方正证券报告深入分析判别式AI与生成式AI在产业落地中的不同角色。判别式AI（推荐算法、数据分析）凭借高可控性和明确目标函数，仍是当前AI变现主力；生成式AI虽带来更大想象空间，但模型幻觉限制了其在B端的大规模应用。二者将融合发展，判别式的分析能力与生成式的创造性相互补充。o1推理能力的突破正推动人机协同从Copilot向Agent演进，为AI应用打开新空间。
判别式AI仍是短期变现主力，推荐算法率先兑现业绩
判别式AI（也称决策式AI）通过对已有数据的分析、判断和预测提供决策支持，主要用于人脸识别、智能推荐和自动驾驶等领域。其技术特征为基于RNN/CNN等架构、采用监督学习，模型可扩展性有限，一个模型对应单一任务。这种“专模型专用”的特征使其在要求高精度输出和快速部署的环节能创造更多价值。
AI在数字营销和数据分析领域的率先变现，正是判别式AI优势的体现。Meta于2024年2月发布生成式推荐模型（GR），验证了推荐系统的Scaling Law，并在核心产品线中替换了工业界长期使用的DLRM范式。AppLovin的AXON 2.0通过持续的迭代学习、数据量增加和算法增强，将广告投放精准度大幅提升。判别式AI在数据量大、目标明确的场景中，ROI改善最为直接。
表：判别式AI与生成式AI对比| 维度 | 判别式AI | 生成式AI |
|---|
| 技术路径 | 基于条件概率P(X|Y)分类 | 基于联合分布P(X,Y)生成 |
| 优势领域 | 高精度输出、快速部署 | 创造性、涌现性 |
| 应用方向 | 推荐系统、数据分析、风控 | 内容生产、人机交互 |
| 当前状态 | 大规模落地、业绩兑现 | 产品化早期、探索中 |
生成式AI从Copilot向Agent演进，o1为关键推手
人类与LLM的协同模式正从Copilot向Agent过渡。Embedding指在某个环节调用模型提供即时信息；Copilot指大模型接入工作流每个环节，按人类指令执行任务；Agent指任务完全交由AI自主完成，只需起始指令和结果反馈。
OpenAI的o1/o3是Agent落地的关键推手。o1将复杂问题拆解为多个推理步骤，通过Self-Play强化学习优化推理路径，显著增强了模型的推理能力。AIME 2024准确率83.3%（GPT-4o仅13%），GPQA科学测试超越博士级专家。o3相比o1在编码准确率（71.7%，+20%）、数学测试（87.7%，+10%）和ArcAGI基准（87.5%，超人类阈值）再提升。更强的推理能力使Agent在处理深度推理、多轮交互和跨域协同任务时的表现大幅改善。
Salesforce和微软引领Agent商业化，按量付费模式验证
Salesforce于9月发布Agentforce，12月推出2.0版本，提供五种Agent搭建能力及垂直行业解决方案（医疗健康/银行/零售等）。Agentforce将大部分技术环节封装完整，在UI层留定制化空间，通过低代码和生成式AI配置降低部署难度。采用按对话量付费模式（2美元/次），相比Einstein GPT的额外订阅付费更加灵活。自10月发布至FY25Q3业绩会（12月4日）已达成200笔订单。
微软10月推出接入OpenAI o1的10款预构建AI Agent，应用于Dynamics 365销售、运营和服务环节。Copilot Studio新增Agent定制功能，开发者可设计Agent检测特定事件后自动执行任务。Agent形态的软件有望从底层重构企业管理软件，带来远大于Copilot的商业价值。
融合发展的长期路径：判别式分析+生成式创造
长期来看，不会出现生成式AI对判别式AI的取代。二者将在不同场景中互补使用——判别式AI在要求高精度的风控、质检、供应链管理等领域持续发挥作用；生成式AI在内容创作、人机交互等领域展现创新潜力。更可能的发展方向是二者融合：判别式AI的分析能力为生成式AI提供精准的数据基础和决策依据，生成式AI的创造性为判别式AI提供更丰富的内容生成和交互能力，构建更完备的AI系统。
