AI技术分类解析：生成式AI与判别式AI的核心差异与应用场景

1次阅读

没有评论

共计 2093 个字符，预计需要花费 6 分钟才能阅读完成。

在 AI 领域，模型大致可以分为 生成式 AI(Generative AI)和 判别式 AI(Discriminative AI)两大阵营。简单来说：

生成式 AI（如 GPT、Stable Diffusion）的核心能力是 ” 创造 ”，它能生成新的数据样本（文本、图像等），模仿已有数据的分布规律
判别式 AI（如 CNN 分类器）的核心能力是 ” 判断 ”，它专注于区分不同类别数据，比如识别图片中是猫还是狗

举个例子：用 AI 处理图像时，生成式模型可以画出一只世界上不存在的猫，而判别式模型会告诉你某张图片里的动物是不是猫。

生成式 AI常用 注意力机制(Attention Mechanism)，像 Transformer 架构会动态计算输入数据各部分的关系权重。这种结构特别适合处理长序列数据（如文本生成）
```
# Transformer 注意力计算简化示例
def attention(Q, K, V):
    scores = torch.matmul(Q, K.transpose(-2, -1)) / math.sqrt(d_k)
    return torch.matmul(torch.softmax(scores, dim=-1), V)
```

判别式 AI更侧重 特征提取(Feature Extraction)，像 CNN 通过卷积核逐层捕捉局部特征。这种层次化结构对图像分类等任务非常有效

# CNN 特征提取简化示例
class CNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1)

生成式模型 常用 似然估计(Likelihood Estimation)，如 VAE 的 ELBO 损失、GAN 的对抗损失，目标是最小化生成数据与真实数据的分布差异
判别式模型 关注 决策边界(Decision Boundary)，如交叉熵损失直接优化分类准确率

生成式 AI 通常需要更多计算资源（如 GPT- 3 训练需要数千 GPU 时）
判别式 AI 在推理时更轻量（如 MobileNet 可在手机端实时运行）

# 变分自编码器核心代码
class VAE(nn.Module):
    def encode(self, x):
        # 编码器输出均值和对数方差
        h = self.encoder(x)
        return self.fc_mu(h), self.fc_var(h)

    def decode(self, z):
        # 解码器重构数据
        return self.decoder(z)

    def forward(self, x):
        mu, logvar = self.encode(x)
        z = self.reparameterize(mu, logvar)  # 重参数化技巧
        return self.decode(z), mu, logvar

# ResNet 残差块实现
class ResidualBlock(nn.Module):
    def __init__(self, in_channels):
        super().__init__()
        self.conv1 = nn.Conv2d(in_channels, in_channels, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(in_channels, in_channels, kernel_size=3, padding=1)

    def forward(self, x):
        residual = x
        out = F.relu(self.conv1(x))
        out = self.conv2(out)
        out += residual  # 残差连接
        return F.relu(out)