AI 基礎
人工智慧
能依輸入或感測，透過模型與演算法產生預測、內容、建議或決策等輸出的系統總稱；不同法律與標準的定義範圍可能不同。
為什麼重要：先確認某項功能是否真的屬於適用規範中的 AI，不能只看產品行銷名稱。
企業 AI 治理術語表
用白話查詢 33 個 AI、RAG、評測與治理常用名詞；每個名詞都說明為什麼重要，並連到可執行的指南或工具。
這是 ALLinAI 編輯術語表，不是法律定義、技術標準或產品選型結論；同一名詞在法律、研究與供應商文件中可能有不同範圍。最後檢視：2026-07-14。
顯示 33 個名詞
AI 基礎
機器學習
讓系統從資料辨識模式並改善特定任務表現的方法，不代表系統會像人一樣理解或自行負責。
為什麼重要：資料、目標與部署環境改變時，原有表現可能不再成立。
AI 基礎
生成式 AI
依提示與既有模型能力產生文字、圖像、音訊、程式或其他內容的 AI。
為什麼重要：輸出可能合理但錯誤，也可能涉及敏感資料、權利與揭露問題。
AI 基礎
大型語言模型
以大量語言資料訓練、依上下文預測並生成文字或相關序列的模型。
為什麼重要：流暢度不等於事實正確；正式用途需要來源、測試、拒答與人工責任。
AI 基礎
AI Agent
能依目標規劃步驟、使用工具、讀寫外部系統或持續執行任務的 AI 應用。
為什麼重要：能採取動作時，權限、批准、上限、日誌、停止與回復比聊天介面更重要。
AI 基礎
AI Copilot
以建議、草稿、整理或查詢方式輔助人員工作的 AI，不應暗示所有輸出都已由人確認。
為什麼重要：要定義人員何時檢查、如何否決，以及誰對正式結果負責。
AI 基礎
提示
提供給模型的指令、背景、資料、範例與輸出要求；可能由使用者、系統或流程組合。
為什麼重要：提示是系統行為的一部分，需版本化、測試，並避免放入未核准敏感資料。
AI 基礎
Token
模型處理文字時使用的切分單位，不固定等於一個中文字、英文字或字元。
為什麼重要：上下文限制、延遲與部分用量成本常以 token 計算，估算時需使用實際工具。
資料與 RAG
檢索增強生成
回答前先從指定資料來源檢索相關內容，再把檢索結果提供給生成模型的架構。
為什麼重要：它能改善資料新鮮度與來源追溯，但不能自動保證檢索正確、權限正確或不會生成錯誤。
資料與 RAG
向量嵌入
把文字、圖片或其他資料轉成可比較的數值向量，用於相似度搜尋、分群或推薦。
為什麼重要：相似不等於正確或有權存取；仍需中繼資料、權限與評測。
資料與 RAG
向量資料庫
儲存向量並支援相似度查詢的資料系統，常用於 RAG 檢索。
為什麼重要：選型要同時考慮權限、刪除、備份、版本、篩選與營運成本。
資料與 RAG
文件切塊
把文件切成可索引與檢索的片段，通常會搭配標題、來源、版本與其他中繼資料。
為什麼重要：切得過大可能混入無關內容，過小則失去上下文，必須用真實問題測試。
資料與 RAG
中繼資料
描述內容的欄位，例如來源、owner、版本、生效日、部門、密等與適用對象。
為什麼重要：它支援權限、篩選、更新、引用與追溯，是知識庫治理的核心。
資料與 RAG
依據約束
讓模型輸出盡量依循指定資料、工具結果或可查證來源，而非只依模型內部參數生成。
為什麼重要：有依據仍要測試來源是否相關、完整、最新，以及回答是否忠實反映來源。
資料與 RAG
微調
以特定資料進一步調整既有模型參數，使行為、格式或任務表現更符合目標。
為什麼重要：它不等於把文件變成可更新的知識庫，也不會自動解決權限與來源引用。
評測與品質
AI 評測
使用測試資料、指標、人工判斷或對抗情境，量測 AI 在指定用途與部署條件下的表現與風險。
為什麼重要：通用榜單不能取代公司真實資料、使用者與錯誤後果的情境評測。
評測與品質
測試集
用於評估、且不應被拿來反覆調整答案的一組代表性案例與預期結果。
為什麼重要：案例要涵蓋一般、邊界、拒答、權限與高影響錯誤，並保存版本。
評測與品質
驗收條件
在測試前定義的通過、限制與停止門檻，可包含品質、風險、延遲、成本與人工負荷。
為什麼重要：先定門檻可避免看完結果後才移動標準，讓 go／no-go 決策可追溯。
評測與品質
幻覺／無依據生成
模型產生看似合理、但與事實或指定來源不一致，或缺乏足夠依據的輸出。
為什麼重要：不要只量整體正確率；需追蹤嚴重錯誤、來源忠實度、拒答與人工修正。
評測與品質
精確率與召回率
精確率關心找出的結果有多少正確；召回率關心應找出的結果有多少被找出。
為什麼重要：兩者常有取捨，門檻要依漏掉與誤報的實際成本決定。
評測與品質
AI 紅隊測試
以對抗與濫用角度測試模型、應用、基礎設施及運行行為，尋找可被利用或失控的路徑。
為什麼重要：紅隊不能取代一般品質、隱私、法遵與營運測試，發現也需要修復與重測。
評測與品質
漂移
資料、使用方式、環境或模型行為隨時間改變，使原本評測與門檻不再代表現況。
為什麼重要：需要持續監控、版本記錄與觸發重測，不能只在上線前驗一次。
評測與品質
人在迴路
在 AI 流程中安排人員審查、批准、修正或接手，但實際權限與介入時機必須明確。
為什麼重要：有人看過不等於有效控制；人員要有資訊、時間、能力與否決權。
治理與風險
AI 治理
用政策、角色、流程、技術控制與證據，管理 AI 全生命週期的價值、責任與風險。
為什麼重要：治理不是單次審查或一份原則宣告，而是持續盤點、量測、管理與改善。
治理與風險
AI 系統清冊
集中記錄 AI 用途、owner、模型、供應商、資料、使用者、風險、測試、監控與退場狀態。
為什麼重要：沒有清冊就難以知道哪些系統需更新、通報、重測、停用或回應主管機關。
治理與風險
風險容忍度
組織對特定情境可接受風險程度與必須升級、限制或停止的界線。
為什麼重要：應由有權者依影響與資源決定，不能只讓開發團隊自行接受重大風險。
治理與風險
固有風險與剩餘風險
固有風險先看未考慮控制時的情境風險；剩餘風險則是控制實施後仍存在的風險。
為什麼重要：分開評估可避免因已有控制，就低估用途本身可能造成的嚴重影響。
治理與風險
高風險 AI
依適用法律或主管框架，因特定用途與可能影響而需要更嚴格管理的 AI 應用；不是單靠模型名稱或本站分數判定。
為什麼重要：正式認定、警語、責任與救濟要求須看主管機關及目的事業規範。
治理與風險
可解釋性與透明
可解釋性聚焦理解輸出或系統行為；透明則涵蓋 AI 角色、用途、資料、限制、責任與申訴資訊。
為什麼重要：兩者需依受眾與影響提供適當資訊，不等於公開機密或個資。
治理與風險
資料最小化
只蒐集、使用與保存完成明確目的所必要的資料，並限制存取與期間。
為什麼重要：模型能處理更多資料不代表應全部提供；提示、日誌、備份與供應商也要納入。
治理與風險
Shadow AI
未經組織核准、盤點或治理而被員工、團隊或供應商使用的 AI 工具與流程。
為什麼重要：完全禁止可能讓使用轉入地下；應先盤點需求、資料與替代方案，再分級處理。
治理與風險
護欄
用來限制輸入、輸出、權限或動作的規則、模型、流程與人工控制總稱。
為什麼重要：護欄可能被繞過或誤擋，必須測試、監控，且不能取代用途限制與責任。
治理與風險
AI 事件與近失事件
AI 造成或差點造成資料、權益、安全、服務、財產或信任影響的異常與失敗。
為什麼重要：近失事件能在真正損害前暴露控制缺口，也應記錄、調查與改善。