传统 AI 与生成式 AI：IT 领导者指南

人工智能 (artificial intelligence - AI) 的格局正以前所未有的速度发展，这对 IT 领导者提出了保持领先的挑战。虽然传统 AI 数十年来一直默默支撑企业运营，但生成式 AI (generative AI - GenAI) 的出现重塑了公众认知，并开辟了新的前沿。理解这两类 AI 的核心差异、应用以及实施要求，对战略决策至关重要。

这篇博客探讨了传统 AI 与生成式 AI 的核心差异、它们的应用以及对技术和商业的未来影响。

理解 AI 类型

人工智能是一个广义术语，指的是让计算机能够模拟类人推理、交流和决策的技术。它使用机器学习 (ML)、自然语言处理 (natural language processing - NLP)、深度学习、神经网络（neural networks）以及大语言模型 (large language models - LLMs) 来分析数据、识别模式并生成洞察。AI 的目标是在各个领域提升自动化和问题解决能力。在人工智能中，存在多种 AI 类型，包括 agentic AI。然而，AI 领域的两大主角是传统 AI 和生成式 AI。

什么是传统 AI？

传统 AI 是基于规则或确定性的 AI，意味着它被训练来完成预设的任务或任务集。传统 AI 也被称为窄 AI，旨在解决定义明确的问题，并通过分析历史数据和识别模式来做出准确预测和决策，从而自动化重复性任务。

传统 AI 可用于在安全运营中心 (security operations center - SOC) 自动化分流和调查，使团队能够总结安全事件集合、自动化复杂的分析和管理任务，并对建议的行动方案进行排序。

例如，荷兰 Randstad 在其 SOC 中使用 AI，仅依靠两个半全职员工就能快速摄取来自数十个安全、云及其他应用的大量数据，用于检测、工程以及警报分流。

如今，决策树、神经网络、逻辑回归、监督学习（supervised learning）和强化学习与数据存储和知识库结合，帮助传统 AI 系统识别模式、分类数据并进行预测。

什么是生成式 AI？

生成式 AI（Generative AI）是一种能够创造内容的人工智能。它在海量数据集上进行训练，从中学习数据模式和关系。这使得它能够基于学到的结构生成新的原创内容，并模拟人类的创造力。换句话说，生成式 AI 可以生成图像、视频、代码、音乐，还能进行语言翻译或回答问题。

例如，Elastic Support Assistant 是一个由生成式 AI 驱动的聊天体验，旨在回答各种产品问题，并使用 RAG（retrieval augmented generation - 检索增强生成）来提升搜索效果。

生成式 AI 模型有多种类型。例如，Gemini、Grok 和 Claude 等应用就是基于 GPT（生成式预训练变换器）模型的。Transformer 模型依赖注意力机制来映射不同元素之间的关系。GAN（generative adversarial networks - 生成对抗网络）则由生成器和判别器两个神经网络组成，它们通过不断生成和改进的过程共同创造内容。

因此，生成式 AI 代表了比传统 AI 更先进的一种形式，它不仅突破了传统 AI 的能力，还极大地释放了创新潜力。

传统 AI 和生成式 AI 的关键区别

传统 AI 和生成式 AI 在关键方面有所不同，特别是在它们的能力、应用以及学习方式上。让我们来比较一下。

能力

传统 AI 模型更僵化，而生成式 AI 模型能够适应新问题。这是因为传统 AI 模型需要明确的规则来运行，并在新场景中需要人工干预。而生成式 AI 模型则是在大量数据上训练的，从中学习模式和关系。传统 AI 模型通过重复来学习，而生成式 AI 模型则是学会学习。因此，传统 AI 和生成式 AI 在能力上有显著差异：

传统 AI：分析数据、做出预测以及自动化基于规则的任务
生成式 AI：生成原创内容并适应动态输入

应用和用途

由于传统 AI 和生成式 AI 的能力不同，它们最有用的场景也不同。

传统 AI：适合复杂的分析任务，如欺诈检测、推荐系统和流程自动化
生成式 AI ：超越传统 AI 的 "分析和预测" 能力，能够创建内容，例如文本、视频、声音、代码和图像；综合数据，例如总结文档；并作为安全分析师和 SRE 的助手

传统 AI 用例

每当你说 "Hey Siri"，你就是在调用传统 AI 来帮你找到问题的答案，或者执行预定义任务，比如设置闹钟。其他用例包括：

欺诈检测：传统 AI 算法用于分析银行和电子商务交易数据，以识别交易是否超出模式，可能表明存在欺诈行为。
预测分析：在医疗、金融和营销中，AI 模型会分析历史数据来预测未来趋势，帮助管理疾病爆发、指导经济决策并制定活动。

生成式 AI 用例

由于生成式 AI 提供了一种更直观的沟通和访问数据的方式，它正迅速被全球企业采用，以提高生产力、效率和工作环境。

内容生成：生成式 AI 正在通过其分析海量数据集并从输入中生成新内容的能力，彻底改变内容生成。例如，ElasticGPT 帮助 Elastic 员工快速找到相关信息并提升工作效率。
个性化推荐：生成式 AI 通过生成个性化内容和建议来提升用户体验，例如在流媒体服务和电子商务平台中。
AI 驱动的设计：生成式 AI 帮助设计师创建新的产品概念、数字艺术和营销材料。
客户服务机器人 ：AI 驱动的聊天机器人提供自动化客户支持，快速解决常见问题，同时帮助组织改善客户服务。启用生成式 AI 的聊天机器人可以通过自然语言与客户交流，并使用个性化问答快速解决问题。

实施要求

传统 AI 和生成式 AI 还需要不同的实施方法，取决于不同的数据、专业知识和基础设施需求。

传统 AI：依赖结构化数据、预定义算法和基于规则的逻辑。在特定业务流程中更容易实现。
生成式 AI ：需要大型数据集、大量计算能力和复杂的深度学习模型，使得实施更加复杂且资源密集。

现在观看

为你的组织选择正确的方法

清楚理解你的业务用例、基础设施和当前 IT 流程将决定哪种 AI 能帮助你实现目标。特别需要在决策过程中考虑以下关键因素：

复杂性：如果任务需要结构化分析或决策，传统 AI 更合适。对于自适应应用，生成式 AI 是更好的选择。
创造力：你的需求是否与创造性应用相关？传统 AI 遵循预定义规则，而生成式 AI 能创新并生成原创内容，更适合创造性应用。
数据需求：要理解生成式 AI 需要庞大的数据集和大量计算资源，而传统 AI 可以在较小的结构化数据集上运行。

AI 技术的未来

AI 的时代已经到来。但 AI 的未来是什么样的呢？显然，生成式 AI 在全球范围内的组织中被快速采用，93% 的高管已经投资或计划投资 GenAI ------ 对 AI 助手以及它们所承诺的速度和效率的需求很高。但这种对技术的拥抱在全球范围内也引发了警报，因为 AI 带来了许多伦理和安全相关的挑战，而监管机构正在努力跟上。在美国，放松管制的举措有利于创新。但在欧盟，AI 法案旨在保障安全、基本权利和以人为本的 AI。

对 AI 偏见的担忧有时减缓了企业的采用。毕竟，AI 的质量取决于其训练数据，而数据往往包含固有的偏见，这些偏见最终会被 AI 强化。AI 的可靠性也受到质疑；生成式 AI 可能产生幻觉。其他担忧还包括环境问题。AI 需要大量计算能力，这意味着它是一种资源消耗极大的技术。

然而，尽管存在这些挑战，AI 仍然代表了一种变革性的技术机遇，特别是在负责任地开发和使用的情况下。最新一波 AI 模型正在提升其自我纠错和独立决策的能力 ------ 这被称为 agentic AI。

Elastic 的 AI 解决方案

搜索是 AI 的核心，而 Elastic 是 Search AI 公司。通过先进的搜索功能、实时分析和机器学习集成，Elastic 使企业能够高效地利用 AI 的力量。看看我们如何在客户支持、员工效率和安全运营中做到这一点。

深入了解 Elastic 生成式 AI 工具和能力。

探索更多 AI 资源

本博客文章中描述的任何功能或特性的发布和时间完全由 Elastic 自行决定。任何当前不可用的功能或特性可能不会按时交付，甚至完全不交付。

在本文中，我们可能使用或提及了第三方生成式 AI 工具，这些工具由其各自所有者拥有和运营。Elastic 对这些第三方工具没有任何控制权，我们对其内容、操作或使用不承担任何责任或义务，也不对你使用此类工具可能产生的任何损失或损害承担责任。在使用 AI 工具处理个人、敏感或机密信息时请务必谨慎。你提交的任何数据可能会被用于 AI 训练或其他目的，不能保证你提供的信息会得到安全或保密的保护。在使用任何生成式 AI 工具之前，你应熟悉其隐私政策和使用条款。

Elastic、Elasticsearch 及相关标志是 Elasticsearch N.V. 在美国和其他国家的商标、标志或注册商标。所有其他公司和产品名称均为其各自所有者的商标、标志或注册商标。

原文：Traditional AI vs. generative AI: What's the difference? | Elastic Blog