GenAI 是 Generative AI 的缩写，中文叫“生成式 AI”。它指的是能够根据用户输入生成新内容的 AI，例如文字、图片、音频、视频、代码、设计草稿或方案。
传统 AI 给人的印象常常是“判断”：判断图片里有什么，判断邮件是不是垃圾邮件，判断用户可能喜欢什么。生成式 AI 的变化在于，它把重点推向了“创造一个新的输出”。你给它一段要求，它可以写出一段文字、画出一张图、生成一段代码，或者给出一个方案草稿。
先用一句话抓住它
生成式 AI 是根据提示词、资料或任务目标生成新内容的一类 AI。
它可以被理解成内容生成助手。用户给出意图，模型根据训练中学到的模式和当前上下文，生成一个新的结果。这个结果可能很有用，也可能需要继续编辑、核查和筛选。
生活里的类比，是一个反应很快的创意搭档。你说“我想做一张活动海报”，它先给你几版方向；你说“这段话太正式”，它帮你改口语；你说“这个功能怎么写”，它给出代码草稿。它擅长把空白页变成初稿，但最后要不要采用，仍然要由人判断。
它解决什么问题
生成式 AI 解决的是“从想法到内容”的问题。过去你想写一封邮件、做一张海报、整理一份报告、生成一段代码，都需要自己从空白开始。生成式 AI 可以先给出一个可修改的初稿，让人把时间更多花在判断、选择和完善上。
flowchart LR
Prompt["提示词 / 资料 / 目标"] --> Model["生成式 AI 模型"]
Model --> Text["文本"]
Model --> Image["图片"]
Model --> Audio["音频"]
Model --> Video["视频"]
Model --> Code["代码"]它背后的关键通常是基础模型。模型先在大量数据上学习语言、图像、声音或代码中的模式，再根据用户的提示生成新内容。提示词决定了任务方向，微调可以让模型更适应某类风格或格式，多模态能力则让模型同时理解文字、图片、文件或其他输入。
它能生成什么
最常见的是文本生成，比如写文章、起标题、总结资料、翻译、改写、写邮件、生成脚本。图像生成则可以根据文字描述生成海报、插画、产品概念图或角色图，也可以在已有图片基础上修改。代码生成可以帮助补全函数、解释错误、生成测试或整理技术文档。
音频和视频生成也在快速发展。它们可以用来生成语音、音乐、音效、短视频片段或镜头草稿。更复杂的多模态生成会把文字、图片、文件和其他上下文结合起来，输出一个综合结果。
和 LLM、图像模型的关系
LLM 是生成式 AI 的一种，主要处理语言和代码。图像生成模型也是生成式 AI 的一种，主要生成或编辑视觉内容。ChatGPT、Claude、Gemini 这类产品常以大语言模型为核心，也可能接入图像、语音、检索和工具能力。
所以，生成式 AI 不是某一个产品，而是一类能力。它的共同点是根据输入生成新的内容；不同产品和模型只是处理的媒介、风格和能力边界不同。
容易误解的地方
生成式 AI 最容易让人误会的地方，是“生成得像真的”不等于“就是真的”。一段回答可能语气流畅，但事实错误；一张图片可能视觉上合理，但细节不符合现实；一段代码可能看上去完整，但运行会报错。它生成的是内容草稿，不是自动保证正确的结论。
另一个误区是把提示词当成魔法。好提示词确实重要，但结果还取决于模型能力、上下文质量、资料可靠性和后续评估。对于品牌、版权、肖像、新闻、医疗、法律、金融等场景，生成内容不能直接发布或使用，仍然需要人工审查。
怎么判断它该不该用
生成式 AI 最适合用来起草、扩展、改写、转换格式和探索方案。它可以帮人更快到达“有东西可改”的状态，但不应该替人完成最终判断。
如果任务强调创意和效率，可以大胆让它生成多个版本；如果任务强调事实和责任，就要提供资料、要求依据、核查输出，并保留人工决策。