近年來，人工智慧（AI）技術的崛起，改變了許多人的工作與生活方式。從日常使用的AI聊天機器人，或是企業自行導入的AI系統等，都為大家的生活帶來全新的面貌。
大型科技公司在推出新的AI模型時，或是看到介紹AI的文章，往往都會提到像是NLP、參數、神經網路等的詞彙，這些詞彙是否也常讓你看得雲裡霧裡？
本文將介紹幾個AI應用中常見的詞彙：自然語言處理（NLP）、參數、Vibe Coding、提示工程、神經網路以多模態技術。透過認識這些原理，或許能更好地理解AI是如何學習和解決問題。
文章目錄（點擊即可前往該段落）
- NLP（Natural language processing）自然語言處理
- 參數（parameters）
- 模型上下文協定 （Model Context Protocol）
- Vibe coding（氛圍編碼）
- 提示工程（prompt engineering）
- 神經網路（Neural networks）
- 多模態（multimodal）
NLP（Natural language processing）自然語言處理
NLP（自然語言處理）是AI技術的一個分支，它能幫助電腦像人類一樣理解、處理或生成語音和文字，像是蘋果Siri、亞馬遜Alexa虛擬助理，背後所運用的也是NLP技術。
傳統上，人類與電腦溝通需要使用特定的程式語言，如Java、CSS或Python等。這些「程式語言」是為了讓人類能夠精確指示電腦執行任務而開發的。然而，在日常生活中，大多數人並不具備撰寫程式的能力來告訴電腦「我想做什麼」。
因此，自然語言處理就像是教導電腦理解人類語言。透過NLP，電腦不僅能夠理解口語指令，還能解讀書面文本、辨識說話語氣，甚至與人類進行自然流暢的對話。
為了做到這些，電腦需要學習很多東西，像是語言的規則、識別手寫文字、理解上下文關係，以及如何產生自然的回應等。
這就是為什麼，當你告訴Siri「我很難過」，Siri可能會建議你給朋友打電話，或是推薦你一些可以改善情緒的方法。
延伸閱讀：Fine-tune是什麼？跟RAG差在哪？告別冗長Prompt，低成本打造企業「專屬AI」
參數（parameters）
在AI模型中，參數（Parameters）是指模型內部的可調整變數，這些變數在訓練過程中通過資料學習而獲得。它們對模型的預測能力和性能有直接影響，參數的數量會大幅度的影響AI模型的能力。
舉例來說，老師的腦海中有著豐富的「教學知識庫」。知識庫包含了學科的專業知識、教學方法、學生學習特點、問題解答技巧等。當學生提出問題時，老師能根據學生的學習程度和需求，快速從腦海中提取出最適合的知識和方法，給予恰當的指導。
在AI領域，教學知識庫就如同模型的參數。AI模型透過大量的數據訓練，學習並掌握各種模式和規律，這些學習成果最終都轉化為模型的參數。參數越多，代表模型學習到的知識越豐富，也就能處理更複雜的任務。
例如，一個能翻譯多國語言的AI模型，它的參數就包含了各種語言的詞彙、語法規則、上下文關係等。當你輸入一段文字時，模型會運用參數分析文本，並將其翻譯成需要的語言。
模型上下文協定 （Model Context Protocol）
MCP是由Anthropic公司於2024年11月所發布，讓模型能夠輕易對接到外部資料的一種協定。
MCP三個字分別代表：Model（模型），如ChatGPT、CLaude、DeepSeek等；Context（上下文），即提供給模型的資料；Protocol（協定），即通用的標準。
透過統一的協定和架構，AI模型能夠以安全、高效的方式連接到各種資料庫、API和工具，讓AI不只能取得外部資訊，還能成為主動執行工作的AI代理。
為什麼需要MCP？過去想讓AI連接到外部的應用程式，開發者必須針對不同的API各自開發整合方案，不僅開發成本高，維護也困難。而MCP提供了一個統一的標準，讓AI助理能夠輕鬆連接各種資料來源。
此外，MCP的安全性讓AI只有在用戶授權後才能存取特定資料。例如，AI不會擅自翻閱你的私人文件，除非你親自讓它讀取特定的檔案或資料庫。
Vibe coding（氛圍編碼）
Vibe coding由Open AI的共同創辦人Andrej Karpathy提出，是一種利用AI工具來簡化程式設計過程的開發方式。
Vibe coding允許使用者採用自然語言描述開發需求，由AI生成程式碼，從而減少手動撰寫程式碼的繁瑣工作，提升開發效率，降低技術門檻。
Andrej Karpathy也提到，過程中他使用AI語音轉文字工具Superwhisper來跟Composer互動。這讓他「幾乎不用碰鍵盤」就能完成程式。
不過，Andrej Karpathy表示Vibe coding不太算是真正意義的撰寫程式，「我只是看到東西、說出東西、執行東西、複製貼上，而它基本上都能運作。」
提示工程（prompt engineering）
使用AI時，提示工程就像是成為AI的老師，扮演「引導者」的角色，就像老師引導學生思考後，給出正確的答案。提示工程的目標，就是透過精心設計的「提示詞」，引導AI模型發揮最佳效能，產出高品質的結果。
例如，當我們希望AI模型撰寫一篇關於「氣候變遷」的文章時，在不同的身分與角度，可能會給出不一樣的提示詞：
- 「請撰寫一篇關於氣候變遷的文章，重點探討其對台灣的影響，並提出可能的解決方案。」
- 「請以一位高中生的角度，撰寫一篇關於氣候變遷的短文，並包含至少三個具體的例子。」
- 「請模擬一位氣候科學家的口吻，撰寫一篇關於氣候變遷的科普文章。」
提示詞越清晰與完整，AI模型越能精準地理解任務需求。透過不斷地優化提示，才能讓AI模型更有效地學習和理解，進而產出更優質的結果。
延伸閱讀：邊緣運算是什麼？「邊緣運算＋AI」商機起飛，概念股有哪些？
神經網路（Neural networks）
神經網路是一種讓電腦能夠「學習」的技術，就像人類學習新事物一樣。
一個小朋友要如何認識「狗」？他看過狗的照片、聽大人說「這是狗」、觀察狗的眼睛、耳朵、尾巴等特徵、在書本或電視上看到狗…
每次看到狗，孩子的大腦會自動將組成「狗」的特徵聯繫起來，例如狗會吠、會搖尾巴等。漸漸地，小朋友的腦中就建立了「狗」的完整形象，即使看到一隻與之前看過，但不相同的狗，也能正確辨認。
神經網路就是以類似方式運作。我們不需要告訴電腦「狗會吠」或「狗會搖尾巴」這樣的訊息，只需提供大量標記為「狗」的照片及資料，讓它自行發現哪些特徵組合最能代表「狗」。在每次學習的過程中，逐漸提高辨識「狗」的準確度。
傳統程式就像是一本詳細的規則手冊，電腦必須嚴格按照規則執行。而神經網路更像一個善於學習的學生，透過大量的例子來學習，並從經驗中找出規則，使其做出更接近人類的判斷合決策。
多模態（multimodal）
大型AI公司越來越專注於「多模態」系統的開發，這類系統能夠處理和回應包含文字、圖像和音訊等各種輸入。例如，你可以ChatGPT聊天並得到語音回覆，或者向它展示一個數學問題的圖片並尋求解答。
這種多模態的互動方式不僅提升了AI產品的可用性，也讓人們與AI的互動時有更多的選項。
延伸閱讀：AI Agent是什麼？它為何是邁向AI界聖杯的關鍵一步？
白話科技｜NPU是什麼？跟CPU、GPU差別是？圖解AI PC最重要關鍵字
參考資料：Bloomberg
責任編輯：黃若彤
延伸閱讀
你真的會用AI找資料嗎？拆解5大搜尋情境：從簡單問答到深度研究，怎麼問才能提升效率？
玉山家樂福卡要掰了？傳統一聯手中信推「集團卡」，OPENPOINT生活圈更強大
Framework小桌電來了！搭載AMD處理器「售價3.6萬元起」：PC遊戲小鋼砲有何亮點？
「加入《數位時代》LINE好友，科技新聞不漏接」