书名：实战AI大模型：来自OpenAI的一线经验
定价：119.8
ISBN：9787115685841
作者：[美]阿里·阿米尼安（Ali Aminian）
版次：第1版
出版时间：2025-11

内容提要：
本书聚焦AI 大模型（生成式人工智能）系统设计，培养读者从需求分析到模型部署的系统化思维与实践能力。不同于传统教材按技术栈划分章节，本书以真实的实际研发案例为线索，拆解文本生成、图像合成、跨模态生成等核心场景，涵盖提示工程、RLHF、扩散模型、推理优化等关键技术。无论是实际工作还是技术面试，读者*能通过本书构建生成式人工智能的“复杂系统心智模型”，在技术快速演进的浪潮中锚定方向。



作者简介：
阿里·阿米尼安（Ali Aminian），Adobe*机器学习工程师、技术主管，斯坦福大学兼职讲师，前谷歌工程师。专注于LLM与图像/视频基础模型的预训练、微调与对齐，Adobe Firefly平台GenAI服务核心开发成员。 盛浩，OpenAI研究科学家，曾*职于苹果、TikTok等科技公司。斯坦福大学人工智能博士，师从吴恩达与沙鲁德·戈尔（Sharad Goel）。

目录：
第 1 章 引言与概述 1
11 生成式人工智能概述 1
111 判别式模型 2
112 生成式模型 3
113 什么是生成式人工智能，
为何流行 4
114 为什么生成式人工智能
变得如此强 5
115 缩放定律 8
116 生成式人工智能的风险
与限制 9
12 机器学习系统设计面试框架 9
121 明确需求 10
122 将问题转换为机器学习
任务 11
123 数据准备 14
124 模型开发 19
125 评估 30
126 整体机器学习系统设计 32
13 小结 33
第 2 章 Gmail 智能撰写 35
21 明确需求 35
22 将问题转换为机器学习任务 36
221 指定系统的输入和输出 36
222 选择合适的机器学习
方法 36
23 数据准备 37
231 文本清洗与标准化 39
232 文本词元化与词元索引 39
24 模型开发 44
241 架构 44
242 训练 53
243 采样 59
244 智能撰写功能适合采用
哪种采样方法 62
25 评估 65
251 离线评估指标 65
252 在线评估指标 67
26 整体机器学习系统设计 68
261 触发服务 68
262 短语生成器 69
263 后处理服务 70
27 其他讨论要点 72
第3 章 Google 翻译 73
31 明确需求 73
32 将问题转换为机器学习任务 74
321 指定系统的输入和输出 74
322 选择合适的机器学习
方法 75
33 数据准备 76
331 文本预处理 76
332 文本词元化 77
ii | 目 录
34 模型开发 82
341 架构 82
342 训练 86
343 采样 91
35 评估 92
351 离线评估指标 92
352 在线评估指标 95
36 整体机器学习系统设计 96
361 语言检测器 96
362 翻译服务 97
37 其他讨论要点 98
第4 章 ChatGPT：个人聊天
助理 99
41 明确需求 99
42 将问题转换为机器学习任务 100
421 指定系统的输入和输出 100
422 选择合适的机器学习
方法 100
43 数据准备 101
44 模型开发 102
441 架构 102
442 训练 106
443 采样 117
45 评估 127
451 离线评估指标 127
452 在线评估指标 133
46 整体机器学习系统设计 135
461 训练流程 135
462 推理流程 135
47 其他讨论要点 137
第5 章 图像描述生成 138
51 明确需求 139
52 将问题转换为机器学习任务 140
521 指定系统的输入和输出 140
522 选择合适的机器学习
方法 140
53 数据准备 141
531 标题数据准备 142
532 图像数据准备 142
54 模型开发 143
541 架构 143
542 训练 149
543 采样 151
55 评估 152
551 离线评估指标 152
552 在线评估指标 155
56 总体机器学习系统设计 155
57 其他讨论要点 157
第6 章 检索增强生成 158
61 明确需求 159
62 将问题转换为机器学习任务 160
621 指定系统的输入和输出 160
622 选择合适的机器学习
方法 160
63 数据准备 164
631 文档解析 164
632 文档分块 166
633 索引 167
634 使用基于向量的检索
来索引数据 169
64 模型开发 170
641 架构 170
642 训练 172
643 采样 174
65 评估 182
651 上下文相关性 183
652 忠实性 183
653 答案相关性 184
目 录 | iii
654 答案正确性 184
66 整体机器学习系统设计 185
661 索引过程 186
662 *过滤 186
663 查询扩展 186
664 检索 186
665 生成 186
67 其他讨论要点 187
第7 章 真实人脸生成 188
71 明确需求 188
72 将问题转换为机器学习任务 189
721 指定系统的输入和输出 189
722 选择合适的机器学习
方法 189
73 数据准备 196
74 模型开发 197
741 架构 197
742 训练 202
743 采样 206
75 评估 208
751 离线评估指标 208
752 在线评估指标 212
76 整体机器学习系统设计 212
761 人脸生成器 213
762 训练服务 213
763 评估服务 213
764 部署服务 214
77 其他讨论要点 214
第8 章 高分辨率图像合成 215
81 明确需求 215
82 将问题转换为机器学习任务 216
821 指定系统的输入和输出 216
822 选择合适的机器学习
方法 216
83 数据准备 220
831 图像清理和归一化 220
832 图像词元化 220
84 模型开发 221
841 架构 221
842 训练 225
843 采样 229
85 评估 230
851 离线评估指标 230
852 在线评估指标 231
86 整体机器学习系统设计 231
861 生成服务 232
862 解码服务 232
863 *分辨率服务 232
87 其他讨论要点 233
第9 章 文本到图像生成 234
91 明确需求 235
92 将问题转换为机器学习任务 235
921 指定系统的输入和输出 235
921 选择合适的机器学习
方法 236
93 数据准备 239
931 图像准备 239
932 图像描述文本准备 240
94 模型开发 240
941 架构 240
942 训练 244
943 采样 248
95 评估 250
951 离线评估指标 250
952 在线评估指标 252
96 整体机器学习系统设计 253
961 数据流程 253
962 训练流程 254
963 评估流程 254
iv | 目 录
964 模型优化流程 254
965 推理流程 254
97 其他讨论要点 257
第 10 章 个性化头像生成 258
101 明确需求 258
102 将问题转换为机器学习任务 259
1021 指定系统的输入和
输出 259
1022 选择合适的机器学习
方法 260
103 数据准备 269
104 模型开发 270
1041 架构 270
1042 训练 271
1043 采样 272
105 评估 273
1051 离线评估指标 273
1052 在线评估指标 276
106 整体机器学习系统设计 276
1061 数据流程 276
1062 训练流程 277
1063 推理流程 278
107 其他讨论要点 279
第 11 章 文本到视频生成 280
111 明确需求 281
112 将问题转换为机器学习任务 282
1121 指定系统的输入和
输出 282
1122 选择合适的机器学习
方法 282
113 数据准备 285
1131 视频准备 285
1132 描述文本准备 287
114 模型开发 288
1141 架构 288
1142 训练 294
1143 采样 297
115 评估 298
1151 离线评估指标 298
1152 在线评估指标 300
116 整体机器学习系统设计 300
1161 数据流程 300
1162 训练流程 301
1163 推理流程 301
117 其他讨论要点 302
后记 303