判别式人工智能（Discriminative Artificial Intelligence）是学习从输入到标签（或目标）的映射、或直接建模条件分布 P(y | x) 的一类人工智能方法，常用于分类、排序和异常检测。生成式方法则主要建模数据分布、联合分布 P(x, y) 或条件分布 P(x | y) 等，并可据此生成样本。两者主要区别在建模目标，不能简单概括为“会不会生成内容”。

早期的感知机、支持向量机都属于这一路。2001 年，Ng 与 Jordan 在 NIPS 论文《On Discriminative vs. Generative Classifiers: A Comparison of Logistic Regression and Naive Bayes》中把两者的分野系统化：生成式模型建模联合分布 P(x, y)，判别式模型直接建模条件分布 P(y | x)。在该研究比较的逻辑回归与朴素贝叶斯模型及其实验条件下，生成式方法在小样本阶段收敛较快，而判别式方法在数据增多后可能取得更低的渐近误差。这是特定模型和假设下的理论与实验结论，不应简化成适用于所有模型的“小数据生成式、大数据判别式”定律。

历史上的垃圾邮件过滤、信用评分、图像分类，以及今天 BERT、DeBERTa 这类双向编码器，都是判别式思路的代表。2026 年，Kasliwal 与 Singh 在 arXiv 预印本《Multi-Label Topic Assignment via LLM Distillation: A Comparative Analysis of Generative vs. Discriminative Student Models》中给出同任务的现代权衡：在电商多标签主题标注任务上，结构化商品评论中判别式模型更准，而复杂多轮对话中即便最小的 1B 生成式模型也能反超；当标签规模扩到 112 个主题时，判别式基线的 Macro-F1 下滑约 35%。这也解释了“大模型标注 + 小模型判别”这种常见形态。风控、质检、医疗辅助诊断、检索排序等“做判断”的场景，仍是判别式模型的主场。