人工智慧詞彙表

代理型 AI 是指進階 AI 系統，不僅能對指令做出回應，還能生成內容、自主執行任務並達成目標。這類系統結合了推理能力、記憶功能與回饋循環，可獨立規劃並執行行動，通常會運用各種數位工具，並透過學習調整其方法。與傳統 AI 不同，代理型 AI 既能獨立運作，也能與其他 AI 代理協作，在與不同平台和系統介接的同時做出自主決策，以完成複雜任務。

在工業情境中，代理型 AI 涉及部署能夠獨立監控、分析並控制工業運作多個方面的 AI 系統，例如預測性維護、品質管制、庫存管理，或生產流程的優化。

人工智慧 (AI) 是指具備學習與適應能力的軟體。AI 能夠解決那些需要它去解讀輸入資料的意義，並根據需求做出調整的任務。通常，這類任務在過去只能仰賴人類的天然智慧來完成。目前存在多種不同的 AI 方法，它們在應用領域、潛力以及伴隨而來的風險方面都有顯著差異。AI 的基礎原理是在二十世紀發展出來的。由於所有 AI 方法都需要大量的訓練資料，如今隨著數位化與大數據的發展，這項技術正變得越來越關鍵。

一項能將數位資訊疊加在真實世界的環境與物件上的技術，通常是透過沉浸式三維虛擬實境來實現。AR 能藉由加入數位視覺、聲音及其他感官元素，強化實體物理世界。

無需人為介入即可運作的系統，例如自駕車與無人機。

無需人為介入即可運作的車輛，例如自駕汽車與自駕卡車。

AI 系統中可能因有偏誤的訓練資料或演算法而產生的非預期歧視或偏好。

龐大而複雜的資料集，通常由（工業）感測器產生，但也可能來自企業、組織或個人。由於這類資料往往是非結構化的、不完整的或不正確的，因此未搭配 AI 的軟體通常無法以有意義的方式進行處理。

一套由 AI 驅動的程式，能夠透過文字或語音通訊與人類互動。

一種旨在模擬人類認知歷程的 AI，例如感知、推理與決策等過程。

AI 的一個分支，可讓電腦從影像（如圖片與影片）中提取資訊，進而理解並詮釋這些內容。

用於保護數位資訊免受外部攻擊的策略、衡量指標與工具。AI 可用來偵測並防範網路攻擊，也能辨識安全漏洞並做出回應。

對資料進行分析與詮釋以挖掘洞見並做出明智決策的過程。

專為協助人類做決策而設計的電腦系統，可透過提供相關資訊與分析來輔助判斷。

機器學習的一個分支，利用多層神經網路讓機器能夠從資料中學習。

一個用於描述實體物件或流程行為的數學模型。在模擬環境中，數位孿生可用來模擬在系統參數有所變動時真實世界可能會發生的情況。數位孿生可應用於整個產品生命週期，包括設計、製造、運作以及服務階段。數位孿生的視覺呈現在外觀與行為上都與其對應的實體物件相似，忠實對映現實世界，並即時反映當下的狀況。

邊緣運算是一種系統架構，與雲端運算不同，它將運算與資料儲存移近至資料來源端（即「邊緣」）。此方式有助於降低反應時間，並減少資料傳輸所需的能耗。邊緣 AI 系統可在實體上部署於接近實際執行裝置的位置。這些裝置即使未連接至雲端，也能執行 AI 應用。

一種專為與物理世界互動並在其中行進而設計的 AI，通常透過機器人或自動駕駛車輛來實現。

在 AI 的開發與使用過程中，對道德原則的研究與應用，涵蓋諸如偏誤、隱私與問責性等議題。

一種專為透明與可被解釋而設計的 AI，使人類能夠明白機器做出特定決策的方式與原因。

是一種機器學習中的訓練方法，由多台各自獨立的裝置使用其專屬的（獨立的）資料集來訓練同一套機器學習模型。僅將最終的運算結果回傳給網路中的主導者。

一種專為生成新內容而設計的 AI，例如圖片、影片與音樂，其方式是結合現有的內容並從中學習。

應用程式（例如 CAD 軟體）的一項能力，能在給定一組限制條件下，自主產生出多個設計替代方案。此能力運用了 AI、最佳化與模擬等技術。

工業 AI 指將 AI 應用於構成經濟支柱的各類產業——包括工業、基礎設施、交通運輸與醫療照護。

工業基礎模型 (IFM) 是以產業專屬資料進行預訓練，用以深入掌握工程、自動化與製造領域的「語言」，並可加快 AI 解決方案的部署速度與提升其精確度。它們提供了一個標準化的起點，透過規模經濟節省時間、資源與能源。IFM 專為解決現實世界的工業挑戰而量身打造，充當 Industrial Copilots 背後的智慧層，促進跨部門的知識轉移與協作。此類模型不僅支援文字、圖像與音訊，還可處理三維模型、二維工程圖，以及其他複雜結構，例如產業專用的時間序列資料（另可參見多模態大型語言模型）。

工業級 AI 代表一種品質水準；具備可靠、安全與值得信賴的特性，專為滿足最嚴苛專業環境的嚴格要求與標準而設計。

用於描述第四次工業革命的術語，其涵蓋將 AI、物聯網與其他進階技術整合至製造業與工業領域之中。

由內建感測器、軟體與連線功能的技術裝置所組成，可實現彼此間資料交換的網路。物聯網是推動數位化與大數據的主要動力之一。

一種以圖形結構來呈現知識的資料庫，其中包含互相連結的節點與邊，主要用於自然語言處理與搜尋等 AI 應用。

一種以海量資料訓練而成的 AI 語言模型，例如 GPT-3，能夠生成近似人類撰寫的文字。

AI 的一個分支，透過演算法與統計模型讓機器能夠從經驗或資料中學習。

AI 的一個分支，可讓配備鏡頭的機器擷取視覺資訊，用以理解並判讀周遭環境。

多模態大型語言模型能夠同時理解與處理多種資料，例如文字、圖像、音訊或感測器資料。它們已被整合到電腦視覺、自動駕駛車輛與機器人等應用中，可提升物件辨識與場景理解的能力，並讓機器得以遵循更複雜的指令。在處理與生成產業專用資料方面——例如時間序列、二維與三維模型，或是機器視覺所需的資料——多模態大型語言模型具備相當的潛力，其影響力可望比照傳統大型語言模型在文字與語音處理上所帶來的改變。

AI 的一個分支，專注於電腦與人類語言之間的互動。

一種使人類使用自然手勢、語音和其他表達形式與電腦進行互動的介面。

一種機器學習演算法，其架構仿照人腦的神經結構，用於辨識資料中的模式。

一種分析建築物或機器中多個子裝置所構成系統之電壓與電流變化的流程，用以推斷系統內每一台裝置各自的用電貢獻。

實體 AI 係指將人工智慧整合至機器（例如機器人）中，使其能夠感知所處環境並在其中進行動作。此概念受人類感覺運動迴圈啟發，實體 AI 會處理來自感測器的輸入（例如三維攝影機或觸覺感測器），據此產生控制指令，並讓機器能在真實的三維物理環境中自適應和自主執行複雜任務。

物理知識驅動 AI 亦稱為物理感知 AI，係指一類將物理定律直接納入訓練流程的新型人工智慧方法。與重度仰賴大型資料集來學習行為的傳統 AI 做法不同，物理知識驅動 AI 會整合基於物理的限制條件，以引導學習過程。這使得 AI 系統即使在真實世界的資料有限時，仍能藉由運用我們既有對物理世界運作方式的認知，進行推理與預測。這些模型並非只從範例中學習，而是利用自身的物理知識，將學習導向更優且符合物理規律的解方。

預測型 AI 運用統計分析與機器學習，從機器與設備的即時及歷史營運資料中辨識出模式，進而能夠預測未來行為、偵測異常、預報潛在故障，並提出維修建議。它被用來提升資產健康狀態與可靠性、降低非預期的停機時間，並支援在整個工業營運中更快做出以資料為依據的決策。

運用 AI 與統計模型，根據歷史資料預測未來可能發生的事件或趨勢。

運用 AI 根據即時資料來預測機器何時需要保養或維修。

運用 AI 來偵測瑕疵並確保產品符合品質標準。

一種機器學習方法，讓未受訓的代理在執行動作後，根據系統給予的懲罰或獎勵，逐步學習出一套策略。

符合既定倫理與道德標準的 AI 應用。

工程與 AI 的一個分支，專注於機器人的設計、建造與運作。

運用 AI 來分析並解讀文字或語音中所表達的情緒與觀點。

一種運用 AI 與其他進階技術的電網，用以優化發電、配送與用電。

專用硬體，例如繪圖處理器 (GPU) 或具備語言處理器 (LPU) 的邊緣裝置，已成為工業 AI 的新興趨勢。這類裝置能在邊緣端提供高效能運算能力，使 AI 演算法得以即時處理。透過整合這些硬體，可實現平行處理並加速效能，進而加快複雜 AI 任務的執行速度。在本地端完成處理，不僅降低了延遲，也減少對雲端資源的依賴，對於時效性要求高的應用尤為關鍵。專用硬體還能支援更進階的 AI 模型，帶來更深入的洞察與更佳的效能。此外，由於能減少大規模雲端基礎設施與資料傳輸的需求，還有助於降低成本。

機器辨識並解讀人類語音的能力。

一種學習方法，讓機器學習模型透過已標記（已知）的資料集進行訓練，以預測結果。

供應鏈中貨物與物料的流程優化，以降低成本和提升效率。AI 常被用於流程自動化、找出低效環節、貨物品質控管，以及需求預測。

由演算法生成的人造資料，而非源自真實世界事件，用於訓練與驗證機器學習模型。合成資料的品質至關重要，它會決定 AI 在訓練後能否產出可接受的結果。

一種學習方法，讓機器學習模型在先前未知（未標記）的資料中，自行發掘其中的模式與群聚。

虛擬實境 (VR) 呈現的是一種數位化建構的環境，可重現真實空間、打造另類現實，或同時融合兩者。使用者能夠在家中、辦公室或工廠現場等有限空間內，自由探索這個虛擬空間。