生成式人工智能
Generative Artificial Intelligence
学到 认得 就够：听到能明白
你可能会说
“我让 AI 写访谈摘要和给访谈分组，这两项任务为什么要分开理解？”
生成式 AI 根据学到的数据规律产生文字、图像或声音等内容。它可以形成新的组合，但生成过程本身并不保证输出对应真实事件或可靠知识。
使用 AI
科研里的例子
让系统写一个农户访谈提纲，属于生成；把实际访谈分成经营、融资、家庭三类，则是分类任务。
生成模型刻画某种数据分布，并在给定条件下构造输出；分类模型通常在预先规定的标签里做选择。两者可共享架构，却承担不同任务。把分类问题写成生成标签时，还须约束格式、处理多余解释，并评价类别本身。对科研而言，生成的价值常在草拟和探索，证据资格则取决于来源与验证，不能从语言流畅或图像逼真直接推出。
判断
亲手检查一次
给一段真实材料分别要求输出固定标签和开放摘要，比较评价标准：前者核标签，后者还须核事实遗漏与添加。
它做不到的
生成的新文本不等于新增事实。模拟样本、插画与示例应与实测资料区分，不能混进真实研究观察。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。
来源
- Google · What is Machine Learning?2026-11-06 核对
- Rombach 等 · High-Resolution Image Synthesis with Latent Diffusion Models2026-11-06 核对
卡片底稿由 AI 协助整理，经过核对；发现错误请告诉我。