近年来，预测式人工智能（PredictiveAI）通过先进的推荐算法、风险评估模型、以及欺诈检测工具，一直在推高着该领域公司的投资回报率。然而，今年初突然杀出的生成式人工智能（GenerativeAI）突然成为了全球热点话题。每个人都在热议如何利用大语言模型（LargeLanguageModel，LLM）进行内容的生成；以及利用客户服务或扩散模型（DiffusionModel），进行视觉内容的创建。那么，生成式人工智能将替代预测式人工智能，成为提高生产力的关键驱动因素吗？

不可否认，生成式人工智能和预测式人工智能是两种强大的AI类型，它们在商业和其他领域都有着广泛的应用。虽然都使用机器学习从数据中获取“知识”，但它们的学习方式和目标有所不同：

如上表所示，两者的基本区别在于，预测式人工智能的输出是预测，而生成式人工智能的输出是新的内容。以下是几个典型领域的示例：

我们有必要了解驱动这两种类型AI的不同机器学习算法的各自优、劣势，以便为业务需求选择正确的实现方式。

预测式人工智能算法可以基于诸如：线性回归、逻辑回归、决策树、以及随机森林等基本的机器学习模型，来预测包括：连续变量（例如，销售量）和二进制变量（例如，客户是否会流失）等各类信息。在某些情况下，由于能够学习到数据中的复杂模式，因此深度学习算法和强化学习在预测式人工智能的任务中，能够表现出卓越的性能，非常适合于预测客户行为、检测欺诈、以及诊断结果等任务。

上图展示了预测式人工智能如何基于一组输入数据，来预测二进制变量--是否患有心脏病的过程。当医疗服务提供商希望使用预测式人工智能，来识别有心脏病风险的患者时，他们可能会使用过往患者的历史数据，来了解不同特征（如，患者的人口统计数据、健康和治疗状况）与心脏病的关系。机器学习模型可以从中发现意外的模式，并提供关于哪些患者更易患心脏病的准确预测。据此，医疗保健提供者可以制定个性化的预防计划。

与预测式人工智能相比，生成式人工智能通常使用无监督或半监督式学习算法，来训练模型。也就是说，无监督学习算法能够从未标记的数据中学习，而半监督学习算法则会从未标记和少量标记的数据组合中学习。总的说来，它们不需要大量标记数据，只需通过屏蔽部分训练数据，然后训练模型，便可恢复被屏蔽掉的数据。例如，大语言模型就是通过将训练数据中的一些标记，随机替换为特殊标记（如，[MASK]）来进行训练。然后，此类模型会学习根据前后单词的上下文，以预测被屏蔽的标记。下图展示了BERT架构中的屏蔽过程。

上图展示的过程是：首先向数据集图像添加噪声，然后训练模型来推断缺失的信息，从而构建出扩散模型。虽然在面对足够大量的未标记数据进行训练时，LLM和扩散模型可以展现优异的性能。然而，为了改善特定用例的结果，开发人员经常会在少量标记的数据上，对生成的模型进行微调，通过强化学习并整合人类的反馈，来减少对抗性反应的数量，进而提高模型的整体性能。

在实际应用中，营销是最先受益于生成式人工智能的业务领域之一。例如，为了生成诸如：博文和社交媒体帖子等创造性的内容，营销机构可以首先选择一个经过预处理的LLM，来证明其用例的可接受性能。然后，他们可以根据机构客户的现有内容数据集对模型进行微调。一旦完成训练，该模型便可被用于生成适合于本机构客户需求的新的内容输出。

预测式人工智能通常具有如下两方面的主要优势：

当然，预测式人工智能也存在着如下三个方面的挑战：

我们再来看看生成式人工智能算法的优势：

当然，作为一项非常新的技术，生成式人工智能同样也面临着许多挑战：

可以说，上述两种AI的优、劣势，在很大程度上决定了可以应用的关键领域。

我们首先来看预测式人工智能的应用领域。凭借着高度准确的预测能力，以及能够获得足够多的已标记数据来训练AI模型，该预测可以完全自动化各项任务。因此，其适用的场景包括：

下面是生成式人工智能应用的典型示例：

综上所述，预测式人工智能凭借着其高精度的自动化流程，以及无需人工监督的特点，目前仍主导着高端人工智能市场。而生成式人工智能是一个新兴的、快速发展的领域，并且有可能彻底改变许多商业领域的应用。虽然生成式人工智能是否会成为可与预测性人工智能相比肩的主要生产力驱动因素尚待观察，但是其潜力是不可小觑的。

北京市海淀区中关村南1条甲1号ECO中科爱克大厦6-7层

北京市公安局海淀分局备案编号：110108002980号营业执照