“分成式 AI”一般指判别式（Discriminative）AI/ 分析式 AI，对应“生成式 AI”即生成式（Generative）AI。两者核心差别在于：一个主要“做判断 / 分类”，一个主要“生成内容 / 数据”。
1) 定义与目标
判别式 / 分析式 AI（Discriminative）
- 学习 P(y \| x)：给定输入 x，预测标签 / 结果 y
- 目标：把输入分到某个类别、或给出一个确定的预测值
- 常见任务：分类、回归、排序、检索匹配、风控评分等
生成式 AI（Generative）
- 学习 P(x) 或 P(x \| y) 或更常见的 P(下一个 token \| 上下文)
- 目标：建模数据分布，能生成新的样本（文本、图像、代码、音频等）
- 常见任务：写作、对话、总结、翻译、图像生成、代码生成、语音合成等
2) 典型例子
判别式 / 分析式：
- 垃圾邮件识别（邮件 → 垃圾 / 非垃圾）
- 信用风险评估（用户特征 → 风险分数）
- CTR 预估（用户 + 广告 → 点击概率）
- 语音 / 图像分类（图片 → 猫 / 狗）
生成式：
- ChatGPT 写文章、答题、写代码
- Stable Diffusion 生成图片
- TTS 生成语音
- 生成合成数据（用于隐私保护或数据增强）
3) 输出形态与评估
- 判别式：输出通常是标签 / 分数 /Top-K；评估常用 Accuracy、AUC、F1、RMSE 等
- 生成式：输出是内容序列；评估更复杂，常用困惑度、BLEU/ROUGE（有争议）、人评、任务成功率、安全性与事实性指标等
4) 模型家族与训练方式（直观理解）
- 判别式模型常见：逻辑回归、SVM、随机森林、XGBoost、判别式神经网络分类器
- 生成式模型常见：语言模型（Transformer）、扩散模型、VAE、GAN（也属于生成式）
但注意：** 同一个架构（比如 Transformer）** 既可以用作判别式（做分类头），也可以用作生成式（自回归生成）。关键看训练目标与使用方式。
5) 什么时候用哪种？
- 你要稳定、可控、指标清晰地做预测 / 分类：优先判别式 / 分析式
- 你要产出内容（文本 / 图 / 代码）或需要“开放式”表达：用生成式
- 很多真实系统会组合使用：
- 生成式负责“生成候选 / 解释 / 草稿”，判别式负责“打分筛选 / 风险控制 / 排序”。
✦ 卷终 · 柯航存卷 ✦