判別式 AI 是什麼？

Discriminative AI — 判別式 AI 的完整解釋

判別式 AI 學習輸入與輸出之間的條件機率 P(Y|X)，直接預測分類或回歸結果，與生成式 AI 學習資料分佈 P(X) 相對

容易混淆

判別式 AI vs 常見誤用場景 它常被拿去跟很像的概念混在一起，但真正差別要回到它處理的是「判斷、生成、分組」還是「保護、壓縮、訓練」。

最關鍵的區別： 先看它是在做「理解、生成、分組、保護」哪一件事，再看細節。

記住這句就好

重點是判斷條件機率，不是學整個世界怎麼生成

實際案例

案例一：判別式 AI 做垃圾郵件分類 系統只需要判斷這封信是不是垃圾郵件，不必學會把信件整封生成出來。

案例二：判別式 AI 做信用風險評分 輸入申請人的資料後，模型輸出的是風險分數或通過機率，重點是判斷而不是創造。

深入了解

判別式模型學的是 P(Y|X)，也就是給定輸入時，輸出是哪一類或多少值 它在分類、偵測、回歸都很常見，重點是準確判斷，不是重建世界 和生成式方法相比，它通常更直接，也更適合做決策點上的判斷

判別式 AI 真正重要的，不是名詞本身，而是它幫你解決的是哪一類問題。

情境判斷

Q1（直覺題）： 如果你要的是分類答案，而不是生成新內容，應該偏向哪種模型思路？ → 偏向判別式 AI，因為它就是在做輸入到輸出的判斷。

Q2（判斷題）： 判別式 AI 只能做分類，不能做回歸嗎？ → 不行，這個說法太窄了，它也能做回歸，只要目標是學 P(Y|X) 的條件關係就行。

判別式 AI 在 iPAS 考試中的重點

根據歷年統計，判別式 AI 相關題目 屬於高頻考範圍。

常見問題

判別式 AI 和生成式 AI 差在哪裡？

判別式 AI 重點是學會判斷輸入對應的類別或數值，也就是學 P(Y|X)；生成式 AI 則更在意資料本身怎麼生成，也就是學 P(X)。

判別式 AI 只能做分類嗎？

不是，它也能做回歸，只要目標是根據輸入去預測一個連續值，仍然屬於判別式思路。

什麼場景最適合判別式 AI？

當你需要快速做決策、辨識或預測時，例如垃圾郵件過濾、詐欺偵測和信用評分，判別式方法通常很實用。