我們可以簡單區分成幾個面向：

1. 任務目標
•傳統機器學習：
主要做 預測 (Prediction) 或 分類 (Classification)，例如：
- 預測房價
- 判斷圖片是「狗」還是「貓」
- 分析用戶是否可能違約
•生成式 AI：
著重在 創造新內容 (Generation)，例如：
- 生成文章、圖片、音樂、程式碼
- 讓 AI 畫出不存在的臉孔
- 寫出類似人類風格的故事

2. 輸入與輸出
•傳統機器學習：輸入資料 → 輸出 標籤或數值。
（例如輸入「氣溫、濕度」→ 輸出「會不會下雨」）
•生成式 AI：輸入提示 (Prompt) → 輸出 新的內容。
（例如輸入「請生成一張貓咪彈吉他的圖片」→ 輸出一張合成的圖片）

3. 資料使用方式
•傳統機器學習：常需要標註好的 結構化資料（數字、表格、標籤）。
•生成式 AI：通常訓練於 非結構化資料（文字、圖片、聲音），並學習其中的統計分佈，模仿產生相似風格的新內容。

4. 核心技術
•傳統機器學習：
-線性回歸、決策樹、SVM、隨機森林、XGBoost
-深度學習也包含其中，但多偏向分類或回歸任務
•生成式 AI：
-生成對抗網路（GAN）
-自回歸模型（如 GPT 系列）
-擴散模型（Diffusion Models，如 Stable Diffusion）

5. 應用範例
•傳統機器學習：
-信用風險評估
-醫療診斷（良性/惡性腫瘤判斷）
-電商推薦系統
•生成式 AI：
-ChatGPT（對話生成）
-DALL·E / Stable Diffusion（圖片生成）
-AI 音樂創作、影片合成