一句话定义
判别式模型（Discriminative Model）学的是“给定输入，该输出哪个标签”；生成式模型（Generative Model）学的是“这类数据长什么样”，因此能造出新的数据。
打个比方
教一个孩子认识猫和狗。判别式模型像小区门卫：他只记住“有胡须、尖耳朵、会喵的是猫；摇尾巴、汪汪叫的是狗”，你牵来一只动物，他立刻判断是猫还是狗。但他不会画猫，也不会画狗。生成式模型像一位画家：他看过成千上万张猫狗照片，脑子里有了“猫大概长什么样”的整体印象，于是能画出一只世界上不存在的猫。门卫做判断，画家做创作。
技术上，判别式直接学条件概率 P(y|x)，找一条分界线；生成式学 P(x) 或 P(x,y)，有了分布就能采样出新样本。所以生成式能“无中生有”，判别式只能“打分分类”。
和相邻概念的区别
有人把生成式等同于“大模型”，这不准确。判别式和生成式是建模思路，不是模型大小。同一个神经网络，改一下输出层和损失函数，既可能做分类，也可能做生成。大语言模型（Large Language Model, LLM）本质是生成式，但你可以让它判断邮件是不是垃圾邮件，这时它在做判别任务——只是用生成的方式完成判别。
对比表：
| 维度 | 判别式模型 | 生成式模型 |
|---|---|---|
| 学什么 | 输入到标签的边界 | 数据本身的分布 |
| 输出 | 标签、概率、分数 | 新样本、文本、图像 |
| 典型任务 | 分类、排序、风控 | 写作、绘画、对话 |
| 常见方法 | 逻辑回归、支持向量机、决策树 | 朴素贝叶斯、AI 词典：生成对抗网络">生成对抗网络、扩散模型、大语言模型 |
| 数据需求 | 通常较少也能工作 | 通常需要大量数据 |
对从业者和普通人的意义
做业务选型时，如果目标是“判断”“预测”“排序”——比如垃圾邮件识别、信用评分、推荐排序——判别式模型往往更直接、更可控，输出就是一个分数或标签。如果目标是“创造内容”——写文案、生成图片、写代码、做客服对话——那就要用生成式模型。生成式AI的短板是可能“一本正经地胡说”，因为它追求像不像，不保证对不对；判别式AI的短板是不会创造，只能在你划定的类别里选。
对普通人来说，理解这条分界线，就能明白为什么传统推荐系统只会猜你“点不点”，而ChatGPT能帮你写完整封邮件。两代AI的根本分野，就在“打分”与“创作”之间。