判别式人工智能是什么？和生成式 AI 有何不同
TL;DR判别式人工智能是学习从输入到标签的映射、直接建模条件概率 P(y|x) 的一类方法，常用于分类、排序和异常检测；生成式方法则建模数据本身的分布，并能据此生成新样本。
判别式人工智能（Discriminative AI）是直接学习“给定输入，输出是什么”的一类方法，用数学语言说，就是直接建模条件概率 P(y | x)：看到一封邮件 x，判断它是不是垃圾邮件 y。分类、排序、异常检测、情感判断，这些任务大多由判别式模型完成。逻辑回归、支持向量机、大多数用于分类的神经网络，都属于判别式方法。
和生成式方法的区别
生成式方法建模的是数据本身是怎么来的，比如联合分布 P(x, y)，或者某一类数据的分布 P(x | y)。打个比方：要区分猫和狗的照片，判别式模型只学“哪些特征能把两者分开”；生成式模型则要学“猫的照片长什么样、狗的照片长什么样”，学会了就能画出新的猫和狗。所以两者的主要区别在建模目标，不能简单地归结为“会不会生成内容”，生成式模型也可以用来做分类。
一个经典比较
2001 年，Andrew Ng 和 Michael Jordan 在 NIPS 上发表了一篇经典论文，比较了判别式的逻辑回归和生成式的朴素贝叶斯。他们发现，在他们研究的模型和实验条件下，生成式方法在样本少的时候收敛更快，而判别式方法在数据多了以后最终误差更低。这个结论常被用来说明：数据少时可以考虑生成式方法，数据充足时判别式方法往往更准。
今天的意义
生成式 AI 火了以后，判别式 AI 听上去像是“老技术”，其实它一直在大量生产系统里默默干活：内容审核、风控反欺诈、推荐排序、医学影像辅助诊断、工业质检。这些任务要的是准确、快速、可量化的判断，而不是生成一段话。很多大模型应用里，也会用一个判别式的小模型来做路由、过滤和打分，比如判断用户问题属于哪一类、检测内容是否违规。两类方法更多是互补，而不是替代。