生成式 AI

它是什么

生成式 AI 是能够根据输入生成文本、图像、音频、代码或其他内容的 AI。它从训练数据中学习统计模式，并据此构造新的输出，而不是从数据库里原样取回一条固定答案。[S1][S2]

为什么需要它

它把许多“从空白开始”的工作变成“给出意图并审阅结果”：起草、改写、摘要、构思和多模态制作都可更快迭代。它的产出仍需要目标、约束和验收标准。

它如何工作

以文本模型为例，输入先被切成 Token，模型根据已有上下文反复预测后续 Token。采样策略决定从候选分布中如何选择，因此同一提示可能得到不同结果。

必须澄清的误会

生成式 AI ≠ 大语言模型。 大语言模型是生成式 AI 里最常被提到的一种，但它只是「模型」这一层；生成式 AI 是能力类别，还包含图像、音频、视频等模态。把这两者混用，最常见的后果是把「我们要不要用生成式 AI」讨论成「我们要不要接某个模型」。

生成式 AI ≠ 会生成就可用。 生成是默认行为，不是正确性保证。同一套技术既能写出结构化周报，也能把不存在的条款说得像真的。判断能不能用它，看的不是它生成得多流畅，而是这一步出错后你有没有办法发现并撤回。

它不覆盖全部 AI 能力。 分类、排序、预测这些能力在生成式 AI 出现之前就是主流，现在也仍然是许多业务的底座——推荐系统并不会因为你会用聊天模型就变得不重要。

真实例子

产品经理输入访谈笔记和固定模板，模型生成需求草稿。草稿节省整理时间，但数字、承诺和用户原话仍要回到原始材料核对。

什么时候适合与不适合

适合需要多个候选、允许人工审阅、质量可以迭代的任务。不适合把未经核验的输出直接用于医疗诊断、法律结论、财务指令或不可逆操作。

亲自试一下

让模型为同一段材料分别写“忠实摘要”和“创意改写”，比较两次任务的容错范围。标出哪些句子能由原文支持，哪些是模型新增。

接下来学什么

阅读 Token 理解模型处理文本的单位，再阅读大语言模型理解生成能力从何而来。

来源与修订

风险与生成机制参考 NIST 生成式 AI 风险管理框架画像 [S1]，术语边界参考可信 AI 术语表 [S2]。本词条不把生成能力等同于事实可靠性。