07 生成式 AI入门本域第 1 篇

生成模型总览

判别模型回答「这是什么」，生成模型回答「它应该长什么样」

定义

判别模型学习条件分布 p(y|x)，给定输入直接输出标签；生成模型学习数据本身的分布 p(x)，目标是能从中采样出与训练数据同分布、但不重复的新样本。二者的关键分野在于建模对象：前者画出一条边界，后者重建整片地形。生成模型还常被要求支持条件生成 p(x|y)，即用文本、类别或草图控制输出。

直观理解

想象一场考试。判别题只问「这张照片是猫还是狗」，答对即可；生成题却要求你「画一只猫」，而且要让阅卷人相信这是真猫。前者只要抓住两类之间的区别，后者却必须了解猫的一切——耳朵的形状、毛发的走向、姿态的合理范围。也正因如此，生成往往更难：你要模仿的不是一条边界，而是整份数据的样子。

图 1

判别与生成的分野：一个只回答「是哪一类」，一个必须重建「整片分布」

图 2

同一数据集上的训练曲线：对抗训练的 FID 早期下降快，后期却反复震荡反弹；去噪扩散则平稳单调（量级示意，越低越好）

01
确定要学的分布
先明确目标：是无条件地模仿整个数据集 p(x)，还是在给定条件（文本、类别）下生成 p(x|y)。这一选择决定了模型的输出接口，也决定了训练信号从哪里来。
02
选择建模方式：显式还是隐式
显式密度模型（自回归、VAE、扩散）写出或逼近 p(x) 的函数形式，可以用似然来训练；隐式密度模型（GAN）不给出概率，只提供一个采样器，靠「像不像」的对抗信号来学。前者目标清晰但受限，后者自由却难训。
03
用似然或对抗信号优化
自回归把联合概率拆成逐项预测的乘积；VAE 优化数据似然的下界；扩散把生成拆成上千步去噪；GAN 让判别器充当可学习的损失函数。四条路线对「像」给出了四种数学表述。
04
用指标与人工评估检验质量
FID 比较生成分布与真实分布在 Inception 特征空间中的距离，IS 衡量单张图的清晰度与多样性，二者都只是代理。最终可信的裁判仍是人的偏好，无论是问卷还是成对的竞技场投票。

图 3

四条主流技术路线：它们对「像」给出了不同的数学定义

图 4

四类路线代表模型在 ImageNet 256×256 上的 FID 量级（越低越好；自回归取 VQGAN+Transformer，自编码器取 VQGAN，对抗取 BigGAN-deep，扩散取 DiT-XL/2）