認知計算 (Cognitive computing) 認知計算是一種旨在模仿人類大腦認知過程的人工智慧技術，融合了機器學習、自然語言處理、計算機視覺、推理演算法以及信號處理等多種技術，通過深入分析和理解大量複雜的結構化和非結構化數據，實現對信息的感知、推理、決策與學習，進而支持人類的智能活動和決策。簡單來說，認知計算讓機器能夠像人類一樣思考、理解和互動，而不只是簡單的數據處理工具。
大數據 (Big data) 大數據是指數量龐大、類型多樣、產生速度快且需要新型技術和工具進行存儲、管理和分析的複雜數據集合。它不能被傳統數據庫軟件或資料處理方法有效處理，因此需要特殊的分布式計算和分析技術來提取有價值的洞察。大數據的誕生與信息技術和互聯網的快速發展密不可分，它改變了各行各業的數據利用方式，成為數字經濟和智慧社會的重要基石。
自動編碼器 (Autoencoder) 自動編碼器是一種特殊類型的人工神經網絡，主要用於無監督學習中的數據降維、特徵提取和數據重構。它的目標是學習如何將輸入數據編碼成一個低維度的潛在表示（latent representation），再從這個低維表示中解碼還原出與原始輸入盡可能相似的數據。通過這種方式，自動編碼器能夠提取數據中的本質特徵，剔除冗餘信息，常被用於去噪、壓縮及生成模型等領域。
人工神經網絡 (Artificial neural network) 人工神經網絡（Artificial Neural Network，簡稱ANN）是一種模仿生物神經系統結構與功能的計算模型，是人工智慧和機器學習領域中重要的基礎技術。它通過大量相互連接的“人工神經元”節點組成分層結構，能從數據中自動學習複雜的模式與規律，廣泛應用於圖像識別、語音辨識、自然語言處理以及自動駕駛等多種智能任務中。
動作空間 (Action space) 動作空間是強化學習中一個核心概念，指的是智能體（Agent）在每一個時間點或狀態下，能夠選擇執行的所有可能動作的集合。它定義了智能體與環境互動時的行為範圍，是決策過程中的關鍵元素。動作空間的設計直接影響智能體在學習策略、完成任務時的靈活性和效果。
自學習人工智能 (Self-Learning AI) 自學習人工智能是一類具備自主學習能力的AI系統，它能夠在無需或極少依賴人工監督的情況下，通過自身與環境的交互、自我探索和反覆試驗，自動調整模型參數，優化表現，並不斷提升解決問題的能力。這種智能體不僅能夠從大量未標註的數據中提取有效信息，還能根據新情境和挑戰自主更新知識，實現持續學習和自我改進。
知識圖譜 (Knowledge Graph) 知識圖譜是一種以圖狀結構表示知識的資料模型，用來描述現實世界中各種實體（Entity）、概念、事件及其相互之間的關聯。它的基本結構是由節點（表示實體或概念）和邊（表示實體間的各種類型關係）組成的網絡，並以「實體-關係-實體」的三元組形式存儲大量語義信息。相比於傳統的關係型資料庫，知識圖譜更強調語義的表達與推理，能讓機器理解數據背後的深層含義，從而實現智能化的信息檢索、問答和推理。
量子計算在人工智能中的應用 量子計算是一種基於量子力學原理設計的計算技術，它利用量子比特（qubit）所具有的量子疊加和糾纏特性，能在同一時間進行大量並行計算，展現出超越傳統經典計算的強大運算能力。這一特性為人工智能（AI）領域帶來革命性的推動，尤其在處理複雜問題和優化計算過程中展現出巨大潛力。
聯邦學習 (Federated Learning) 聯邦學習是一種分散式機器學習技術，允許多個分散的設備或服務器在本地數據上協同訓練一個共享模型，而不需將原始數據集中到中央伺服器。這種方法既能有效利用分散的數據資源，提升模型的泛化能力，又能在保障數據隱私和安全的前提下，防止個人或企業數據洩露，符合各類數據保護法律法規。
