GenAI 跟以前的 AI 到底差在哪？一篇讓你真正「懂了」的解釋
重點整理
- 傳統 AI 的核心任務是「分類與預測」：給一個輸入，輸出一個標籤或數值。
- 生成式 AI（GenAI） 的核心任務是「生成新內容」：給一個提示，輸出文字、圖像、程式碼等從未存在過的東西。
- 兩者底層都跑機器學習，但訓練目標、輸出形式、使用場景差了一個維度——搞清楚這點，你就不會再把它們混為一談。
你說的「舊式 AI」，其實一直都在你身邊
先把「AI」這個詞從神壇上拉下來。傳統 AI——或者說「判別式 AI（Discriminative AI）」——已經跑在你生活的每個角落很多年了。
Gmail 的垃圾信篩選器？傳統 AI。Netflix 推薦你下一部劇？也是。你刷臉解鎖 iPhone？還是。信用卡公司偵測異常交易？全都是。
白話講就是：你丟一個輸入進去，它給你一個「判斷結果」。垃圾信 / 非垃圾信、這張臉是不是你、這筆交易正常不正常。輸出通常是個分類標籤、一個機率值、或一個預測數字。
它非常擅長在「已知邊界內」做精準判斷，但它不會自己創造東西。你問它「幫我寫一封道歉信」，它不知道你在講什麼。
GenAI 的「新」在哪裡？它在做一件本質不同的事
生成式 AI 的核心邏輯是：學習資料的分佈，然後從這個分佈裡採樣出新的東西。
你可以把它想成一個讀了幾百億本書的人，當你問他「寫一首關於秋天的詩」，他不是從某個地方「找」一首詩出來貼給你——他是根據對「詩」「秋天」「語言結構」的理解，即時生成一首這個世界以前不存在的詩。
這就是根本差異：傳統 AI 的輸出是選擇，GenAI 的輸出是創造。
當然，這不代表 GenAI 沒有限制。它生成的東西可能是錯的、可能是幻覺、可能帶著訓練資料的偏見——但它「能生成」這件事本身，就是一個不同量級的能力跳躍。
運作邏輯拆開來看
傳統判別式 AI 的訓練方式：
- 給大量標記好的資料（這封信是垃圾信、那封不是）
- 模型學習「輸入特徵 → 輸出標籤」的映射關係
- 推理時：新輸入 → 模型判斷 → 輸出分類
生成式 AI 的訓練方式（以 LLM 為例）：
- 給大量無標記文字資料（整個網路、書籍、程式碼）
- 模型學習「這段文字後面最可能接什麼」（next token prediction）
- 推理時：你的 prompt → 模型一個字一個字地生成回應
這裡有個有趣的地方：GPT 系列、Claude、Gemini 這些大型語言模型，本質上都在做「預測下一個 token」——但當你把這個任務做到夠大、夠深，它就自然浮現出推理、寫作、甚至寫程式的能力。這就是 OpenAI 和 Anthropic 那幾年一直在研究的「湧現（emergence）」現象。
如果你想更進一步了解這些模型的實際差異，可以看看 Claude vs Gemini：設計哲學不同，選錯會很痛，裡面有詳細拆解兩家在設計邏輯上的不同取向。
大家最常搞混的幾件事
誤解一：「GenAI 比傳統 AI 更聰明，所以會取代它」
不對。它們解決的問題根本不同。你不會拿 ChatGPT 去做即時信用卡詐騙偵測——延遲太高、成本太貴、也沒這個必要。傳統 AI 在結構化任務上的效率和精準度，GenAI 短期內根本追不上。
誤解二：「GenAI 只是比較大的機器學習模型」
規模確實是關鍵因素之一，但不只是「大」。訓練目標、資料形式、模型架構（Transformer 的 attention mechanism）都不一樣。把 GenAI 說成「比較大的舊 AI」，就像說汽車是「比較快的馬車」——類比方向有點偏。
誤解三：「生成的東西都是真的 / 可信的」
這是最危險的誤解。GenAI 的輸出是「機率上合理的文字序列」，不是「查找過的事實」。它可以非常流暢地跟你說一個根本不存在的研究報告。這也是為什麼現在有這麼多工作在做 RAG（Retrieval-Augmented Generation）——讓模型生成前先去查真實資料。
實際上它們經常一起出現
現在很多產品已經是兩者混搭在跑了。
舉個例子：你用一個 AI 客服系統，它先用傳統分類模型判斷「這個問題屬於哪個類別（帳單 / 技術 / 退款）」，再把分類結果丟給 LLM 生成一段對應的回覆。前面是判別式，後面是生成式，各司其職。
或者 AI 繪圖工具：輸入文字 prompt，生成圖像。這是典型的 GenAI 應用。但很多繪圖平台也會先跑一個安全分類模型，過濾有問題的 prompt，再送進生成模型。兩層不同邏輯的 AI 在同一個流程裡。
如果你對訂閱這些工具有預算考量，可以參考主流 AI 工具的費用架構比較，看清楚哪些服務實際上在用什麼技術、值不值得付費。
為什麼這個分別值得你搞清楚
因為當你不清楚兩者的邊界，你很容易對 GenAI 有錯誤期待——期待它像傳統 AI 一樣「永遠給出正確答案」，然後在它幻覺的時候大失所望；或者反過來，期待傳統 AI 能「幫你想東西」，結果它什麼也想不出來。
工具用對地方，才有價值。GenAI 是目前最強的「生成與對話介面」，傳統 AI 是最可靠的「結構化決策引擎」。兩個都重要，角色不一樣。
如果你已經在用 GenAI 工具，下一步可以思考：你的使用場景到底需要「生成」還是「判斷」？搞清楚這點，你對 AI 的使用就會清晰一個量級。
想深入了解 GenAI 的具體應用，可以看看 Claude AI Agent 的實作教學，做完你就會對 GenAI 怎麼被整合進真實工作流有更具體的感受。
常見問題
生成式 AI 和傳統 AI 都用到機器學習，那差別到底在哪？
兩者確實都跑機器學習，但訓練目標完全不同。傳統 AI 學的是「輸入 → 分類標籤」的映射，目的是判斷；生成式 AI 學的是資料的整體分佈，目的是從這個分佈中採樣出新內容。底層技術有重疊，但任務和輸出形式是兩件事。
GenAI 會不會完全取代傳統 AI？
短期內不會，而且兩者本來就不是在競爭同一個位置。傳統 AI 在即時偵測、高精準分類等結構化任務上，效率和成本遠優於 GenAI。現在主流做法反而是兩者混搭——傳統 AI 做前置過濾和分類，GenAI 負責生成和對話，各自發揮優勢。
為什麼 GenAI 有時候會說出根本不存在的事實？
因為它的輸出邏輯是「預測機率上合理的下一個字」，而不是「查找真實資料庫後回答」。它可以非常流暢地生成一段聽起來有道理但完全是虛構的內容，這就是所謂的「幻覺（hallucination）」。這也是為什麼現在很多應用會搭配 RAG 技術，讓模型生成前先檢索真實資料。
ChatGPT 和傳統推薦系統（像 Netflix）都算 AI，怎麼用這篇說的框架區分？
Netflix 的推薦系統是典型傳統 AI：輸入你的觀看紀錄，輸出一個「你可能喜歡的內容清單」，本質是分類與排序任務。ChatGPT 則是生成式 AI：輸入你的問題，輸出一段這個世界上從未字字相同出現過的回應。一個是選擇，一個是創造。
學 GenAI 還需要了解傳統 AI 嗎？
如果你只是要用工具，不一定需要深入傳統 AI。但如果你在做產品開發或整合，了解兩者的邊界非常重要——它能幫你決定哪個環節該用 LLM、哪個環節用輕量分類模型更合適，避免用錯工具、浪費成本。
分享這篇
