L’intelligence artificielle discriminative est une classe de méthodes d’IA qui apprennent une mappage des entrées vers des étiquettes (ou cibles), ou qui modélisent directement la distribution conditionnelle P(y | x). Elle est couramment utilisée pour la classification, le classement et la détection d’anomalies. Les méthodes génératives, quant à elles, modélisent principalement la distribution des données, la distribution conjointe P(x, y) ou la distribution conditionnelle P(x | y), et peuvent générer des échantillons sur cette base. La principale différence entre les deux réside dans l’objectif de modélisation, et ne peut pas être réduite à une simple distinction de « capacité à générer du contenu ».

Les premières approches telles que le perceptron et les machines à vecteurs de support s’inscrivent dans cette lignée. En 2001, Ng et Jordan ont systématisé cette distinction dans leur article NIPS 《On Discriminative vs. Generative Classifiers: A Comparison of Logistic Regression and Naive Bayes》 : les modèles génératifs modélisent la distribution conjointe P(x, y), tandis que les modèles discriminatifs modélisent directement la distribution conditionnelle P(y | x). Dans le cadre de l’étude comparant la régression logistique et le classifieur naïf bayésien, et sous les conditions expérimentales spécifiques, les méthodes génératives convergent plus rapidement dans les phases de petits échantillons, tandis que les méthodes discriminatives peuvent atteindre une erreur asymptotique plus faible à mesure que la quantité de données augmente. Il s’agit de conclusions théoriques et expérimentales liées à des modèles et des hypothèses spécifiques, et ne doivent pas être simplifiées en une « loi » universelle opposant « génératif pour les petits jeux de données » et « discriminatif pour les grands jeux de données ».

Historiquement, le filtrage du spam, l’évaluation du crédit et la classification d’images, ainsi que les encodeurs bidirectionnels modernes tels que BERT et DeBERTa, sont des exemples représentatifs de l’approche discriminative. En 2026, Kasliwal et Singh ont présenté dans un préprint arXiv 《Multi-Label Topic Assignment via LLM Distillation: A Comparative Analysis of Generative vs. Discriminative Student Models》 des compromis modernes pour la même tâche : dans une tâche d’attribution de sujets multi-étiquettes pour le commerce électronique, les modèles discriminatifs sont plus précis sur les avis produits structurés, tandis que même les plus petits modèles génératifs de 1B paramètres peuvent les surpasser dans les dialogues complexes multi-tours ; lorsque le nombre d’étiquettes s’étend à 112 sujets, le Macro-F1 de la base de référence discriminative chute d’environ 35 %. Cela explique la configuration courante de « annotation par grands modèles + discrimination par petits modèles ». Les scénarios nécessitant une prise de décision, tels que la gestion des risques, le contrôle qualité, le diagnostic médical assisté et le classement de recherche, restent le domaine privilégié des modèles discriminatifs.