核心概念

• 傳統AI依賴明確設定的資料、規則與演算法來做決策，用於分析、分類和預測。(不會「創造新內容」)
• 生成式AI則透過深度學習模型，學習大量未標註資料的分布特徵，創造出全新內容，如文字、圖像、音樂等，具備更強的創造力和靈活性。

功能與目標

• 傳統 AI 主要用於辨識、分類、預測等任務，目標是對現有資料做出判斷或決策。
• 生成式 AI 則專注於創造新內容，如自然語言文本、圖像、音樂、影片等，具備「創造」能力。

模型架構與技術

• 傳統 AI 多採用規則式系統、支援向量機（SVM）、決策樹、羅吉斯迴歸等較為傳統的機器學習模型。
• 生成式 AI 則多使用深度學習架構，如變換器（Transformer）、生成對抗網路（GAN）、變分自動編碼器（VAE）、擴散模型等，能捕捉資料的高階語義與結構。

資料需求

• 傳統 AI 通常需要大量高品質且準確標註的資料，這些資料用於監督式學習，依賴明確的輸入與輸出對應關係。資料多半偏向處理結構化資料（表格、數字），聚焦於特定類別或領域，標註錯誤會直接影響模型性能，因此資料品質非常重要。
• 生成式 AI 多數情況下利用大量非結構化的資料（文字、圖片、聲音）進行自我學習，對標註資料的依賴較低。為了捕捉資料的多樣性和細節，通常需要龐大的資料集，因此訓練成本較高，涵蓋更廣泛且多樣化的資料來源。

應用範圍

• 傳統 AI：風險評估、影像分類、圖片識別等明確任務。
• 生成式 AI：內容創作、虛擬助理、影像合成、程式碼生成等創新領域。

整體而言，傳統 AI 偏向於分析、分類與決策，適合明確的任務需求；而生成式 AI 則透過深度學習，適合創造文字、圖像、音樂與程式碼等新內容的能力。兩者並非對立，而是互補，在日常生活中許多應用場景常同時結合傳統 AI 的判斷力與生成式 AI 的創造力，以達到更完整的解決方案。