判別型人工知能（Discriminative Artificial Intelligence）とは、入力からラベル（または目的変数）への写像を学習するか、条件付き確率分布 P(y | x) を直接モデル化するAI手法の一種であり、分類、順位付け、外れ値検出などに広く用いられる。一方、生成型手法は主にデータ分布、結合確率分布 P(x, y)、または条件付き確率分布 P(x | y) などをモデル化し、これに基づいてサンプルを生成する。両者の主な違いはモデル化の対象にあり、「コンテンツを生成できるかどうか」と単純に区別することはできない。

初期のパーセプトロンやサポートベクターマシン（SVM）は、この流れに属する。2001年、NgとJordanはNIPSの論文《On Discriminative vs. Generative Classifiers: A Comparison of Logistic Regression and Naive Bayes》において、両者の違いを体系的に整理した。すなわち、生成型モデルは結合確率分布 P(x, y) をモデル化するのに対し、判別型モデルは条件付き確率分布 P(y | x) を直接モデル化する。同研究で比較されたロジスティック回帰とナイーブベイズモデル、およびその実験条件においては、生成型手法は小規模データ段階で収束が早く、判別型手法はデータ量が増加すると漸近誤差が低くなる傾向が見られた。これは特定のモデルと仮定の下での理論的・実験的結論であり、すべてのモデルに適用可能な「小データなら生成型、大数据なら判別型」という法則と単純化すべきではない。

歴史的にはスパムフィルタリング、信用スコアリング、画像分類、そして今日のBERTやDeBERTaといった双方向エンコーダモデルなどは、判別型のアプローチの代表例である。2026年、KasliwalとSinghはarXivのプレプリント《Multi-Label Topic Assignment via LLM Distillation: A Comparative Analysis of Generative vs. Discriminative Student Models》において、同一タスクにおける現代的なトレードオフを示した。ECにおける多ラベルトピックアノテーションタスクにおいて、構造化された商品レビューでは判別型モデルの方が精度が高いが、複雑なマルチターン対話では最小の1Bパラメータの生成型モデルでも上回ることがある。また、ラベルの規模が112トピックに拡大すると、判別型ベースラインのMacro-F1スコアは約35%低下した。これは、「大規模モデルによるアノテーション＋小規模モデルによる判別」という形態が一般的である理由を説明している。リスク管理、品質検査、医療補助診断、検索ランキングなど「判断を下す」シナリオでは、依然として判別型モデルが主流である。