生成建模、表征学习与分类是机器学习（ML）领域的三个核心问题，然而当前最先进（SoTA）的解决方案在很大程度上彼此割裂。本文提出一个关键问题：是否能够通过一个统一的原则同时解决这三个问题？这种统一有望简化机器学习流程，并促进不同任务之间的协同效应。为此，我们提出潜在区域网络（Latent Zoning Network, LZN），作为迈向这一目标的重要一步。LZN的核心思想是构建一个共享的高斯潜在空间，用于编码所有任务的信息。每种数据类型（如图像、文本、标签）均配备一个编码器，将样本映射至互不重叠的潜在区域；同时配备一个解码器，将潜在表示还原为原始数据。机器学习任务通过这些编码器与解码器的组合来实现：例如，标签条件下的图像生成使用标签编码器与图像解码器；图像嵌入使用图像编码器；分类任务则结合图像编码器与标签解码器。我们在三个逐步复杂的场景中验证了LZN的潜力：（1）增强现有模型（图像生成）：当与当前最先进模型——修正流模型（Rectified Flow）结合时，LZN在CIFAR10数据集上的FID得分从2.76提升至2.59，且无需修改原始训练目标。（2）独立完成任务（表征学习）：LZN可在无需辅助损失函数的情况下实现无监督表征学习，在ImageNet上的下游线性分类任务中，分别超越经典方法MoCo与SimCLR 9.3%和0.2%。（3）联合求解多任务（联合生成与分类）：通过设计图像与标签的编码器/解码器，LZN能够原生地联合执行生成与分类任务，不仅提升了FID性能，还在CIFAR10上实现了分类准确率的最先进水平。相关代码与训练好的模型已开源，地址为：https://github.com/microsoft/latent-zoning-networks。项目主页见：https://zinanlin.me/blogs/latent_zoning_networks.html。