最近幾年最火的估計就是AI賽道了。但現在大家討論的基本上都是生成式AI，而不是類似Alpha Go之類的傳統AI。哪這兩者有什么區別呢？我們從5個方面分析一下。

　　人工智能（AI）是一個非常廣泛的話題。今天作者要詳細探討生成式AI和傳統AI。通過技術角度、應用角度、發展歷程、能力范圍以及未來發展潛力這五個方面，看看它們有什么區別。

　　傳統AI基于規則和數據

　　傳統AI也叫做“規則驅動的AI”或“判別式AI”，主要依靠預設的規則和大量的訓練數據來工作。

　　它的核心思想是通過大量的數據進行訓練，讓模型學會從數據中提取特征，然后根據這些特征進行分類或預測。傳統AI包括各種機器學習算法，如決策樹、支持向量機（SVM）、邏輯回歸等。

　　舉個例子，如果想讓傳統AI識別貓和狗的圖片，你需要提供成千上萬張標注好的貓和狗的圖片。AI會通過學習這些圖片的特征（比如貓的尖耳朵、狗的圓鼻子）來進行分類。

　　生成式AI基于生成模型

　　生成式AI則是一種能夠生成新內容的AI。它不僅能識別和分類數據，還能創造出新的數據。

　　生成式AI的核心技術包括生成對抗網絡（GANs）、變分自編碼器（VAEs）和大型語言模型（如GPT-3）。這些模型通過學習大量的訓練數據，能夠生成與訓練數據相似但全新的內容。

　　舉個例子，如果你讓生成式AI學習大量的繪畫作品，它不僅能識別不同風格的畫作，還能自己創作出新的畫作，模仿某種特定的風格。

　　傳統AI的應用

　　傳統AI廣泛應用于各種需要精確分類和預測的領域。以下是幾個主要應用：

　　1. 醫療診斷：傳統AI可以幫助醫生分析醫學影像，識別早期的病變，如癌癥、肺炎等。

　　2. 金融服務：在銀行和金融機構，傳統AI用于信用評分、欺詐檢測、股票市場預測等。

　　3. 語音識別：傳統AI技術被用于開發語音助手，如蘋果的Siri、谷歌的Google Assistant，它們能夠識別并執行用戶的語音命令。

　　生成式AI的應用

　　生成式AI因其獨特的創造能力，應用于許多創意和生成任務中。以下是幾個主要應用：

　　1. 內容生成：生成式AI可以用來創作新的文本內容、故事、文章，甚至是新聞報道。比如，OpenAI的GPT-3能夠根據輸入的提示生成高質量的文章。

　　2. 藝術創作：生成式AI能創作新的音樂、繪畫、視頻等。例如，GANs可以生成新的藝術作品，甚至模仿著名藝術家的風格。

　　3. 游戲設計：生成式AI可以創建新的游戲角色、場景和劇情，提高游戲的多樣性和趣味性。

　　傳統AI的發展歷程

　　傳統AI的發展可以追溯到20世紀50年代。1956年達特茅斯會議被認為是AI誕生的標志，科學家們開始探討如何讓機器具備智能。

　　20世紀80年代：專家系統是早期的AI應用，專家系統使用規則庫和推理引擎來模擬人類專家的決策過程。

　　2000年代：機器學習的興起隨著計算能力的提升和數據的爆炸式增長，機器學習算法得到了廣泛應用。

　　生成式AI的發展歷程

　　生成式AI的發展相對較新，以下是幾個重要的里程碑：

　　2014年：GANs的提出：Ian Goodfellow提出了生成對抗網絡（GANs），這是生成式AI的重要突破，它能夠生成非常逼真的圖像和視頻。

　　2017年：Transformer模型：由谷歌提出的Transformer模型為生成式AI的發展奠定了基礎，特別是在自然語言處理領域。

　　2020年：GPT-3的發布：OpenAI發布了GPT-3，這是一個擁有1750億參數的語言模型，能夠生成高質量的文本，標志著生成式AI的一個重要里程碑。

　　傳統AI的能力范圍

　　傳統AI擅長解決特定領域的問題，例如分類和回歸，傳統AI能夠通過學習歷史數據，進行分類和回歸任務，如圖像分類、語音識別、預測房價等。

　　模式識別：它能夠識別和提取數據中的模式和特征，廣泛應用于圖像處理、語音處理等領域。

　　自動化決策：傳統AI可以在預設規則的基礎上，自動進行決策，如信用評分、欺詐檢測等。

　　生成式AI的能力范圍

　　生成式AI的能力更加廣泛和靈活，主要能力包括：

　　內容生成：生成式AI可以生成高質量的文本、圖像、音樂等內容。比如，ChatGPT可以寫故事、回答問題；GANs可以生成逼真的人臉圖像。

　　模擬和預測：它能夠模擬復雜系統并進行預測，如天氣預報、市場趨勢預測等。

　　增強創意：生成式AI可以幫助藝術家和設計師創作出新的藝術作品，提供創意靈感。

　　這里要特別注意的是，并非傳統的AI的發展潛力就一定小于生成式AI，兩者就像是不同技術能力在不同場景下的應用，只要選擇正確、合適，就可以很好的解決問題。

　　“實際上一款應用，如果本身解決的是復雜場景、復雜問題，那一定是新老技術范式集大成者。 舉個例子：金融企業的客服機器人，對可控性要求極高。大模型生成的內容是不可以直接面客的，必須用人工配置好的話術。可以是RNN、Bert等模型做分類、向量檢索，也可以是老一代的專家系統。”

　　上段文字來自群聊中于長弘老師（追一科技產品中心負責人、前同程藝龍產品總監，公眾號：弘觀AI）

　　傳統AI的未來發展

　　傳統AI仍然在不斷發展，未來潛在方向包括：

　　1. 更高的準確性和效率：隨著算法的改進和計算能力的提升，傳統AI在分類和預測任務中的準確性和效率將進一步提高。

　　2. 更廣泛的應用：傳統AI將應用于更多領域，如智能制造、智慧城市、自動駕駛等，進一步改變我們的生活方式。

　　3. 與其他技術的融合：傳統AI將與物聯網、大數據、云計算等技術相結合，形成更加智能的系統。

　　生成式AI的未來發展

　　生成式AI具有巨大的潛力，未來的幾個潛力方向：

　　1. 更強的生成能力：生成式AI將能夠生成更加復雜和高質量的內容，如更加逼真的虛擬世界、更加細膩的藝術作品等。

　　2. 跨領域應用：生成式AI將應用于更多領域，如教育、醫療、娛樂等，提供個性化和創新的解決方案。

　　3. 與人類合作：生成式AI將成為人類創意工作的重要助手，幫助人類實現更多創意想法和創新突破。

　　再通過幾個案例理解一下生成式AI和傳統AI的區別：

　　案例1：寫作助手

　　傳統AI的智能寫作助手，如早期的文本糾錯工具，它們主要依靠預設的語法規則和詞典來進行工作。如果你寫錯了一個單詞或用了錯誤的語法，它們會提示你進行修改。但是，這種工具的能力有限，無法理解復雜的上下文，也不能生成有創意的內容。

　　生成式AI的智能寫作助手，如GPT-4，可以根據上下文生成高質量的文本內容。比如，你可以讓GPT-4幫助你寫一篇關于環保的文章，它不僅能理解你的要求，還能生成流暢、有邏輯的段落，甚至可以提供一些創新的觀點和見解。

　　案例2：智能客服

　　傳統AI的智能客服主要通過預設的問答對來回答用戶的問題。如果用戶的問題在預設的范圍內，智能客服可以快速、準確地回答。但是，如果問題超出了預設范圍，智能客服就會無能為力。

　　生成式AI的智能客服，如基于GPT-3的客服系統，可以理解和回答更復雜的問題。即使用戶的問題沒有在預設范圍內，生成式AI也能根據學習到的大量信息，生成合適的回答。這使得用戶體驗更加自然和流暢。

　　案例3：醫療診斷

　　傳統AI在醫療診斷中的應用主要是通過大量的醫學影像和病歷數據進行訓練，幫助醫生識別和診斷疾病。比如，傳統AI可以通過學習大量的X光片，幫助醫生識別早期的肺癌。

　　生成式AI在醫療中的應用更加廣泛和靈活。除了識別和診斷疾病，它還能生成個性化的治療方案，甚至模擬藥物的作用機制，幫助醫生進行復雜的醫學研究和決策。

　　為了區分生成式AI和傳統AI。從技術角度、應用角度、發展歷程、能力范圍以及未來發展潛力這五個方面進行了解析，希望能幫助大家更好地理解這兩種AI技術的區別~

　　專欄作家

　　杜昭，微信公眾號：AI與用戶體驗，人人都是產品經理專欄作者，實戰派設計師，目前在某手機公司負責手機OS交互設計，所負責產品覆蓋用戶數億，主要研究AI與人機交互設計的融合及人因學對用戶體驗的影響。

　　本文原創發布于人人都是產品經理，未經許可，禁止轉載。

　　題圖來自 Unsplash，基于 CC0 協議。

　　該文觀點僅代表作者本人，人人都是產品經理平臺僅提供信息存儲空間服務。