找Martech上Marsgo
用預測型AI買彩券，我會是下一個億萬獎金得主嗎？
本內容為 AMT 亞太行銷數位轉型轉聯盟研究員，為您博覽全球最新行銷科技、數位轉型、AI應用研究報告或文章，整理編輯後分享。本計劃由 數解人意科技 支持製作。
整理撰文：黃瑀安（Annie）｜出刊日期：2025-04-27
諮詢協助：長榮大學高階管理碩士在職專班(EMBA) 翁耀臨教授
人工智慧（AI）的發展正以前所未有的速度改變世界，從日常生活到產業生產，無一不受到其深遠影響。在眾多AI技術中，生成式AI（Generative AI）與預測型AI（Predictive AI）無疑是備受矚目的兩大焦點，兩者雖同屬AI的範疇，卻在原理、功能與應用上展現出截然不同的特性與潛力，彼此互補也各自為戰。
本文探討生成式AI與預測型AI的技術差異、應用範疇、核心價值與發展挑戰，並擷取實務中預測型AI所創造的醫療、生活與學術的趣聞案例。
什麼是生成式人工智慧（Generative AI，又稱生成式AI或Gen AI）？
什麼是預測型人工智慧（Predictive AI，又稱預測型AI）？
預測型AI主要依賴於龐大的歷史資料與統計模型，透過分析數千個因素和數十年的資料，以預測未來可能發生的情況，其核心價值在於「預見未來」，廣泛應用於金融風控、氣象預報、醫療診斷、行銷策略等領域。然而，預測型AI有時會與描述性或規範性分析相混淆：描述性分析幫助組織瞭解過去發生事情的「原因」；規範性分析建議組織可採取的「行動」，以保證組織期望達成的結果能夠實現；預測型AI則幫助使用者進行結果「預測」，與上述技術截然不同。
生成式AI與預測型AI之差異
由於生成式AI同樣使用統計分析來建立一種預測型別，但其目標是預測可生成、可對應使用者需求之正確單詞、程式編碼或視覺藝術等，並非如預測型AI預測特定事件或環境下將產生的結果，前者的產出更為具體，後者較為抽象。在實務上，許多企業經常戰略性同時採用兩者技術，不一定是非此即彼的選擇。
在資料輸入上，兩者皆仰賴數百萬樣本內容的大型資料集上進行訓練，但預測型AI額外還可利用更小、更具針對性的資料集作為輸入資料，進行結果預測。在資料輸出中，雖兩系統都使用預測元素進行產出，但生成式AI專注在創造新穎的內容，預測型AI則預測未來事件和結果。
而在演算法和模型架構裡，大多數生成式AI依賴的架構包含擴散模型（Diffusion models）、生成式對抗網路（GAN）、Transformer模型及變分自編碼器（VAE）等，以進行判斷資料重要性、確定資料排序、創造資料變體及評估結果正確性等工作。至於預測型AI則應用了更多統計演算法，包括神經網路、線性迴歸、支援向量、決策樹、K均值聚類演算法（K-Means）、時間序列分析（Time Series Analysis）等，進行資料學習、分類、創造資料分支、識別變數間相關性、為資料建構時間序列之工作。
預測型AI之應用與優點
預測型AI多應用於金融、零售、電子商務和製造業，情境包括
1. 財務預測：為金融機構預測市場趨勢、股價和其他經濟因素。
2. 欺詐檢測：協助銀行即時發現欺詐活動的可疑交易。
3. 庫存管理：透過預測銷售值和顧客需求，進一步規劃和控制庫存水準。
4. 個性化推薦：利用過往搜集到的資料庫分析顧客行為，讓客戶在廣告收發、線上服務諮詢時，獲得量身訂製的建議，提升顧客體驗。
5. 供應鏈管理：協助最佳化物流和運營、生產計劃、資源分配和工作量排程。
保險：簡化索賠管理並預測潛在損失。
6. 設備維護：透過監控機器的振動、溫度和其他感測器資料，以評估具故障風險的裝置有哪些，並對其進行主動維修並避免停機。
有了上述的應用，不僅能有效降低人工成本、轉換員工進行高價值活動、縮小潛在損失，還可能提高客戶對公司服務的滿意度、協助企業拓展業務、增加財富及改善營運流程。
預測型AI之缺點
在可參考性上，儘管預測型AI為使用者帶來眾多優點，但「垃圾進，垃圾出」的概念在預測分析中卻尤為顯著。因預測模型無法驗證輸入的資料品質，若初始資料在搜集過程中產生錯誤、誤差或偏見，皆非常容易使預測變得毫無用處。
在道德問題上，來自加拿大專業資訊供應商湯森路透(Thomson Reuters) 的研究報告《The Future of Professionals: How AI is the catalyst for reshaping every aspect of tax and accounting work》中指出，約30%的企業人士對AI最關心的仍是資料隱私與安全問題和道德，確定收集、儲存和使用客戶資料的最佳流程，依舊為企業當前棘手的一項問題。
最後，在財務考量上，預測模型在每個企業運作流程中的建立皆需大量的知識及維護成本，不止於一次性或定期性支出，更多的是企業還可能得額外成立一團隊，對模型應用進行管理、修繕，甚至需投入更多附加軟體以支援模型的跨部門應用。
預測型AI之趣聞
雖企業面正面對的應用難點還存在進步空間，但在醫療界及學術界，甚至民眾的日常生活都因為預測型AI，而創造出許多驚喜及成功。2019年，台南奇美醫院成立大數據暨人工智慧中心（現為智慧醫療中心），展開AI 1.0階段進行大量研究，奠定AI開發模式，並在2023年進入AI 2.0階段，聚焦生成式AI，打造出數十種實用的醫療GAI應用。舉例來說，當醫師想「預測」肺炎病人出院後，兩週內再住院的機率為何時，資訊室便藉醫師專業知識，整理出HIS資料庫中預測所需的資料，如共病/病史、人口學資料、住院醫囑、住院護理評估、檢驗系統、TPR系統和住院動向等，將這些資料進行ETL，作為肺炎病人14天再住院大數據，再交由智慧醫療中心的AI專家來訓練模型。為了將AI嵌入臨床流程，奇美醫院IT在前端頁面，也就是原本的住院醫囑系統中，新添AI輔助按鈕，再搭配自動判斷患者是否為肺炎病人的機制，如此，醫師看診時就能直接點擊查看再住院率。
2025年3月，根據《費加洛報》和《巴黎人報》的報導，三位義大利主修數據科學與機器學習的大學生，將過去十年義大利SuperEnalotto的所有開獎號碼資料匯入模型中，透過深度學習並根據號碼的出現頻率、號碼組合的節奏與間隔、特定時間週期內的偏好分布，以預測下一期最有可能中獎組合。最終，三人投入實戰後一舉贏得超過約新台幣150萬元的大獎，學生也表示雖系統提供的組合命中率並非100%，卻也明顯高於一般隨機挑選。同樣地，2025過年期間，新北市一位年輕的上班族男子也在購買彩卷時靈機一動，測試當時最流行的ChatGPT選號 ，後來ChatGPT建議男子選「2號」，沒想到一刮開也幸運刮中獎金100萬元。
總結
綜合上述說明，可知生成式AI與預測型AI雖同為當今AI發展中的兩大主流，具備提升效率與決策準確性的優點，但也仍面臨資料品質、倫理風險與高昂維護成本等挑戰。於此同時，技術在不斷地演進過程，AI也為人類帶來許多紅利，無論是企業經營或意外中發生的「大」確幸裡，我們都能感受到AI著實在影響著我們的日常；再加上AI應用的趨勢已視為不可逆的情景，未來，我們將持續與這些技術共榮共存，並以增進人類福祉為前提下，共同推動AI科技的多元發展。
[參考資料]
Rina Diane Caballar (2024.) Generative AI vs. predictive AI: What's the difference? IBM.
https://www.ibm.com/think/topics/generative-ai-vs-predictive-ai-whats-the-difference
Tim Mucci (2024.) What is predictive AI? IBM.
https://www.ibm.com/think/topics/predictive-ai
The Pecan Team (2024.) What is AI Predictive Modeling? [+ Pros & Cons] Pecan.
https://www.pecan.ai/blog/ai-predictive-modeling/