幻覺 (Hallucination) 幻覺在人工智能領域中，指的是 AI 系統，尤其是大型生成模型（如大型語言模型）生成的錯誤、虛假或誤導性資訊。這類輸出看起來非常有說服力，甚至邏輯自洽，但實際上與真實世界的信息不符，沒有任何真憑實據。幻覺的現象讓使用者誤以為模型提供的是準確可靠的答案，極大地影響了人工智能技術的信任度和應用安全性。
合成數據 (Synthetic Data) 合成數據指的是通過計算機算法和模擬生成的，非直接從現實世界收集的人造數據。這些數據在統計特性、結構和相關性上高度擬合真實數據，但不包含任何真實個體的具體信息，因此在保護隱私和數據安全的同時，能有效支持人工智慧模型的訓練與測試。
遷移學習 (Transfer Learning) 遷移學習是機器學習中的一種先進方法，旨在將一個領域或任務中已經學習到的知識和模型，應用於另一個相關但不同的領域或任務，以提高新任務的學習效率和性能。它突破了傳統機器學習中「每個任務必須從零開始訓練模型」的限制，使得在缺乏大量標註數據的情況下，也能快速獲得良好的模型表現。
過擬合 (Overfitting) 過擬合是機器學習中一個常見且棘手的問題，指的是模型在訓練資料上表現非常優異，幾乎完全“記住”了訓練數據的細節，包括數據中的噪聲和異常點，但在未見過的新數據（測試集或實際應用中）上表現不佳，泛化能力明顯下降。換句話說，過擬合的模型過度專注於訓練數據本身，無法學習到數據的普遍規律，導致預測結果不具代表性。
欠擬合 (Underfitting) 欠擬合是機器學習中一種常見的問題，指模型在訓練過程中未能充分學習到數據中的規律和模式，結果導致模型在訓練集和測試集上都表現不佳。簡單來說，欠擬合表示模型過於簡單，難以捕捉數據的複雜關係，因此不能有效描述數據特性，影響預測準確度和泛化能力。
偏見 (Bias) 偏見，特別是在人工智能領域中，指的是系統性和持續存在的偏差或不公平現象，導致AI系統在預測、決策或行動中對特定群體或特定類型的數據做出不公正的對待。它是AI模型在學習和應用過程中，遺傳並放大了來自訓練數據或設計過程中的偏差和歧視傾向，從而影響了系統的公平性和可信度。
可解釋人工智能 (Explainable AI) 可解釋人工智能（Explainable AI，簡稱XAI）是指通過一系列方法和技術，使人工智能系統的決策過程和結果對人類使用者、開發者以及監管者等各方透明和易於理解。不同於傳統的「黑箱」機器學習模型，XAI旨在打開這個黑箱，提供解釋和理由，讓人們能清楚知道AI是如何、為何做出特定決策的，進而增強信任、安全與公平性。
人工智能倫理 (AI Ethics) 人工智能倫理（AI Ethics）是一門探討人工智能技術在發展和應用過程中涉及的道德、法律和社會責任問題的學科。其核心目標是確保人工智能技術的設計、部署及使用方式符合人類的價值觀、尊重個體權利，促進社會公平與福祉，並防止可能帶來的偏見、侵犯隱私、安全風險等負面影響。人工智能倫理不僅關乎技術層面，更涉及哲學、人權、法律及公共政策的綜合考量。
人工智能對齊 (AI Alignment) 人工智能對齊（AI Alignment）是一項關鍵且日益重要的研究領域，其核心目標是確保人工智慧系統的行為與人類的意圖、價值觀和目標保持一致。換句話說，就是要讓AI系統所執行的操作和做出的決策完全符合設計者及使用者的期望，避免出現偏離人類利益甚至帶來危害性的行為和後果。
