生成式 AI 根据输入条件生成内容，例如文字、图像、音频、视频或代码。分类系统则可能给一封邮件标记“垃圾邮件”，或判断照片属于哪个类别。这是任务角度的区别，不是“旧 AI 只会判断，新 AI 才会思考”的代际划分。

同一个产品可以既判别又生成

垃圾邮件过滤关注分类，内容推荐关注选择或排序；文章起草和图像生成关注输出内容。一个完整系统也可以先检索资料、判断问题类型，再生成回答，并不是只能二选一。Google 机器学习入门

模型从训练数据中学习模式，并结合提示和上下文组织输出。这不是逐页查阅一套已验证知识库，也不保证能够追溯每个细节的来源。

它可以帮助做什么

可以用来起草邮件、整理材料、提出方案、解释概念、生成图像草图或辅助编程。效果取决于输入材料、任务要求、具体模型与核对方式，不能从“生成了”直接推导为“可以交付”。

代码可能有语法或逻辑错误，图片可能有细节失真，文字也可能把真实术语和虚构事实组合得很流畅。新生成的表达不等于新发现的事实，更不自动证明来源和素材使用已经处理妥当。

一个材料摘要的例子

假设只提供了一份产品说明，让模型整理为简介。应要求它只使用材料支持的功能；材料没有销量数据，就不能接受它补出“销量领先”，没有发布日期，也不能让它推断“今年新上市”。

这里不必先判断文字像不像人写的，而应逐句问：这句话由哪一段材料支持？是否混入了不存在的参数、客户或引用？

把结果检查拆开

先检查格式与范围，再检查事实与来源，最后做任务所需的验证：

  • 文本：核对原始材料、时间、数字和链接，不把生成的链接当作已经访问过的证据。
  • 代码：在隔离环境审查并测试，检查输入边界、依赖和安全性。
  • 图像与音视频：检查内容细节、可用性及使用材料的来源。
  • 涉及重要决策的内容：保留适当人工判断，不让流畅表达代替专业依据。

生成式 AI 可以减少起草成本，但通常也增加了筛选与核对的工作。把它放在明确的输入、输出和检查边界里，才能判断它在自己的任务中是否真的有帮助。