 庫，以 Apache Arrow 載入與處理 [[nlp]]、視覺與語音資料集，與 [[pytorch]]/TensorFlow 整合。

AI 界的 GitHub

互動式筆記本開發環境

數據科學競賽與學習平台

開源 [[data-labeling]] 工具，支援多模態標註、主動學習與 [[llm]] 微調資料，可自架或雲端。

快速生成完整 Web 應用的 AI 工程師

以視覺化拖拉方式串接不同服務與 API 的自動化平台，適合 No-code 使用者建立工作流。

微軟的雲端平台，提供 [[azure-ml]]、OpenAI 整合、認知服務與 [[kubernetes]] 等 AI/ML 能力。

藝術感最強的封閉源生圖工具

讓非工程師透過圖形化介面與組件拖拉，建立網站、應用程式與自動化流程的開發方式。

Google 基於文檔的 AI 研究工具

Notion 筆記軟體內建 AI 助理

提供 [[gpu]]（如 A100、H100）、CUDA、cuDNN 與 AI 軟體棧，為 [[distributed-training]] 與 [[inference]] 的主流硬體與生態。

開發GPT與ChatGPT的AI公司

OpenAI 提供的內容審核 API，對文字進行有害類別標記（仇恨、暴力、性等），常用於 [[llm]] 輸入輸出過濾與合規。

會議紀錄與逐字稿 AI

以即時搜尋與引用為核心的 AI 問答服務

自動去背工具

Replit 在線 IDE 的 AI 編程助手

提供 [[data-labeling]]、合成數據與評估服務的數據平台，客戶涵蓋自駕、國防與 [[llm]] 訓練，與 [[label-studio]]、Appen 同屬標註生態。

Python機器學習標準庫

泛指提供搜尋能力的 API，如 Google Custom Search、Bing、Elasticsearch；[[llm]] 應用常以 RAG 結合搜尋 API 取得即時資料。

透過付費廣告在搜尋結果中取得曝光的行銷作法，與自然排序的 SEO 互補而非互斥。

透過技術與內容策略，讓網站在搜尋結果中獲得更高自然排序，帶來免費流量。

Hugging Face 的 Demo 託管平台

技術問答的 AI 整合

目前最流行的 AI 詞曲創作工具

ByteDance 推出的 AI 程式碼編輯器

高品質 AI 音樂生成

Vercel 推出的 UI 程式碼生成工具

OpenAI 開源的多語言語音識別模型

Codeium 推出的下一代 AI Flow 編輯器

二分類常用的損失函數

關鍵決策由人類審核的人機協作模式

研究如何與 AI 更自然地協作

識別或驗證人臉身份的技術

2025 年興起的術語：在 AI 開發中，管理上下文（記憶、工具、數據源）的能力比單純寫程式更重要

模型可接受的最大token數

將大量資訊塞入 prompt 的技巧

依專案上下文提供智慧補全

預測序列中下一個token的訓練目標

原生支援多模態的大模型

被主Agent調用的子Agent

Small Language Models，如Phi、Gemma

具備推理能力的自動化

短期/對話內記憶

LLM調用外部工具的能力

類別分布不均的訓練數據

依元數據篩選檢索

AI系統對不同群體無歧視的品質

將文本切分為模型可處理的token單位

RAG中切分後的文本片段

被動回應 vs 主動出擊的 AI

用AI預測天氣

僅用少量範例讓模型學會新任務

模型產生虛構或錯誤信息的比例

將文本標註為預定義類別

將長文本濃縮為簡短摘要

將文本轉為向量的編碼器

以 AI 讀取、解析、分類與擷取文件內容的技術與服務

將文字轉為自然語音

由文字描述生成影片

模型過於簡單無法捕捉數據規律

對環境與因果規律的內部表徵，用於預測下一狀態或生成軌跡，常見於 [[reinforcement-learning]]、視訊生成與規劃。

國家級AI能力

將程式碼與文件建為可檢索索引

結合少量標記與大量未標記數據的學習方法

移除訓練集重複

實際正例中被正確預測的比例

理解AI決策依據的能力

系統隨負載增長而擴充的能力

中國領先的影片生成 AI

預測與真實差絕對值的平均

離線在本機運行的 AI

將數據縮放至特定範圍的預處理

自由生成答案的問答

應用於生物學、醫藥研發與醫療照護的 AI 技術統稱

優化問題中要最大化或最小化的函數

分類任務的標準損失

輪流將數據分為訓練與驗證集的評估方法

將大任務拆為子任務

完成特定任務的對話系統

從影像中辨識與擷取文字的技術

原生支援圖/影/音的多模態模型

AI 生成的圖像、影片、語音

由AI或模擬生成的訓練數據

能同時處理文字、圖像、音訊等多種輸入的模型

同時處理多種輸入模態（文字、影像、語音等）的模型與應用，如 [[gpt-4v]]、[[clip]]、語音助理與視覺問答。

能處理圖文等多種輸入的LLM

訓練過程中損失趨於穩定的狀態

驗證集表現不再提升時停止訓練

過濾有害輸出

縮小特徵圖尺寸的取樣層

在極少人為介入下能持續感知、決策並執行動作的系統

能自主完成任務的Agent

AI 全自動處理財務審核

發現錯誤並修正

無需人類駕駛的車輛自主導航技術

依負載自動擴縮

讓機器產生人類語言的技術

讓機器理解人類語言意圖與語義的技術

在手機、平板與邊緣裝置上執行的 [[inference]] 與輕量 [[machine-learning]]，常搭配模型壓縮與 [[onnx]] 部署。

逐token返回生成結果

服務初次載入時的延遲問題

推薦或推論服務的冷啟動

資源被有效使用的比例，如 [[gpu]] 利用率（算力或記憶體使用率），用於 [[profiler]] 與 [[roofline-model]] 效能分析。

預測與真實值差平方的平均

兩圖像間的平滑過渡

每次梯度更新使用的樣本數量

一次處理多個請求

AI超越人類的假想時刻

保持原意換句話說

保留多個候選序列的解碼策略

Token per second，推論速度

以樹狀結構做分類或迴歸的模型

設定LLM全局行為與角色的隱藏指令

Vehicle-to-Everything

防止AI輸出違規內容的過濾機制

以事件為單位持續發布、訂閱與處理的即時資料架構，常以 [[kafka]]、[[apache-flink]] 實作。

用AI優化供應鏈決策

協作完成任務的Agent

用濾波器在輸入上滑動提取特徵的運算

將 [[gpu]] 記憶體不足的張量或狀態暫存到 CPU/磁碟，以換取更大模型或 batch，常用於 [[llm]] 訓練與 [[inference]]。

識別文本中人名、地名等實體的NLP任務

專注單一領域的 AI（如醫療、法律）

專注單一產業的 LLM

將矩陣分解為 U Σ V^T，用於降維、推薦、壓縮與 [[llm]] 的 LoRA 等低秩近似，為線性代數與 [[machine-learning]] 的基礎工具。

從文本片段抽取答案

法律領域的AI應用

追蹤程式碼與模型變更的工具與實踐

AI侵權訴訟的賠償承諾

AI 與機器人、IoT 深度結合

管理Agent或應用的狀態

模型訓練數據的時間邊界

理解與推理空間關係、幾何、導航與 3D 結構的 AI 能力

應用於金融服務的 AI，含風控、理財、合規與文件處理

支持超長輸入的LLM能力

持久化儲存的記憶

從未標記數據中發現模式的學習方法

具內部推理過程的模型（如 OpenAI o1）

展現模型中間推理的顯示（如 o1）

引導LLM逐步推理的提示技巧

自動化測試與部署的實踐

經過對齊可對話的模型

按人類指令執行的能力

用軟體機器人自動化重複性流程

AI4S，科學研究中的AI

電腦模擬代替實體實驗

指定生成時不要出現的內容

負責任地開發與部署AI

多次迭代改進輸出

降低重複輸出的取樣參數

將一張圖的風格套用到另一張的技術

移除PII以符合法規

依個人偏好定製行銷內容

依個人基因、病史與數據提供量身訂製的診療與用藥建議

快速產出原型、迭代驗證的商業模式

量測程式或模型在 CPU/[[gpu]] 上的執行時間、記憶體與瓶頸的工具，[[pytorch]]、TensorFlow 等框架皆內建 profiler。

按時間排列的數據

專用硬體晶片

從原始數據構造有意義特徵的過程

選取最有預測力的特徵子集

專為神經網絡運算設計的處理器

模仿人腦神經元連接方式的計算模型

模型遍歷完整訓練集一次的單位

用於教導AI模型學習模式的數據集

Agent儲存與調用歷史的機制

從記憶中找回相關資訊

創作者要求作品不用於訓練

正態分布

高精度地圖

AI因數據或設計不公而產生的歧視結果

減少模型偏見

遇此序列即停止生成

預處理時通常移除的常見無實義詞

RL中可選動作的集合

擷取人體或物體在空間中的運動軌跡（關節、姿態），常用於動畫、遊戲、[[computer-vision]] 與具身 AI 的動作資料。

依情境動態生成 prompt

AI決策責任歸屬

根據上下文回答問題的NLP任務

可泛化到多任務的大型預訓練模型

未經指令對齊的預訓練模型

模仿人類專家決策的規則型AI系統

專案層級的上下文理解

Google專為深度學習設計的運算硬體

具人類級通用智能

分析文本中情感傾向的NLP任務

識別與模擬情感

LLM從提示中的範例學習任務的能力

在龐大索引資料中決定「哪一頁該排在前面」的一整套計算規則與模型。

擴散去噪的迭代次數

使用訓練好的AI模型對新數據進行預測的過程

從請求到回應的時間

根據用戶偏好推薦內容的AI系統

以經驗為基礎的近似解題策略

AI 輔助教學與個人化學習

利用AI製作的逼真虛假圖像或影片

使用多層神經網絡從數據中學習複雜模式的機器學習方法

以 FP16/BF16 為主、FP32 為輔的 [[neural-network]] 訓練方式，搭配 loss scaling 以兼顧速度與數值穩定；與 [[mixed-precision]] 同義。

展示分類預測與真實標籤對應的表格

管理模型與資料版本

識別偏離正常的樣本

由文字或圖像生成影片

根據圖像回答問題

結合視覺與語言的模型

可理解圖像並產出文字的模型

先規劃再執行的模式

每步選機率最高token的解碼方式

AI決策過程可追溯

具備與人類相當的全面認知能力的AI

跨領域通用的 AI 平台

能處理各類任務的假想AI

[[llm]] [[inference]] 優化：每步解碼後可替換已完成序列為新請求，提高 GPU 利用率與吞吐。

僅API可用的專有LLM

由 AI 自動生成單元測試

嵌入向量的大小

將文本或圖像轉為向量的模型

販售預製提示詞

將任務拆解為多步 prompt

過熱時降頻

Agent 的角色、風格與行為設定

具備自主決策能力的 AI 系統，2025-2026 核心趨勢

以服務形式提供 AI 智能體能力

AI 代替人類操作瀏覽器，如點擊、填表

運用AI與IoT優化城市運作

識別異常或詐騙行為的AI應用

模型規模達一定門檻後突然出現、未經明確程式設計的能力或行為

無需管理伺服器的按需執行模式

按需擴展的 AI 推論服務

按需GPU運算

政府發給全體公民的定期現金

支撐 AI 訓練與推理的運算與網路設施，含 [[gpu]]、[[gpu-cluster]]、[[infiniband]] 與雲端實例。

AI自動生成、補全和優化程式碼

AI 輔助的程式碼重構

強制 LLM 輸出 JSON 等格式

AI模擬服飾穿在身上的效果

忽略詞序只計詞頻的文本表示方法

極精細的個人化

超越人類的通用智能

訓練前需人為設定的模型配置參數

提升圖像或影片解析度

如 GGUF/EXL2 的壓縮格式

不限領域的問答

公開權重但不一定開源授權

可自由使用與修改的LLM

結合多個模型預測以提升整體表現的方法

程式與資料共用記憶體、依序執行的計算機架構，為多數 CPU 的基礎；與 [[von-neumann-bottleneck]] 及類神經形態計算相對。

[[von-neumann-architecture]] 下 CPU 與記憶體間頻寬與延遲限制，使運算常受記憶體存取所限；[[gpu]] 與 [[roofline-model]] 分析與此相關。

決策過程不透明、難以解釋的模型

將應用拆為獨立可部署的小服務

在極小裝置上運行ML

識別用戶語句背後意圖的NLU任務

最簡單的神經網絡單元，線性二分類器

衡量模型預測與真實值差異的指標

控制LLM輸出隨機性的取樣參數

在手機等裝置本地運行生成式 AI

在本地裝置上推論

從內部表示生成輸出的網路部分

[[distributed-training]] 方式：每張 GPU 持有一份完整模型副本，各自處理不同資料分片，再同步梯度。

從大數據中發掘 patterns 的過程

訓練前清洗與轉換原始數據的步驟

數據從採集到模型輸入的處理流程

透過變換擴充訓練數據的方法

從文本中結構化抽取實體與關係

從大量數據中找出相關資訊的技術

找尋從起點到終點的路徑

模型過度擬合訓練數據而喪失泛化能力

模型在未見過該類別範例下進行預測

在大規模數據上預先訓練的模型

預測未來數值或趨勢

用歷史數據預測未來結果的分析方法

預測設備故障以提前維護

基於現有圖像生成或修改新圖像的AI技術

填補圖像缺失區域

理解圖像內容與語義

提升圖像解析度

延伸圖像邊界

為圖像自動生成描述

多輪對話的AI系統

演算法對不同群體公平

用程式自動執行交易的金融應用

使用標記數據訓練模型的有監督學習方法

從輸入到輸出一體化學習

用感測與AI優化農作決策

個人化醫療

預測為正例中實際為正的比例

低碳永續的AI運算

降低特徵維度保留關鍵資訊

用AI檢測與防禦網路威脅

將樣本分組

將人類的思考成本轉交給 AI

模擬人類認知的運算系統

預測序列中下一個詞的任務

將文字轉換為自然語音的AI技術

將文字轉為語音的技術

將語音轉為文字的技術

將語音轉為文字

用於訓練或評估的文本數據集合

依意圖而非關鍵字匹配的搜索方式

遙控操作機器人

將整張影像判定為單一類別的視覺任務

修復損壞或低質影像

實體系統的數位副本

描述數據集的文件

從網路批量收集訓練數據

高品質數據的篩選與清洗

將數據轉為零均值單位方差

識別數據中規律的領域

共享與下載預訓練模型

國家對AI模型的控制

記錄模型能力與限制的說明文件

說明模型用途與限制

以API形式提供模型

快取已載入的模型

透過竄改模型參數或訓練流程使模型產生惡意行為的攻擊

將模型部署為可調用API的過程

大廠競相推出更強 LLM

比較不同模型版本

L2距離

模型依序接收樣本或資料流並即時更新參數的 [[machine-learning]] 設定，與批量訓練相對；常見於串流與即時系統。

協調多Agent或服務

將輸入轉為內部表示的網路部分

由多個模型與工具組合而成

根據學習者表現自動調整內容難度和路徑的教育技術

將已學知識應用到新任務的學習方法

基於給定文本回答問題

衡量兩向量夾角的相似度指標

梯度下降時每步更新參數的步長

動態調整學習率

訓練過程中調整學習率的方法

以機械臂與術中影像輔助執刀的手術系統，可結合 [[computer-vision]]、導航與 AI 輔助決策，如達文西系統。

自動將文本從一語言翻譯為另一語言

為神經元引入非線性的函數

具不確定性的隨機過程

多棵決策樹投票的集成學習方法

依出現頻率懲罰的取樣參數

過度賦予AI人類特質

訓練中保存模型快照

從資料庫中找出相關文件的步驟

AI 理解當下情境與環境的能力

避開障礙物的導航

將AI輸出錨定於可信來源

保護數據隱私的技術

3D空間的點集合表示

向量的內積

AI輔助醫療影像

與多數數據顯著不同的樣本

模型面對干擾或異常輸入仍保持正確的能力

找出影像中物體邊界的技術

在裝置端而非雲端運行的AI推論

Google邊緣推論晶片

動畫或影片的關鍵時刻

力與觸感回饋

L2正則化防止過擬合

個人與組織適應 AI 變革的能力

RL中環境狀態的表示

專為 AI/LLM 設計的資料儲存與串流平台，提供向量搜尋與資料版本控制。

為 AI 設計的動態介面

由 AI 協助診斷與修復錯誤

規範 AI 開發、部署與問責的制度與流程架構

AI 輸出的清晰度與可信度

使 AI 系統的目標與人類意圖、價值觀一致的研究與工程領域。

僅在 LLM API 外包一層的軟體

交易AI模型與服務的平台

AI訓練的合理使用辯論

確保AI系統安全可控

隔離環境運行AI

AI開發與使用的政策框架

歐盟AI監管法規

AI開發與使用的倫理原則與規範

利用AI技能為客戶提供服務並獲取報酬

使用AI創作並銷售的數位產品

提供AI導入與策略諮詢

推廣AI工具賺取佣金的營銷模式

終端機內的 AI 結對編程工具

用AI運維IT系統

AWS 推出的開發者 AI 助手

Cursor 背後的團隊名稱

以 Python 定義、排程與監控工作流的開源平台，常用於資料與 ML 管線。

分散式事件串流平台，以主題與分割儲存與訂閱訊息流，為 [[event-streaming]] 與 [[apache-flink]] 常用資料源。

軟體之間溝通的介面協定

以 Git 為單一事實來源的宣告式 Kubernetes 持續交付工具，自動同步叢集與版本庫狀態。

2023 年開源的自主 AI 代理實驗項目，能依目標自主拆解任務並執行

最經典的 SD WebUI

依激活重要性保留部分權重、其餘壓成 4 bit 的 LLM 量化方法，與 GPTQ 並列常用

微軟的ML開發平台

以 [[bert]] 等模型的 [[embedding]] 計算候選與參考文本語義相似度的自動評估指標，優於 BLEU/ROUGE。

數位內容來源與真實性標準

輕量級開源向量資料庫

輕量開源向量資料庫

Anthropic開發的AI助手，以安全性和有用性著稱

在邊緣端運行 AI

專注 B2B 與 RAG 的 AI 公司

實驗管理與可視化

Cohere 為企業 RAG 優化的模型

跨檔案程式碼生成模式

搜尋科學論文的 AI

VS Code 內的開源 AI 擴充插件

NVIDIA的GPU並行運算平台與編程模型

NVIDIA GPU的並行運算單元

以「資產」為核心的資料與 [[machine-learning]] 管線編排平台，強調資料血緣與本地開發體驗。

依密度聚類的無監督演算法，不需預設簇數，可找出任意形狀簇並標記離群點。

高性價比開源模型推論 API

來自中國的高性價比強大模型

專門優化程式碼的模型

繪圖模型的標準庫

容器化部署的標準工具

數據版本控制工具

Google 用來評估內容與網站品質的四個面向：有沒有真實經驗、專業深度、領域權威與整體可信度。

AI 研究助理

模型對戰強弱排名

精確率與召回率的調和平均

TII 推出的早期強大開源模型

部署 AI API 的首選框架

高速 AI 推論服務

每秒浮點運算次數，衡量計算性能的指標

視覺化 AI 工作流拖動工具

目前最強大的開源文生圖模型（Black Forest Labs）

簡單好用的 SD 介面

32 位元單精度浮點數格式，為深度學習預設權重與計算精度，較 [[quantization]] 省記憶體但較慢。

讓LLM調用外部函數

Google 推出的輕量級開放模型

llama.cpp 使用的 C 張量庫，支援多種 [[quantization]] 與 GGUF 格式，供 [[llm]] 在 CPU/邊緣高效推理。

Ollama 等軟體通用的模型格式

OpenAI開發的生成式預訓練Transformer模型系列

針對生成式預訓練模型的訓練後量化方法，將權重壓至 4 bit 並以 Hessian 近似最小化誤差

多張 [[gpu]] 組成的運算叢集，用於 [[distributed-training]] 與大規模 [[llm]] 訓練與推理。

GPU的VRAM容量

以最後卷積層梯度加權產生熱力圖，視覺化 [[cnn]] 預測時關注的影像區域，用於可解釋性。

快速建ML介面的框架

IBM 推出的企業級模型

開源資料驗證框架，以「Expectation」宣告式規則檢查資料品質，常用於 [[mlops]] 與 [[airflow]] 管線。

理解深層程式碼邏輯的搜尋工具

xAI 推出的具有即時資訊的模型

極速LLM推理雲端服務

AI 影片數位人與口型對齊

[[kubernetes]] 依 CPU、記憶體或自訂指標自動增減 Pod 副本數的控制器，用於 [[inference]] 與 [[mlops]] 擴展。

最大的開源AI模型與工具平台

用於 [[gpu-cluster]] 與 HPC 的高速低延遲網路技術，可達 400Gb/s，降低 [[communication-overhead]]。

[[kubernetes]] 的服務網格，提供流量管理、可觀測性、安全與金絲雀/藍綠部署，常用於 [[mlops]] 推理服務。

開源的本機 AI 助手介面

早期企業行銷文案 AI

數據分析與視覺化專家

將數據聚為K群的無監督方法