Kein Treffer für diesen Begriff.
01
「大腦」的架構
模型與數學
大型語言模型（LLM）、轉換器技術、神經網路與推論過程的基礎知識。
02
代理的手
框架與工具
自主工作流程、瀏覽器控制和任務的實際執行。
03
安全與基礎設施
網路與防護
本地和雲端系統的安全、加密和存取控制。
04
數據處理與知識管理
記憶
資訊的儲存和準備，以供人工智慧使用。
05
倫理、社會與監管
導航線
法律、社會影響和人工智慧的「對齊」。
06
先進技術與程式設計
傳動裝置
軟體環境、開發工具和配置標準。
07
網路安全與攻擊向量
數位防護牆
威脅分析和防禦策略。
08
數學機制與人工智慧訓練
訓練
機器學習背後的統計過程。
09
自主經濟與未來願景
地平線
長期趨勢、多代理系統和通向超級智能的發展。
10
行業標準、協議與利基
專家工具箱
高度專業化的協議和最先進的優化方法。
01
「大腦」的架構
模型與數學
- 通用人工智慧（AGI, Artificial General Intelligence）
- 人工智慧的理論階段，機器能夠完成人類的任何智力任務。與當今的「狹義人工智慧」不同，AGI將擁有真正的理解能力，並能跨領域轉移學習知識。
- 注意力機制（Attention Mechanism）
- 轉換器架構的核心。它使人工智慧在處理句子時，能將注意力集中在最相關的詞彙上（例如代詞與其指代對象的關係），從而實現現代語言理解。
- 反向傳播（Backpropagation）
- 基本的學習演算法。它計算人工智慧回答後的錯誤，並將這些錯誤資訊「反向」傳遞通過網路，調整內部權重，使下次錯誤減少。
- 基礎模型（Base Model）
- 在大量原始數據上訓練的人工智慧模型，但尚未學習特定「行為」。它作為強大的文本補全工具，並作為後續助手模型的基礎。
- 餘弦相似度（Cosine Similarity）
- 一種數學度量方法，用於計算兩個向量之間的相似度。在人工智慧中，它能快速確定兩個句子的含義有多接近。
- 深度學習（Deep Learning）
- 機器學習的子領域，基於具有多層的深度神經網路。它使機器能自主識別圖像、聲音和文本中的複雜模式。
- 嵌入（Embedding）
- 將詞彙轉換為高維數字向量。這些向量使人工智慧能數學化處理語義：相似的概念在「向量空間」中彼此接近。
- 微調（Fine-Tuning）
- 使用特定領域數據（如醫學或法律）對通用模型進行再訓練的過程。這將通用模型轉變為某一細分領域的專家。
- 生成式預訓練轉換器（GPT, Generative Pre-trained Transformer）
- 引發當前人工智慧熱潮的架構系列。它利用轉換器技術，基於概率逐詞（自回歸）生成文本。
- 幻覺（Hallucination）
- 人工智慧自信地編造事實的現象。這是因為模型僅預測統計上最可能的下一個詞，而缺乏與現實世界事實的真實聯繫。
- 推論（Inference）
- 人工智慧的實際運行階段。訓練需要數月，而推論是你提出問題並由訓練好的模型計算答案的時刻。
- 潛在空間（Latent Space）
- 人工智慧中的一個無形坐標系統，所有學習到的概念都在此排列。人工智慧在此空間中導航，以關聯概念並創造新內容。
- 大型語言模型（LLM, Large Language Model）
- 擁有數十億參數的巨型語言模型。它是人工智慧代理的「操作系統」，將邏輯、語言和世界知識整合在一個系統中。
- 低階適應（LoRA, Low-Rank Adaptation）
- 一種高效的微調技術。與其重新訓練整個模型，只需添加微小的適配器，從而在普通家用硬體上實現訓練。
- 損失函數（Loss Function）
- 訓練過程中的「老師」。這個數學函數衡量人工智慧的錯誤程度；訓練的目標是將此值壓縮至零。
- 專家混合（MoE, Mixture of Experts）
- 一種設計，將模型劃分為許多專業子單元。對於每個查詢，僅激活相關的「專家」，從而節省計算資源並加速響應。
- 多模態（Multimodality）
- 人工智慧結合不同感官的能力。多模態代理能同時閱讀文本、分析圖像和理解語音指令。
- 神經網路（Neural Network）
- 模仿大腦的計算系統。它由多層人工神經元組成，通過加權連接處理信號並學習模式。
- 參數（Parameter）
- 人工智慧內部的「調節旋鈕」。參數越多（例如700億），模型能捕捉的細節和知識就越豐富。
- 量化（Quantization）
- 人工智慧的壓縮技術。通過降低數學精度，模型變得更小更快，能在筆記型電腦或手機上運行。
- 強化學習與人類反饋（RLHF, Reinforcement Learning from Human Feedback）
- 人類對人工智慧的「教育」。測試者評估回答，人工智慧由此學習禮貌、安全和有用，並遵守社會規範。
- Softmax函數
- 最終的數學層，將人工智慧的內部計算轉換為下一個詞的明確概率（0到100%）。例如：「我有98%的把握這張圖片是一隻貓。」
- 溫度（Temperature）
- 「創造力調節器」。低溫度使人工智慧事實性和僵化；高溫度使其富有想像力，但也更容易出錯。
- 權杖（Token）
- 人工智慧的「貨幣」。文本被分解為小塊（權杖）；處理的權杖數量決定了成本和記憶體限制。
- 轉換器（Transformer）
- 2017年的革命性架構。它使人工智慧能同時考慮整個句子的上下文，而不僅是從左到右逐詞閱讀。
- 通用逼近定理（Universal Approximation Theorem）
- 一個證明，表明神經網路能計算任何邏輯函數——理論上能完成任何可想像的認知任務。
02
代理的手
框架與工具
- 代理工作流程（Agentic Workflow）
- 人工智慧不僅回答一次，而是以循環方式工作的過程：草擬、自我批評、修正，然後輸出。
- Auto-GPT
- 最早的自主系統之一。它使用大型語言模型為自己創建待辦事項清單，並在網際網路或硬碟上執行這些任務。
- 瀏覽器自動化（Browser Automation）
- 代理控制網頁瀏覽器的能力，如同人類一般（點擊、滾動、輸入），以完成網頁上的任務。
- 命令列介面（CLI, Command Line Interface）
- 基於文本的控制（終端機）。專業人士用它來啟動和精確配置代理，如OpenClaw。
- 程式碼解譯器（Code Interpreter）
- 一種工具，使人工智慧能編寫和立即執行真實程式碼。它能無錯解決數學問題或分析數據。
- 上下文視窗（Context Window）
- 「短期記憶」。它限制了代理能同時處理的資訊量（例如100頁文本）。
- 無頭瀏覽器（Headless Browser）
- 沒有視窗的隱形瀏覽器。代理用它在後台極快地從網頁收集數據（爬蟲）。
- 人類參與循環（HITL, Human-in-the-loop）
- 一種安全原則。代理在執行關鍵操作（如轉帳）前，會先請求人類許可。
- Moltbook
- 專為人工智慧代理設計的社交網路。在此，人工智慧自主交換資訊，而人類僅能作為觀察者。
- OpenClaw（原Clawdbot）
- 私有人工智慧代理的領先框架。它允許在個人硬體上運行，並完全掌控數據主權。
- Playwright
- 一種瀏覽器控制的技術工具。它作為代理的「機械手」，在網頁上執行複雜的互動操作。
- 檢索增強生成（RAG, Retrieval-Augmented Generation）
- 對抗幻覺的最重要技術。代理先在您的文檔中查找，並以這些事實作為回答的基礎。
- 系統訊息（System Message）
- 代理的「DNA」。在此定義了代理是誰、如何行為，以及絕不能違反的規則。
03
安全與基礎設施
網路與防護
- 對抗性攻擊（Adversarial Attack）
- 一種操縱嘗試，通過特製數據（如圖像中的隱形像素）有針對性地欺騙人工智慧。
- 應用程式介面（API, Application Programming Interface）
- 數位橋樑。代理通過API與其他程式（如電子郵件提供商或日曆）「對話」。
- 容器化（Docker）
- 將代理封裝在隔離的容器中。這樣它在每台電腦上運行一致，且無法未經許可存取其餘系統。
- 端對端加密（E2EE, End-to-End Encryption）
- 確保只有您和您的代理能閱讀數據的加密——黑客或提供商無法介入。
- 防火牆（Firewall）
- 數位門衛。它控制誰能從網際網路存取您代理的儀表板或控制指令。
- 最小權限原則（Least Privilege）
- 安全黃金法則：僅授予代理其絕對需要的權限。電子郵件機器人不需要存取您的銀行數據。
- 提示注入（Prompt Injection）
- 代理面臨的最大威脅。攻擊者在代理處理的文本中隱藏指令，以奪取其控制權。
- 沙盒（Sandbox）
- 隔離的遊樂場。代理在此執行風險任務，以免錯誤或病毒損害您的真實電腦。
- Tailscale
- 一種VPN工具，為您的手機與家中的代理建立安全「管道」，無論您身在世界何處。
- 虛擬私人伺服器（VPS, Virtual Private Server）
- 網路上租用的伺服器。運行代理24/7的完美場所。
04
數據處理與知識管理
記憶
- 數據增強（Data Augmentation）
- 人為擴大數據集的方法。現有數據稍作修改（如旋轉圖像或添加雜訊），以訓練人工智慧對變化更具韌性。
- 數據湖（Data Lake）
- 儲存原始格式數據的巨大倉庫。與結構化資料庫不同，它能無序收集文本、圖像和視頻，以供人工智慧代理日後存取。
- 數據採礦（Data Mining）
- 系統性搜索大量數據，以發現未知的模式、趨勢或關聯。代理利用此技術從數千份文件中提取最相關的商業數字或市場趨勢。
- 數據主權（Data Sovereignty）
- 保留對自身數據的完全控制權的權利和技術能力。對於本地代理如OpenClaw而言，這至關重要，因為數據不會流向外部企業，而是留在您自己的硬體上。
- 實體識別（NER, Named Entity Recognition）
- 人工智慧在文本中自動識別具體資訊（如名稱、地點、組織或日期）的能力。代理利用此功能從大量電子郵件中自動創建日曆約會。
- 知識截斷（Knowledge Cutoff）
- 模型訓練完成的時間點。此後世界上發生的一切對人工智慧而言是未知的，除非它使用網路搜索等工具更新知識。
- 中繼資料（Metadata）
- 關於數據的附加資訊（如創建日期、作者或檔案大小）。代理利用中繼資料高效排序資訊，並更快把握檔案的脈絡。
- 結構化數據（Structured Data）
- 以固定、有組織的格式（如Excel表格或SQL資料庫）呈現的數據。與非結構化文本或語音記錄相比，人工智慧處理這類數據更容易且無誤。
- 向量資料庫（Vector Database）
- 代理的專用長期記憶。它將資訊儲存為數學坐標，使代理能在毫秒內搜索到含義相似的內容。
05
倫理、社會與監管
導航線
- 人工智慧法案（AI Act）
- 世界首部全面的人工智慧法律（歐盟），將應用按風險分類。它禁止危險做法（如社會信用評分），並對強大人工智慧模型實施嚴格透明度規則。
- 對齊問題（Alignment Problem）
- 確保人工智慧的目標與人類意圖完全一致的生存挑戰。對齊不良的代理可能以造成意外傷害的方式追求目標。
- 擬人化（Anthropomorphism）
- 人類傾向於賦予人工智慧感情或意識。這常導致高估代理的能力，因為用戶忘記系統僅計算統計概率。
- 偏見（Bias）
- 人工智慧中的系統性錯誤，通常源於片面的訓練數據。這可能導致代理歧視特定群體或強化偏見。
- 人工智慧憲法（Constitution）
- 一種安全方法，為人工智慧預設一套道德規則。「憲法」用於持續檢查其回答的倫理正確性。
- 深度偽造（Deepfake）
- 逼真的人工智慧生成媒體（視頻、音頻、圖像）。它們構成誤導資訊的風險，因為人類越來越難區分真實證據和人工偽造物。
- 可解釋人工智慧（XAI, Explainable AI）
- 一個研究領域，旨在使人工智慧的決策對人類可理解。可解釋人工智慧工具解釋代理為何做出特定決策。
- 奇點（Singularity）
- 人工智慧成長變得不可逆轉，並遠超人類智慧，以致文明的未來變得無法預測的理論時間點。
- 圖靈測試（Turing Test）
- 評估機器智能的經典測試。如果人類在對話中無法區分對方是機器還是人類，則通過測試。
06
先進技術與程式設計
傳動裝置
- API金鑰（API Key）
- 數位安全金鑰，作為憑證使用。您的代理使用此金鑰向服務（如OpenAI或Anthropic）驗證身份，並獲取其計算能力。
- 容器化（Docker）
- 在隔離環境（容器）中運行軟體的技術。這防止代理在出錯時損壞您的整個作業系統，並使安裝變得輕而易舉。
- 守護進程（Dämon）
- 在後台運行的程式，等待執行任務。OpenClaw守護進程確保您的代理即使在程式視窗未開啟時也能接收訊息。
- 環境變數（Environment Variables）
- 作業系統中的變數，通常儲存敏感數據如密碼或API金鑰，以免它們直接顯示在代理的原始碼中。
- Git／版本控制
- 記錄程式碼每次變更的系統。它允許開發者在更新後出現問題時，輕鬆回到之前的可用版本。
- JSON
- 人工智慧間交換的標準數據格式。它是一種人類可讀的文本格式，但電腦能極高效地將其轉換為指令。
- 延遲（Latency）
- 您的輸入與人工智慧回應之間的延遲。低延遲對流暢對話和代理的快速自動化至關重要。
- 中介軟體（Middleware）
- 作為兩個應用程式間隱形中介的軟體。它幫助代理將舊資料庫中的數據轉換為現代語言模型能理解的格式。
- Node.js
- 許多代理框架的運行環境。它使網頁語言JavaScript能直接在電腦或伺服器上用於人工智慧任務。
- 網路鉤子（Webhooks）
- 一種機制，當事件發生時，應用程式立即向代理發送訊息，而非代理不斷自行檢查。
07
網路安全與攻擊向量
數位防護牆
- 對抗性攻擊（Adversarial Attack）
- 針對性的操縱嘗試，通過微調輸入數據（如將停止標誌誤認為優先權標誌）欺騙人工智慧。
- 暴力破解攻擊（Brute-Force Attack）
- 原始但有效的方法，攻擊者自動嘗試所有可能的密碼組合。現代代理通過「速率限制」防範此類攻擊，即限制每段時間內的嘗試次數。
- 常見漏洞與暴露（CVE, Common Vulnerabilities and Exposures）
- 記錄已知安全漏洞的國際標準。用戶應監控CVE清單，以知曉何時需要為其軟體安裝安全補丁。
- 漏洞利用（Exploit）
- 利用已知漏洞的特定程式或程式碼片段。攻擊者用它獲取代理的控制權或擴大主機系統上的權限。
- 蜜罐（Honeypot）
- 故意設計不安全的系統，用於吸引攻擊者。它幫助研究黑客或惡意機器人的方法，而不危及實際生產系統。
- 網路釣魚（Phishing）
- 通過偽造訊息（電子郵件、簡訊）獲取敏感存取憑證或API金鑰的嘗試。人工智慧代理越來越多地被訓練自動識別此類詐騙意圖。
- 提示注入（Prompt Injection）
- 對大型語言模型最危險的攻擊：攻擊者在代理處理的文本中隱藏指令，誘使其忽略系統規則並洩露私密數據。
- 紅隊演練（Red Teaming）
- 安全專家模擬的攻擊，用於測試人工智慧的防禦障礙。目的是在真正的攻擊者之前發現漏洞。
- 零日漏洞（Zero-Day Exploit）
- 利用製造商完全未知的安全漏洞進行的攻擊。由於尚無防護措施，這對自主系統構成最高風險。
08
數學機制與人工智慧訓練
訓練
- 批次正規化（Batch Normalization）
- 訓練過程中的技術程序，穩定神經網路中的輸入值。這大幅加速學習，並減少對不良初始值的敏感性。
- 災難性遺忘（Catastrophic Forgetting）
- 神經網路在學習新任務時完全覆蓋舊任務知識的問題。研究人員使用特殊技術「凍結」重要知識。
- 收斂（Convergence）
- 訓練中的時刻，人工智慧不再取得顯著進步，因為誤差（損失）已達到最小值。收斂良好的模型已準備好部署（推論）。
- 週期（Epoch）
- 整個訓練數據集通過神經網路的完整遍歷。大多數模型需數百個週期才能真正內化複雜關係。
- 梯度下降（Gradient Descent）
- 在迷霧中尋找山谷最低點的「數學漫遊者」。它計算調整神經元權重的方向，以最小化人工智慧的誤差。
- 超參數（Hyperparameter）
- 訓練前手動設定的參數（如學習率）。它們決定學習過程的框架，並常常決定模型是否會成功或失敗。
- 過擬合（Overfitting）
- 人工智慧死記訓練數據的錯誤。模型在已知數據上表現完美，但在新的未知資訊前完全失效。
- 參數（Parameter）
- 模型內部代表神經元間連接強度的數十億數值。它們是學習知識的實際儲存單元。
- Softmax
- 網路的最終層，將內部數值轉換為明確的概率。例如：「我有98%的把握這張圖片是一隻貓。」
09
自主經濟與未來願景
地平線
- 自主經濟（Autonomous Economy）
- 人工智慧代理作為獨立經濟參與者的場景。它們談判合約、購買計算資源，並用數位貨幣相互支付服務。
- 數位孿生（Digital Twin）
- 真實物體（如工廠）的虛擬複製品。代理利用這些孿生體在實施實體變更前無風險地模擬場景。
- 涌現行為（Emergent Behavior）
- 模型在達到一定規模時突然出現的能力（如邏輯思維），儘管從未明確訓練過。這使大型人工智慧的發展變得迷人且難以預測。
- 多代理系統（MAS, Multi-Agent System）
- 由多個專業人工智慧組成的團隊。與其讓一個人工智慧做所有事，「群體」協同工作，每個代理（如程式設計師、設計師、測試員）貢獻其優勢。
- OODA循環
- 軍事決策循環（觀察、定向、決策、行動），作為自主代理的範本。它描述系統如何在毫秒內對環境刺激做出反應以有效行動。
- 遞歸式自我改進（Recursive Self-Improvement）
- 人工智慧重寫自身程式碼以變得更聰明的理論。這可能引發超越人類理解的智能爆炸。
- 技術奇點（Technological Singularity）
- 技術進步變得如此迅速，以致人類文明發生根本性且不可逆轉變化的理論時間點。
10
行業標準、協議與利基
專家工具箱
- GRPO（群組相對策略優化）
- 高效的優化方法，尤以DeepSeek-R1等模型聞名。它使人工智慧能訓練複雜的邏輯推理（推理），而無需如經典RLHF般的單獨獎勵模型。
- MQTT（訊息佇列遙測傳輸）
- 物聯網（IoT）的極簡網路協議。人工智慧代理使用MQTT與感測器和智慧家電通訊，因其即使在不穩定連線下也能保證可靠的數據傳輸。
- 長上下文視窗（Long-Context Window）
- 現代模型能同時在「工作記憶」中保留極大數據量（高達200萬權杖）的能力。這使代理能在單次查詢中分析數百份PDF文件。
- REST API（具象狀態傳輸）
- 全球網路介面標準。幾乎所有人工智慧代理都通過REST介面與Google、Spotify或支付系統等服務通訊，以執行現實世界的操作。
- YAML（又一標記語言）
- 基於文本的軟體配置格式。YAML幾乎和清單一樣易於人類閱讀，並在OpenClaw等代理中用於安全定義行為規則和API金鑰。
- 向量時鐘（Vector Clock）
- 分散式系統中的演算法，幫助確定不同代理間事件的時間順序。這防止多個代理同時編輯同一文件時發生衝突。
- 無頭瀏覽器（Headless Browser）
- 無圖形介面的網頁瀏覽器。代理用它在後台導航網頁、填寫表單和收集數據，而不顯示視窗。
- 中介軟體（Middleware）
- 兩個應用程式間的隱形軟體層。它幫助代理將舊銀行系統中的數據轉譯為現代語言模型能理解的格式。
- NPM（Node套件管理器）
- 管理JavaScript代理框架擴展的最重要工具。通過NPM，可用單一指令安裝瀏覽器控制、加密或資料庫連接的程式庫。
- 量化（GGUF／EXL2）
- 壓縮人工智慧模型的專用檔案格式。它能將原需100GB顯存的模型壓縮至可在16GB RAM的遊戲筆電上運行。
- 影子IT（Shadow IT）
- 企業中未經IT部門許可使用人工智慧代理的現象。這構成高安全風險，因為敏感公司數據可能通過私人代理流向雲端。
- 零知識證明（Zero-Knowledge Proof）
- 一種密碼學方法，代理證明其知道某資訊，而無需透露該資訊本身。這在自動登入和交易中保護隱私。