---
title: "判別式 AI（Discriminative AI）"
slug: discriminative-ai
language: zh-TW
source: https://aiterms.tw/terms/discriminative-ai
updated_at: 2026-04-29
tags: [判別式AI, 分類模型, 生成式AI對比, iPAS中級]
ipas_term: true
---

# 判別式 AI（Discriminative AI）

> **你要的是判斷答案，而不是生成新內容嗎？**
> 你可以把 判別式 AI 想成專門做判斷的模型思路。
> 它其實就是學輸入到輸出的條件關係，目標是把分類或回歸結果判準。
> 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。和生成式方法相比，它更在意「這是什麼」而不是「它長什麼樣」。

### 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。
>
### iPAS 考題
> **Q：判別式 AI 最重要的學習目標是什麼？**
> 它學的是條件機率 P(Y|X)，也就是給定輸入時要判斷輸出是什麼。
>
> **Q：它和生成式 AI 最常被怎麼比較？**
> 判別式 AI 重點在分類或回歸，生成式 AI 重點在資料怎麼生成，考題常拿這兩者做對照。

### 常見問題
> **Q：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)。
>
> **Q：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。
>
> **Q：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。
>
### 相關術語
> - **生成式 AI**：可以和判別式 AI 直接對比，釐清兩種模型目標
> - **機器學習**：先有資料理解，後面才好進入模型
> - **監督式學習**：最容易和判別式 AI 一起理解
> - **樸素貝氏**：是典型判別式模型的入門例子
> - **邏輯迴歸**：常拿來對照判別式 AI 的條件機率學法

---

來源：https://aiterms.tw/terms/discriminative-ai
快查頁：https://aiterms.tw/terms/discriminative-ai
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-discriminative-ai