提示工程 (Prompt Engineering)
提示工程（Prompt Engineering）是在人工智慧領域，尤其是生成式人工智慧（Generative AI）中一項關鍵技術與實務。它指的是設計和優化輸入給AI模型（如大型語言模型）的指令或提示，以引導模型產生預期且高品質的回應。隨著AI模型能力的不斷提升，提示工程成為用戶與AI系統間溝通和協作的橋樑，是最大化AI效能的重要手段。
查看AI術語
神經網絡 (Neural Networks)
神經網絡，又稱人工神經網絡（Artificial Neural Networks，簡稱ANN），是一種受人腦神經系統啟發而設計的計算模型。它模擬生物神經元的結構和功能，通過大量互相連接的人工神經元節點進行訊息傳遞與處理，具備從數據中自我學習和模式識別的能力，是現代人工智慧與深度學習的基礎技術之一。
查看AI術語
深度學習 (Deep Learning)
深度學習（Deep Learning）是人工智慧（AI）和機器學習（Machine Learning）中一種先進且重要的技術分支。它透過多層的人工神經網路結構，模擬人腦神經元傳遞信息的方式，自動從大量資料中抽取並學習特徵，進而完成分類、預測、生成等複雜任務。與傳統機器學習依賴人工設計特徵不同，深度學習能夠以「端對端」的方式，自動捕捉資料的多層次抽象，因而在語音識別、影像處理、自然語言理解等領域取得突破性進展。
查看AI術語
模型上下文協議（MCP）
模型上下文協議（Model Context Protocol，簡稱MCP）是一種由Anthropic公司於2024年推出的開放標準協議，它旨在為大型語言模型（LLM）與外部資料源、工具及系統之間建立一個統一、安全、標準化的通信接口。通俗地說，MCP就像是AI應用的「萬能插頭」，讓不同的AI模型能夠即時、安全地連接各種外部資源，不再局限於訓練時期所學的靜態知識，而是能夠動態獲取最新資訊和執行各種操作，提高回答的相關性和準確度。
查看AI術語
機器學習 (Machine Learning)
機器學習（Machine Learning，簡稱ML）是人工智慧（AI）領域中一個關鍵分支，指的是通過設計和使用特定的演算法，讓電腦系統能夠從大量數據中自動尋找規律、提取模式，並且在沒有明確程式指令的情況下，不斷改進自身的預測和決策能力。簡單來說，機器學習使電腦具備「學習」能力，能自主分析和處理問題，隨著數據和經驗的增加，變得越來越聰明。
查看AI術語