Generative AI 是什么?它能生成什么、和普通 AI 有什么区别
Generative AI（生成式 AI）指能够产出新内容的 AI 系统——文本、图像、音频、视频、3D/4D 场景等，而不只是对已有内容做分类或预测。判断一个工具是否属于生成式 AI，最简单的标准是看它的输出：如果输出是"这段内容属于哪一类""这个问题的答案是什么"这类判断，它更接近判别式 AI；如果输出是一段此前不存在的文字、一张新图、一段新音频，它就是生成式 AI。这个区别重要，因为它决定了你该用什么方式使用它：判别式工具用来做判断和筛选，生成式工具用来做创作和产出，而生成结果需要人来审校。
生成式 AI 与普通 AI 的核心区别
| 维度 | 判别式 AI（常说的"普通 AI"） | 生成式 AI |
|---|---|---|
| 输出 | 标签、分数、分类结果 | 新内容（文本/图像/音频/视频/3D 等） |
| 典型任务 | 图像分类、垃圾邮件识别、视觉问答 | 文生图、文生视频、文生音频 |
| 使用方式 | 输入数据，得到判断 | 输入提示词，得到产物 |
| 结果性质 | 对已有内容的判断 | 此前不存在的内容 |
两者并非互斥。视觉问答（VQA）这类任务就同时涉及理解与生成，Devi Parikh 因 VQA 相关工作获得 2025 年 ICCV 的 PAMI Mark Everingham Prize，说明"理解"和"生成"在实际系统里常常交织在一起。
生成式 AI 能生成什么
按内容类型看，目前有代表性的方向包括：
- 图像：Make-A-Scene 强调对 AI 图像生成的更强创作控制（2022）。
- 视频：Make-A-Video 是早期文本到视频生成的代表（2022）。
- 音频：AudioGen 是早期文本到音频生成的代表（2022）。
- 3D/4D 动态场景：Make-A-Video3D 做文本到 4D 动态场景生成（2023）。
- 图像编辑与视频编辑：Emu、Emu Edit、Emu Video、Emu Video Edit 覆盖了生成与编辑（2023）。
这些模型来自 Devi Parikh 在 Meta 生成式 AI 组织期间的工作记录。它们说明生成式 AI 的能力边界已经从单一模态扩展到多模态，并且从"生成"延伸到"可控地编辑"。
生成式 AI 是怎么工作的
基本流程可以概括为三步：
- 输入提示词：用文字（或其他条件）描述你想要的内容。
- 模型生成：模型基于训练中学到的模式，产出一段新内容。
- 人工审校与调整：检查结果是否符合预期，必要时修改提示词或直接编辑。
"可控性"是这条流程里的关键变量。Make-A-Scene 之所以被单独强调"更强的创作控制"，正是因为早期生成模型常常只能"给什么要什么"，用户难以精确指定构图、风格或局部内容。可控性越高，生成式 AI 越接近可用的创作工具，而不是随机出图的玩具。
常见误解与局限
- 生成结果不等于事实：模型产出的是"看起来合理"的内容，不是经过核实的信息。用于事实性场景时必须人工核对。
- 可控性有限：即使有 Make-A-Scene 这类强调控制的模型，精确控制输出仍然困难，通常需要多次尝试。
- 版权与伦理问题：训练数据来源、生成内容的归属和使用边界，仍是行业未完全解决的问题。
- 能力有边界：不同模态的成熟度不同，文本和图像相对成熟，视频、3D/4D 仍在快速演进中。
怎么判断一个工具是不是生成式 AI
问自己一个问题：它的输出是"判断"还是"新内容"？
- 输出"这封邮件是不是垃圾邮件"——判别式。
- 输出"帮你写一封邮件"——生成式。
- 输出"这张图里有什么"——判别式（理解）。
- 输出"按这个描述画一张图"——生成式。
如果一个工具既能判断又能生成，看你的使用目的：你要的是结论，还是产物。