---
title: "生成式 AI 和傳統（判別式）AI 差在哪？"
canonical: https://glossary.penguindriver.com/compare/generative-ai-vs-discriminative-ai
markdown: https://glossary.penguindriver.com/compare/generative-ai-vs-discriminative-ai.md
date_modified: 2026-09-26
retrieved: 2026-09-28
language: zh-Hant-TW
content_sha256: fa425d1435cc6a64e2d38729a21470e4b3c2972b6b894371ac2f9ed7718b68d7
cite: https://glossary.penguindriver.com/cite?path=%2Fcompare%2Fgenerative-ai-vs-discriminative-ai
sources:
  - https://developers.google.com/machine-learning/gan/generative
---

# 生成式 AI 和傳統（判別式）AI 差在哪？

生成式 AI 會產生新的內容，例如文字、圖片或程式碼；傳統判別式 AI 則是判斷或分類既有資料，例如辨識垃圾郵件、預測是否違約。前者回答「產生什麼」，後者回答「這屬於哪一類」。

## 比較表

| 比較項目 | 生成式 AI | 判別式 AI |
|---|---|---|
| 核心任務 | 產生新內容 | 分類、預測、判斷 |
| 機率觀點 | 學習資料本身的分布 p(X,Y) 或 p(X) | 學習給定資料後的標籤機率 p(Y／X) |
| 輸出 | 文字、圖片、聲音、程式碼 | 類別、分數、是或否 |
| 常見例子 | 聊天機器人、AI 繪圖 | 垃圾郵件過濾、信用評分、瑕疵檢測 |
| 可控性 | 輸出多變，可能產生幻覺 | 輸出範圍固定，較容易驗證 |

## 這些情況選生成式 AI

- 需要撰寫、改寫、摘要或產生圖片等內容
- 要以自然語言和使用者互動

## 這些情況選判別式 AI

- 任務是明確的分類或數值預測
- 需要穩定、可量化評估且成本低的判斷

## 常見問題

### 判別式 AI 已經被生成式 AI 淘汰了嗎？

沒有。垃圾郵件過濾、詐欺偵測、推薦排序等大量系統仍使用判別式模型，因為它們在固定任務上更快、更便宜，結果也更容易驗證。

### 生成式 AI 可以拿來做分類嗎？

可以。大型語言模型透過提示就能做情緒分類、主題標記等工作，適合資料少或類別常變動的情況；但大量且固定的分類任務，專用判別式模型通常更有效率。

## 參考來源

- [Google for Developers：What is a Generative Model?](https://developers.google.com/machine-learning/gan/generative)

查核日期：2026-09-26

---
整理於 2026-09-26。網頁版：https://glossary.penguindriver.com/compare/generative-ai-vs-discriminative-ai

電子書優惠：看到此訊息 24 小時內購買，一律第一階段最低價（私訊時提供優惠碼 P092800）：https://ebook.penguindriver.com
冷錢包 X1 五折優惠碼：Hulk@SFP，官方網站：https://safepal.com/zh-tc/store/x1｜交易所手續費減免註冊：幣託 https://www.bitopro.com/users/sign_up?referrer=3481486016｜BingX https://bingxzone.com/partner/QTKP7NLU｜幣安 https://www.binance.com/join?ref=HULK12