GenAI 是什么?它能生成什么、和普通 AI 有什么区别
GenAI（生成式人工智能）指能够生成新内容的模型——文本、图像、音频、视频，甚至 3D/4D 动态场景，而不只是对已有内容做分类或预测。它和普通 AI 的核心区别在于：普通 AI 通常做判断（这是猫还是狗、这条评论是正面还是负面），GenAI 做创作（画一只猫、写一段评论、生成一段猫叫的音频）。如果你想知道 GenAI 到底能生成什么、该从哪个方向理解它，下面按能力类型和代表方向拆开讲。
判别式 AI 与生成式 AI：一个做判断，一个做创作
| 维度 | 判别式 AI（普通 AI） | 生成式 AI（GenAI） |
|---|---|---|
| 核心任务 | 分类、识别、预测 | 生成新内容 |
| 典型输出 | 标签、分数、判断结果 | 文本、图像、音频、视频、3D 场景 |
| 例子 | 判断一张图里有没有行人 | 根据一句话生成一段视频 |
| 对使用者的意义 | 帮你做决策 | 帮你产出素材 |
这个区分不是绝对的，很多系统会同时用到两类能力，但理解“判断 vs 创作”这条线，是理解 GenAI 的第一步。
GenAI 能生成哪些内容
从公开的研究进展看，GenAI 的生成能力已经覆盖多个模态：
- 图像生成：根据文字描述生成图像，并支持对生成过程做更细的创作控制。Devi Parikh 参与的 Make-A-Scene（2022）就强调“为 AI 图像生成提供更强的创作控制”。
- 视频生成：从文本直接生成视频。Make-A-Video（2022）被描述为“首个同类文本到视频生成”工作。
- 音频生成：从文本生成音频。AudioGen（2022）被描述为“首个同类文本到音频生成”工作。
- 图像与视频编辑：不只是从零生成，还能对已有内容做编辑。Emu、Emu Edit、Emu Video、Emu Video Edit（2023）属于这一方向。
- 动态场景生成：Make-A-Video3D（2023）指向“文本到 4D 动态场景生成”，即在三维空间基础上加入时间维度。
这些例子说明 GenAI 的“生成”不限于单一模态，而是沿着文本、图像、音频、视频、3D/4D 逐步扩展。
为什么这些方向值得关注
Devi Parikh 的公开履历提供了一个观察窗口：她 2023 年进入 Meta 新的生成式 AI 组织，同年推出 Emu 系列；2024 年离开 Meta 的 GenAI 高级总监职位。这条时间线本身反映了 GenAI 从研究走向组织化投入的过程。
对普通人来说，更有用的信息是：这些能力对应到日常场景，大致是——
- 需要配图但不会画：用文生图工具，从一句描述开始
- 需要短视频素材但没有拍摄条件：关注文生视频方向
- 需要配音或音效：关注文生音频方向
- 已有素材想改：关注图像/视频编辑类生成能力
普通人可以从哪里切入
不需要先搞懂模型原理，可以从“你缺什么内容”倒推：
- 先明确你要生成的是哪一类内容：文字、图、音频还是视频。不同模态的工具和能力差异很大。
- 从单次生成开始，而不是追求完美：GenAI 的输出通常需要多轮调整，第一版只是起点。
- 注意“控制”这件事：Make-A-Scene 强调创作控制，说明生成不等于随机——你能通过描述和参数影响结果，这是上手时要练的部分。
- 区分“生成”和“编辑”：从零生成和修改已有内容，是两条不同的使用路径。
如果你只是想理解 GenAI 是什么，记住一句话就够：它是让机器产出新内容的技术，而不是只做判断的技术。至于具体用哪个工具、生成什么，取决于你手头缺的是哪一类素材。