**Encoder（編碼器）** 是神經網路中負責把原始輸入——文字、圖片、聲音——壓縮成向量的部分，這個向量抓住了輸入的語意，方便模型後續處理。它的輸出通常稱為 embedding 或隱藏表示（hidden representation）。 Encoder 之所以重要，是因為現代 AI 系統幾乎都有它的身影。BERT 就是純 encoder 模型，廣泛用於搜尋、分類和相似度計算；CLIP 則用兩個 encoder 分別處理圖片和文字，把它們映射到同一個向量空間。在 encoder-decoder 架構（最初的 Transformer、T5、多數翻譯模型）中，encoder 負責讀懂來源，decoder 負責產生輸出。 一個直覺的比喻：你要翻譯一段文章，會先仔細讀過、在腦中形成理解——這就是 encoder 在做的事；接著根據這份理解寫出譯文——這是 decoder。中間那份「腦中的理解」就是編碼後的表示：不是原文字本身，但足以讓你重現或處理它。 現代 decoder-only 的 LLM（如 GPT、Claude）雖然沒有獨立的 encoder 區塊，但前幾層其實也在做類似的事，把 token 轉成富含上下文的表示。 延伸閱讀：decoder、embedding、Transformer、BERT、encoder-decoder 架構、attention 機制。