桌面上有一只红杯。让模型“找出红杯”，需要它判断什么是杯子，并指出位置。只要位置足够准确，就可以支持分拣或计数；它不必同时交代杯壁每一点的颜色、杯柄怎样弯曲。这种省略是围绕任务保留信息的能力。

现在遮住杯柄，要求模型补全。位置框还在，却不足以决定新画出的像素：杯柄可以是弯曲的，也可以更接近方形；但必须接在杯身上，与既有视角、光照和遮挡关系相容。原来识别时可以忽略的细节，如今变成了模型必须作出的选择。若任务进一步放宽成“在原场景里设计另一只红色、可握持的杯子”，杯身也可以变化，桌面和杯外场景仍应保持。

“已经知道是杯子，为什么不能把识别过程倒过来？” 因为“杯子”这个答案对应很多具体对象。一个分类器完全可能把圆杯、直杯、曲柄、方柄都判对，却没有学会这些差异通常怎样共同出现。把一个标签写回去，没有补上构造完整外观所缺的规则。

概率语言能把两类任务联系起来，但不能消除这项信息缺口：知道一张图属于哪个类别，不等于知道该类别下各种图像怎样分布。反过来，能生成图像的模型也可能帮助识别；是否准确、是否值得付出额外计算，仍须针对识别任务检验。

这里不应把判别式简化成“只会给单一标签”。检测、分割、回归与排序都可以直接输出任务所需的信息，也可以表达不确定性。关键区别是训练与交付要求：找杯子时可以不恢复杯柄细节，补杯柄时必须给出一个具体、相容的结果。一个困难的判别任务，并不会因为输出短就变得容易。

下一页继续收紧要求：如果把颜色、材质和朝向都说清，是否就只剩一个正确答案？