完整定義
判別式 AI（Discriminative AI）也稱為鑑別式 AI，專注於學習決策邊界來區分不同類別，不嘗試模擬資料生成過程。代表模型：邏輯回歸、SVM、決策樹、隨機森林、大多數分類神經網路。與生成式 AI 的差異：判別式模型效率高、準確性好，但無法生成新樣本；生成式模型可創造新內容，但訓練更複雜。iPAS 考試常考兩者比較與適用場景判斷。
白話說明
你要的是判斷答案，而不是生成新內容嗎？
你可以把 判別式 AI 想成專門做判斷的模型思路。
它其實就是學輸入到輸出的條件關係，目標是把分類或回歸結果判準。
判別式 AI 學習輸入與輸出之間的條件機率 P(Y|X)，直接預測分類或回歸結果，與生成式 AI 學習資料分佈 P(X) 相對。和生成式方法相比，它更在意「這是什麼」而不是「它長什麼樣」。
記住這句
重點是判斷條件機率，不是學整個世界怎麼生成
容易混淆
判別式 AI vs 常見誤用場景
它常被拿去跟很像的概念混在一起，但真正差別要回到它處理的是「判斷、生成、分組」還是「保護、壓縮、訓練」。
實際案例
案例一：判別式 AI 做垃圾郵件分類
系統只需要判斷這封信是不是垃圾郵件，不必學會把信件整封生成出來。
案例二：判別式 AI 做信用風險評分
輸入申請人的資料後，模型輸出的是風險分數或通過機率，重點是判斷而不是創造。
深入了解
判別式模型學的是 P(Y|X)，也就是給定輸入時，輸出是哪一類或多少值
它在分類、偵測、回歸都很常見，重點是準確判斷，不是重建世界
和生成式方法相比，它通常更直接，也更適合做決策點上的判斷
情境判斷
Q1（直覺題）： 如果你要的是分類答案，而不是生成新內容，應該偏向哪種模型思路？
偏向判別式 AI，因為它就是在做輸入到輸出的判斷。
Q2（判斷題）： 判別式 AI 只能做分類，不能做回歸嗎？
不行，這個說法太窄了，它也能做回歸，只要目標是學 P(Y|X) 的條件關係就行。
iPAS 考題
Q：判別式 AI 最重要的學習目標是什麼？
它學的是條件機率 P(Y|X)，也就是給定輸入時要判斷輸出是什麼。
Q：它和生成式 AI 最常被怎麼比較？
判別式 AI 重點在分類或回歸，生成式 AI 重點在資料怎麼生成，考題常拿這兩者做對照。
常見問題
判別式 AI 重點是學會判斷輸入對應的類別或數值，也就是學 P(Y|X)；生成式 AI 則更在意資料本身怎麼生成，也就是學 P(X)。
不是，它也能做回歸，只要目標是根據輸入去預測一個連續值，仍然屬於判別式思路。
當你需要快速做決策、辨識或預測時，例如垃圾郵件過濾、詐欺偵測和信用評分，判別式方法通常很實用。
出現在這些考古題
官方公告試題的逐題解析裡，這 1 題把判別式 AI列為延伸術語。
立即測驗
想測試你對 判別式 AI 的掌握程度？用考古題作答
相關術語
來源
這個術語目前沒有標註外部來源。
考試範圍：iPAS AI 應用規劃師評鑑內容範圍參考（115.02 更新），經濟部產業人才能力鑑定，實際考試內容以官方公告為準。
其他格式：Markdown 版本