近年來，預測式人工智能（PredictiveAI）通過先進的推薦算法、風險評估模型、以及欺詐檢測工具，一直在推高著該領域公司的投資回報率。然而，今年初突然殺出的生成式人工智能（GenerativeAI）突然成為了全球熱點話題。每個人都在熱議如何利用大語言模型（LargeLanguageModel，LLM）進行內容的生成；以及利用客戶服務或擴散模型（DiffusionModel），進行視覺內容的創建。那么，生成式人工智能將替代預測式人工智能，成為提高生產力的關鍵驅動因素嗎？

不可否認，生成式人工智能和預測式人工智能是兩種強大的AI類型，它們在商業和其他領域都有著廣泛的應用。雖然都使用機器學習從數據中獲取“知識”，但它們的學習方式和目標有所不同：

如上表所示，兩者的基本區別在于，預測式人工智能的輸出是預測，而生成式人工智能的輸出是新的內容。以下是幾個典型領域的示例：

我們有必要了解驅動這兩種類型AI的不同機器學習算法的各自優、劣勢，以便為業務需求選擇正確的實現方式。

預測式人工智能算法可以基于諸如：線性回歸、邏輯回歸、決策樹、以及隨機森林等基本的機器學習模型，來預測包括：連續變量（例如，銷售量）和二進制變量（例如，客戶是否會流失）等各類信息。在某些情況下，由于能夠學習到數據中的復雜模式，因此深度學習算法和強化學習在預測式人工智能的任務中，能夠表現出卓越的性能，非常適合于預測客戶行為、檢測欺詐、以及診斷結果等任務。

上圖展示了預測式人工智能如何基于一組輸入數據，來預測二進制變量--是否患有心臟病的過程。當醫療服務提供商希望使用預測式人工智能，來識別有心臟病風險的患者時，他們可能會使用過往患者的歷史數據，來了解不同特征（如，患者的人口統計數據、健康和治療狀況）與心臟病的關系。機器學習模型可以從中發現意外的模式，并提供關于哪些患者更易患心臟病的準確預測。據此，醫療保健提供者可以制定個性化的預防計劃。

與預測式人工智能相比，生成式人工智能通常使用無監督或半監督式學習算法，來訓練模型。也就是說，無監督學習算法能夠從未標記的數據中學習，而半監督學習算法則會從未標記和少量標記的數據組合中學習?？偟恼f來，它們不需要大量標記數據，只需通過屏蔽部分訓練數據，然后訓練模型，便可恢復被屏蔽掉的數據。例如，大語言模型就是通過將訓練數據中的一些標記，隨機替換為特殊標記（如，[MASK]）來進行訓練。然后，此類模型會學習根據前后單詞的上下文，以預測被屏蔽的標記。下圖展示了BERT架構中的屏蔽過程。

上圖展示的過程是：首先向數據集圖像添加噪聲，然后訓練模型來推斷缺失的信息，從而構建出擴散模型。雖然在面對足夠大量的未標記數據進行訓練時，LLM和擴散模型可以展現優異的性能。然而，為了改善特定用例的結果，開發人員經常會在少量標記的數據上，對生成的模型進行微調，通過強化學習并整合人類的反饋，來減少對抗性反應的數量，進而提高模型的整體性能。

在實際應用中，營銷是最先受益于生成式人工智能的業務領域之一。例如，為了生成諸如：博文和社交媒體帖子等創造性的內容，營銷機構可以首先選擇一個經過預處理的LLM，來證明其用例的可接受性能。然后，他們可以根據機構客戶的現有內容數據集對模型進行微調。一旦完成訓練，該模型便可被用于生成適合于本機構客戶需求的新的內容輸出。

預測式人工智能通常具有如下兩方面的主要優勢：

當然，預測式人工智能也存在著如下三個方面的挑戰：

我們再來看看生成式人工智能算法的優勢：

當然，作為一項非常新的技術，生成式人工智能同樣也面臨著許多挑戰：

可以說，上述兩種AI的優、劣勢，在很大程度上決定了可以應用的關鍵領域。

我們首先來看預測式人工智能的應用領域。憑借著高度準確的預測能力，以及能夠獲得足夠多的已標記數據來訓練AI模型，該預測可以完全自動化各項任務。因此，其適用的場景包括：

下面是生成式人工智能應用的典型示例：

綜上所述，預測式人工智能憑借著其高精度的自動化流程，以及無需人工監督的特點，目前仍主導著高端人工智能市場。而生成式人工智能是一個新興的、快速發展的領域，并且有可能徹底改變許多商業領域的應用。雖然生成式人工智能是否會成為可與預測性人工智能相比肩的主要生產力驅動因素尚待觀察，但是其潛力是不可小覷的。

北京市海淀區中關村南1條甲1號ECO中科愛克大廈6-7層

北京市公安局海淀分局備案編號：110108002980號營業執照