P1-10.1 分类、预测与生成的区别¶
Section ID:
P1-10.1Version:v2026.07.23
在第 9 章中，我们看到了深度学习(deep learning)如何扩散到多个领域。图像识别(image recognition)、目标检测(object detection)、语音生成(speech generation)、语言建模(language modeling)都属于神经网络从数据中学习表征(representation)这一更大脉络的一部分。
从第 10 章开始，我们进入生成式 AI(generative AI)。要理解生成式 AI，首先要把它和我们在传统机器学习(machine learning)里常见的任务区分开来。
这里的核心问题是：如果分类、预测和生成都会产出模型输出(output)，那么生成式 AI 与以往的模型究竟有什么不同？
在 Part 1 中，本节先建立 分类(classification)、预测(prediction)、回归(regression)、生成(generation)、生成式 AI(generative AI) 之间的基本区分。分类与回归的基本例子已经在 8.1 中介绍过，图像识别、目标检测、语言建模等案例则在第 9 章继续展开。这里会重新把这些案例放在一起，先区分 输出的性质有什么不同。
本节不会解释生成式 AI 的完整结构。下一 token 预测(next-token prediction)、图像生成(image generation)、diffusion model、Transformer、prompt、sampling 等内容会在后续小节和后续章节再讨论。
分类、预测、回归、生成、生成式 AI 在入门阶段都可能听起来像类似的模型输出。先用一句很短的话区分它们的位置：
| 术语 | 极简含义 | 本节中的作用 |
|---|---|---|
| 分类 | 在预先定义的类别中选一个 | 最熟悉的比较基准 |
| 预测 | 估计某个值、状态或下一个候选项的更广泛任务 | 连接分类与生成的宽泛类别 |
| 回归 | 预测连续的数值 | 数值预测的代表形式 |
| 生成 | 产出符合条件的新内容 | 理解生成式 AI 的起点 |
| 生成式 AI | 以生成任务为中心的 AI 使用方式 | 第 10 章的核心主题 |
这里至少要保留的区分是：分类是候选项选择、预测是宽泛估计、回归处理数值、生成产生新内容。
本节先以三种输出方式作为基准线：
| 区分 | 英文表达 | 核心问题 |
|---|---|---|
| 分类 | classification | 这属于哪个类别？ |
| 预测 | prediction | 哪个值或状态最可能出现？ |
| 生成 | generation | 怎样产出符合条件的新内容？ |
这些区分并不是完全互斥的。分类从广义上看也是预测，生成模型内部也会使用概率分布(probability distribution)。不过在入门说明里，按输出的性质来分开理解会更有帮助。
另外，这里还不会解释 下一个输出是如何一步步形成的。这个直觉会在 10.2 单独讨论，而生成结果的质量与风险会在 10.3 再次拆开来看。
区分分类、预测与生成的输出基准¶
- 把分类(classification)理解为选择类别(class)的任务。
- 把预测(prediction)理解为估计数值、概率、状态、下一值等更宽泛的任务。
- 把生成(generation)理解为超出选择单一类别或单一数值、而是创建新内容的任务。
- 看到生成式 AI 并不是与传统机器学习完全断裂的技术，而是模型输出对象和方式继续扩展后的发展脉络。
- 不把
答对答案和生成看起来合理的内容当作同一个意思使用。
三个基准¶
这里不把生成式 AI 解释成某种特殊魔法，而是聚焦在区分输出类型。只要抓住下面三个基准，整体脉络就会清楚。
| 基准 | 为什么重要 | 本节所需的理解水平 |
|---|---|---|
| 分类是选择类别的任务 | 为最熟悉的机器学习任务提供比较基准。 | 理解成在垃圾邮件/正常邮件之类的候选项中选一个即可。 |
| 预测是估计值、状态、概率的更广泛说法 | 帮助读懂分类和生成之间的中间地带。 | 知道它也包括预测数值或下一状态的任务即可。 |
| 生成是创建新内容 | 最快显示生成式 AI 与传统分类器或回归器的差异。 | 理解成模型不再只选类别，而是能生成文本、图像、代码即可。 |
分类是选择类别¶
分类(classification)是决定输入属于哪个类别(class)的任务。Google Machine Learning Crash Course 把 classification 解释为：预测一个样本属于多个 class 中的哪一个。
入门阶段的基准线可以这样理解：
输入：
邮件标题与正文输出：
垃圾邮件 / 正常邮件
或者：
输入：
动物照片输出：
猫 / 狗 / 鸟 / 其他
分类的输出通常是预先定义好的候选项之一。模型不是重新写出一整句话，而是在已知类别列表中选出最合适的一项。
此时模型内部也可能计算概率分数(probability score)。
垃圾邮件: 0.82
正常邮件: 0.18
但如果最终输出是 垃圾邮件，更安全的理解仍然是“选择了一个类别”，而不是“生成了新内容”。
预测是更广泛的说法¶
预测(prediction)的用法比分类更宽。估计某个值、状态、类别或下一事件，都可以归入预测。
例如，回归(regression)就是预测连续值(continuous value)的任务。
输入：
房屋面积、位置、房间数量、建造年份输出：
预估价格
分类从广义上看也属于预测。
输入：
邮件标题与正文输出：
是垃圾邮件的概率
因此，当我们看到 预测 这个词时，必须确认上下文。
| 表达 | 输出示例 | 注意点 |
|---|---|---|
| 分类预测(classification prediction) | 垃圾邮件 / 正常邮件 | 通过选择类别来做预测 |
| 回归预测(regression prediction) | 预估价格、温度、需求量 | 通过估计数值来做预测 |
| 下一项预测(next-item prediction) | 下一个词、下一次点击、下一个商品 | 估计序列或行为中的下一个候选项 |
在 AI 文档里，prediction 的用法非常宽。如果只把 预测 狭义理解成“预言未来”，就很容易混淆。这里把它放在更宽的意义上：根据给定输入估计可能的输出。
生成是创建新内容¶
生成(generation)不只是从固定类别中选一个，或从数值中选一个，而是创建符合条件的新输出内容(output artifact)。
例如：
输入：
请帮我总结这份会议记录输出：
新的摘要文本输入：
请画一幅阴天港口、水彩风格的画输出：
新图像输入：
请把这个 Python 函数改写成 TypeScript输出：
新代码
IBM 对生成式 AI 的说明指出，生成式 AI 会从大规模数据中学习模式与关系，并利用这些信息对用户请求产出新的内容。Feuerriegel 等人的概念论文也把生成式 AI 说明为：能够基于训练数据生成文本、图像、音频等有意义新内容的计算技术。
入门阶段最需要保留的差别是：
分类：
从预先定义的候选项中选一个。预测：
估计某个可能的值或状态。生成：
构造符合条件的新内容。
同一输入也可以变成三种任务¶
即使面对同一项工作，只要问题的定义方式不同，任务也会变成分类、预测或生成。
假设有一封客户咨询邮件：
| 任务 | 问题 | 输出 |
|---|---|---|
| 分类(classification) | 这封咨询应由哪个部门处理？ | 支付 / 配送 / 退款 / 技术支持 |
| 预测(prediction) | 这封咨询演变成紧急处理的可能性有多大？ | 0.73 |
| 生成(generation) | 能否起草一份回复草稿？ | 新回复句子 |
同样的数据，只要 问题定义(problem definition) 改变，模型的角色也会改变。正如第 4 章所说，模型(model)是替代问题进行处理的表征。因此，比起先问“AI 做什么”，更安全的顺序是先问“输入和输出被怎样定义”。
在真实服务中，这几类任务也可能出现在同一个请求里。例如在客户支持服务中，可以这样理解：
| 阶段 | 这一阶段的问题 | 最接近的任务类型 | 输出 |
|---|---|---|---|
| 1 | 这条咨询属于什么类型？ | 分类(classification) | 退款 / 配送 / 换货 / 账号问题 |
| 2 | 它发展成紧急问题的可能性多大？ | 预测(prediction) | 紧急度分数、延迟风险分数 |
| 3 | 应该先展示哪篇帮助文档或处理流程？ | 推荐(recommendation) | 相关文档候选项、流程候选项的排序 |
| 4 | 能否为客服生成可直接查看的回复草稿？ | 生成(generation) | 新回复句子、摘要、处理草稿 |
这个综合案例的重点在于：分类、预测、推荐、生成 不是互相竞争的技术名称，而是在同一工作流程里承担不同输出角色。分类决定咨询的位置，预测估计风险和优先级，推荐缩小下一步候选项，生成则产出供人审阅的草稿。
生成式 AI 与传统模型的不同点¶
生成式 AI 并不是与传统机器学习完全断裂的技术。它仍然需要数据(data)、模型(model)、学习(learning)、模型执行(inference)、概率(probability)、表征(representation)。
但读者最强烈感受到的差异，主要出现在输出上。
| 视角 | 传统分类/预测任务 | 生成式 AI 任务 |
|---|---|---|
| 输出形式 | 类别、分数、数值、状态 | 句子、图像、代码、音频、计划草案 |
| 评价方式 | 正确标签、误差、准确率、召回率等 | 有用性、一致性、依据、安全性、版权、人工审阅 |
| 用户体验 | 查看结果或分数 | 阅读产出物、修改它、再次提问 |
| 风险 | 误分类、预测错误、偏差 | 幻觉、依据缺失、似是而非的错误、版权与安全问题 |
正因为这种差异，生成式 AI 更容易让人觉得系统“像是在思考”。但这种感觉并不自动保证模型真的理解或说得真实。生成式 AI 看起来更强，是因为它能创建新内容；但这也意味着需要审查的风险更多。
检查清单¶
- 我可以把分类(classification)解释为选择类别的任务。
- 我可以说明预测(prediction)是比分类更宽泛的表达。
- 我可以说明回归(regression)是预测连续数值的任务。
- 我可以说明生成(generation)是创建符合条件的新内容的任务。
- 我可以说明同一输入数据会因为问题定义不同而变成分类、预测或生成任务。
- 我可以说明生成式 AI 的风险与输出自由度有关。
- 我可以把问题分开解释为：模型是在选择类别、估计数值或状态，还是在构造新的内容。
- 我可以不把生成式 AI 说成与旧 AI 断裂的魔法，而是说明它在输出形式和审查负担上的差异。
来源与参考资料¶
- Google for Developers, Classification, Machine Learning Crash Course, 确认日期: 2026-06-23.
- Google for Developers, Linear regression, Machine Learning Crash Course, 确认日期: 2026-06-23.
- IBM, What is Machine Learning?, IBM Think, 确认日期: 2026-06-23.
- IBM, What is Generative AI?, IBM Think, 确认日期: 2026-06-23.
- Stefan Feuerriegel, Jochen Hartmann, Christian Janiesch, Patrick Zschech, Generative AI, arXiv, 2023, 确认日期: 2026-06-23.