AI通识入门|第1.1节习题解析

(1)概念辨析与AI评估:使用你选用的一个大语言模型(如文心一言、Kimi Chat等)，要求它解释"生成式AI"和"判别式AI"的核心区别，并分别提供两个应用实例。然后，请对照本教材1.2节的内容和表1.2，评价AI的解释是否清晰、准确、全面，它提供的例子是否恰当。

答：判别式AI就好比一个分类器，输入数据后就能输出一个分类的结果。生成式AI能输出一些新的内容。举例：判别式AI:例如诊断模型，能识别有病还是没病；还有每天刷脸进学校的门禁系统。生成式AI：kimi，千问等等都是生成式AI的大模型。下面来看看AI的回答：

垃圾邮件过滤器（Gmail/QQ邮箱）

输入：邮件内容 + 发件人信息。

输出："垃圾邮件"或"正常邮件"。

它不关心如何写一封垃圾邮件，只学习两者之间的边界特征（如含"免费"、"中奖"等关键词）。

医疗影像辅助诊断（肺结节检测）

输入：患者的CT肺部影像。

输出：结节是"良性"还是"恶性"的概率。

它只判断已有图像，不会"画"出一张新的肺片。

ChatGPT / 文心一言（文本生成）

输入：用户的提示词（如"写一份产品发布会演讲稿"）。

输出：一篇从未在互联网上出现过的、逻辑连贯的演讲稿。

它通过学习海量文本的词语搭配规律，逐字"生成"新内容。

Midjourney / Stable Diffusion（图像生成）

输入：文字描述（如"一只赛博朋克风格的猫，在霓虹灯下"）。

输出：一张符合描述的高清图片。

它从随机噪声开始，逐步"去噪"并重塑出符合文本语义的全新像素排列。

生成式AI也可以做判别任务（比如GPT可以判断情感倾向），但判别式AI无法做生成。 区别在于：生成式AI因为理解了数据分布，所以"降维"就能做判断；而判别式AI只画了一条线，根本没有能力去"构造"数据内部的结构。

另一个工具的回答：

生成式AI（Generative AI）和判别式AI（Discriminative AI）是机器学习中两种根本不同的建模思路，核心区别在于它们对概率分布的建模方式不同。

模型学习"这封邮件是垃圾邮件的概率"，直接根据邮件内容中的关键词、发件人等特征判断是否为垃圾邮件。它不需要知道"正常邮件长什么样"，只需要学会区分两者边界。

摄像头捕捉到人脸后，模型直接判断"这张脸是否匹配数据库中的授权人员"。它学习的是不同人脸之间的判别边界，而不是理解"人脸的一般结构"。

模型学习了人类语言的统计规律（联合概率），能够根据前文生成连贯的、新的文本。它不是从固定选项中选择答案，而是逐字创造出从未存在过的句子。

模型学习了"文本描述"与"图像像素"之间的联合分布，能够根据全新的文字提示（如"一只骑自行车的宇航员猫"）生成从未在训练数据中出现过的图像。

判别式AI问的是："这是什么？"（分类、判断） 生成式AI问的是："这像什么？还能创造出什么新的？"（生成、创造）

两者并非对立，现代AI系统常常结合使用——比如自动驾驶先用判别式模型识别障碍物，再用生成式模型预测其他车辆的未来轨迹。

书里的答案：

对照书里的内容，可以看到deepseek和kimi回答的都还不够全面。