VAE（Variational Autoencoder）和普通的自编码器是两种不同的神经网络模型，主要有以下几个不同之处：

    1. 概率建模能力：VAE是一种概率生成模型，可以对数据分布进行建模，而普通的自编码器只是将输入数据进行编码和解码的过程，没有概率建模的能力。

    2. 隐变量表示：VAE引入了一个隐变量（latent variable）的概念，这个变量的目的是学习输入数据的潜在特征表示。普通自编码器没有显式地建模隐变量。

    3. 采样和重参数化：在VAE中，隐变量的分布通常假设为高斯分布，为了能够对隐变量进行采样，使用了重参数化技巧。这使得可以通过采样和重构生成新的样本。普通的自编码器没有这种采样和重参数化的机制。

    4. 目标函数：VAE的训练过程是通过最大化变分下界（variational lower bound）来实现的，这使得VAE可以进行概率推断。而普通自编码器通常是通过最小化输入与输出之间的重构误差来进行训练。

    总的来说，VAE相对于普通的自编码器在概率建模能力和隐变量表示方面更为强大，可以用来生成新的样本，并且可以进行概率推断。但是由于引入了隐变量和采样过程，VAE的训练相对复杂一些。