Traditional AI vs. generative AI: IT 领袖指南

人工智能（AI）的格局正以前所未有的速度演进，迫使 IT 领导者时刻保持前瞻性。传统 AI 已在企业中默默运行数十年，而 generative AI（以下简称 GenAI）的出现则极大地改变了公众对 AI 的认知，并开辟了新的应用领域。要做出正确的战略决策，理解这两类 AI 在核心特性、应用场景以及实施要求上的差异至关重要。

本文将探讨传统 AI 与 generative AI 的主要区别、各自应用以及它们对技术与商业未来的影响。

AI 的类型概览

人工智能是一个广泛的概念，指一系列让计算机能够模拟人类推理、沟通和决策的技术。它结合了机器学习（ML）、自然语言处理（NLP）、深度学习、神经网络以及 large language models（LLMs），用于分析数据、识别模式并生成洞见。AI 的目标是在多个领域中提升自动化与问题解决能力。在 AI 体系中，存在多种子类型（例如 agentic AI），但目前最主要的仍是传统 AI 与 generative AI。

什么是传统 AI？

传统 AI 又被称作规则驱动（rule-based）或确定性（deterministic）AI，即训练后完成预设任务的 AI。它也被称为 narrow AI，专注于解决定义明确的问题，通过分析历史数据并识别模式来做出预测与决策，从而自动化重复任务。

在 安全运营中心（SOC）中，传统 AI 可用于自动化分级和调查，帮助团队总结大量安全事件、自动执行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，Randstad Netherlands 在其 SOC 中使用 AI，每天快速摄取来自数十个安全、云及其他应用的大规模数据，仅用两名半专职员工便能完成检测、工程与告警分级工作。

如今，决策树、神经网络、逻辑回归、监督学习和强化学习与数据存储及知识库协同工作，帮助传统 AI 识别模式、分类数据并进行预测。

什么是 generative AI？

Generative AI 是一种能够生成内容的人工智能。它在庞大的数据集上训练，通过学习数据中的模式和关系来生成新的、原创的内容，从而模拟人类创造力。换句话说，generative AI 可以生成图像、视频、代码、音乐，并能翻译语言或回答问题。

例如，Elastic Support Assistant 就是一款基于 generative AI 的聊天体验，借助 retrieval augmented generation (RAG) 来提升搜索效果，能够回答广泛的产品问题。

市面上存在多种 generative AI 模型。例如，Gemini、Grok、Claude 均属于生成式预训练 Transformer（GPT）模型。Transformer 依赖注意力机制来映射元素之间的关系。另一类常见模型是 GAN（generative adversarial networks）：其内部包含生成器与判别器两条神经网络，通过对抗迭代不断提升生成内容的质量。

因此，generative AI 不仅超越了传统 AI 的能力，还极大地加速了创新的可能性。

传统 AI 与 generative AI 的关键差异

两者在能力、应用场景以及学习方式上均存在明显差异。下面进行对比。

能力

传统 AI 模型相对僵化，而 generative AI 模型更能适应新问题。原因在于传统 AI 需要明确规则，并在新场景中依赖人工干预；generative AI 则通过海量数据学习模式与关系，具备“学会学习”的能力。

• 传统 AI：侧重数据分析、预测以及基于规则的任务自动化
• Generative AI：能够生成原创内容，并能根据动态输入不断适应

应用与使用场景

由于能力不同，两者最适用的场景也各不相同。

• 传统 AI：适用于复杂分析任务，例如欺诈检测、推荐系统和流程自动化
• Generative AI：超越传统的“分析+预测”，可生成文本、视频、音频、代码、图像；还能对数据进行综合，如文档摘要；亦可作为安全分析师与 SRE 的助手

传统 AI 的典型案例

每次你说 “Hey Siri”，其实都是在调用传统 AI 来回答问题或执行设定的任务（例如设闹钟）。其他案例包括：

• 欺诈检测：在银行和电商领域，传统 AI 用于分析交易数据，检测异常交易，以识别潜在欺诈。
• 预测分析：在医疗、金融和市场营销中，AI 通过历史数据预测未来趋势，帮助控制疾病爆发、指导经济决策或制定营销活动。

Generative AI 的典型案例

由于 generative AI 提供了更直观的数据交互方式，全球企业纷纷采用它来提升生产力、效率与员工体验。

• 内容生成：Generative AI 可分析庞大数据集并根据输入生成新内容。例如，ElasticGPT 帮助 Elastic 员工快速定位信息，提高工作效率。
• 个性化推荐：在流媒体和电商平台中，generative AI 通过生成个性化内容与建议来优化用户体验。
• AI 赋能设计：它可协助设计师创建新产品概念、数字艺术作品与营销素材。
• 客户服务机器人：基于 AI 的聊天机器人可自动解答常见问题，提升客户服务效率；generative AI 驱动的聊天机器人 能以自然语言与客户沟通，并进行个性化问答。

实施需求

传统 AI 与 generative AI 的部署方式、所需数据与基础设施也不同。

• 传统 AI：依赖结构化数据、预定义算法和规则逻辑，较易在特定业务流程中落地。
• Generative AI：需要大规模数据集、强大的计算资源以及复杂的深度学习模型，部署更为复杂且资源消耗更高。

为组织选择合适的 AI 路线

要选对 AI 路径，必须充分了解自身业务场景、现有基础设施及 IT 流程。决策时，尤其要关注以下因素：

• 复杂性：若任务需要结构化分析或决策，传统 AI 更合适；若任务需要自适应，则 generative AI 是更好的选择。
• 创造性：是否需要创造性输出？传统 AI 遵循预设规则，而 generative AI 可生成原创内容，更适合创意场景。
• 数据需求：Generative AI 需要海量数据与强算力；传统 AI 则可在较小的结构化数据集上运行。

AI 技术的未来

AI 时代已经到来。那么 AI 的未来会怎样？全球企业对 generative AI 的兴趣日益高涨：93% 的高管已在 GenAI 上投入或计划投入（详见 报告）。然而，这一趋势也伴随着伦理与安全挑战，监管步伐在全球范围内并不一致。美国倾向放宽监管以鼓励创新，而欧盟的 AI 法案则旨在保障安全、基本权利与以人为本的 AI。

AI 偏见问题有时会减缓企业采用速度。毕竟，AI 的质量取决于训练数据，而数据常包含固有偏见，AI 可能放大这些偏见。此外，generative AI 可能会出现“幻觉”，其可靠性备受关注；能源消耗也不容忽视，因为 AI 需要大量算力。

尽管挑战重重，AI 依旧是颠覆性技术机遇——前提是负责任地开发和使用。最新一代模型正在增强自我纠错和独立决策能力，这被称为 agentic AI。

Elastic 的 AI 解决方案

搜索是 AI 的核心，而 Elastic 正是搜索 AI 公司。通过先进的搜索能力、实时分析和机器学习集成，Elastic 帮助企业高效释放 AI 的潜力。了解我们如何改进 客户支持、员工效率以及安全运营。