本书是一部系统论述生成式人工智能的教程，旨在为读者提供一个全面、系统的学习路径，从基础理论到前沿应用，从技术实现到伦理考量，全方位地介绍生成式人工智能的各个方面。全书从功能上分为四部分：第一部分为基础知识（第1章和第2章），探讨生成式人工智能的基本概念和生成模型的算法基础，包括其定义、发展历程、基本概念、数学基础、常见生成模型简介、评估指标等；第二部分为核心技术（第3章～第10章），介绍生成式人工智能的核心技术及其典型应用，如Transformer、生成对抗网络、变分自编码器、流模型、能量模型、大语言模型、多模态生成模型等；第三部分为技术评估与治理（第11章），介绍生成式人工智能的评估、安全与伦理问题，如深度伪造（Deepfakes）技术可能被用于制造虚假信息，侵犯个人隐私，甚至影响社会稳定；第四部分为课程实践（第12章），设计了文本、语音、图像、视频等生成实践内容，让读者能够在实践中学习、巩固生成式人工智能的理论，学以致用。本书面向广大对人工智能感兴趣的读者，包括学生、研究人员、技术开发者和所有爱好者。

第1章 生成式人工智能概述1.1 生成式人工智能的定义1.2 生成式人工智能的发展历程1.3 生成式人工智能的核心技术1.4 生成式人工智能的应用场景1.5 生成式人工智能的挑战1.6 习题第2章 生成模型基础2.1 生成模型的基本概念2.1.1 生成模型的历史背景2.1.2 生成模型的定义2.1.3 生成模型的应用场景2.2 生成模型与判别模型的区别2.2.1 判别模型的定义2.2.2 生成模型与判别模型的核心区别2.2.3 生成模型与判别模型的优缺点2.3 生成模型的数学基础2.3.1 概率分布2.3.2 联合分布与条件分布2.3.3 马尔可夫链2.3.4 贝叶斯定理2.3.5 最大似然估计2.3.6 变分推断2.4 常见生成模型简介2.4.1 生成对抗网络2.4.2 变分自编码器2.4.3 自回归模型2.4.4 流模型2.4.5 扩散模型2.5 生成模型的评估指标2.5.1 客观评估指标2.5.2 主观评估指标2.6 概率图模型概述2.6.1 概率图模型的定义和基本概念2.6.2 历史背景和发展2.7 隐马尔可夫模型2.7.1 HMM的基本原理2.7.2 隐马尔可夫模型的概率计算2.7.3 HMM的推断问题2.8 马尔可夫随机场2.8.1 马尔可夫随机场的性质和定义2.8.2 条件随机场2.9 贝叶斯网络2.9.1 贝叶斯网络的基本概念2.9.2 结构学习和参数学习2.9.3 贝叶斯网络的推断2.10 自回归模型2.10.1 自回归模型的定义2.10.2 自回归模型的核心思想2.10.3 自回归模型与循环神经网络2.11 习题第3章 Transformer3.1 Transformer的背景与动机3.1.1 编码器3.1.2 解码器3.2 注意力机制3.2.1 自注意力的计算步骤3.2.2 Transformer的优势3.2.3 多头注意力的计算3.2.4 注意力变体存在的问题3.2.5 注意力变体的内容3.3 Transformer的结构3.3.1 混合专家结构3.3.2 位置编码3.4 Transformer的应用结构3.4.1 编码器结构3.4.2 仅解码器结构3.4.3 编码器_解码器结构第4章 生成对抗网络第5章 变分自编码器第6章 流模型第7章 能量模型第8章 扩散模型第9章 大语言模型第10章 多模态生成及应用第11章 生成式人工智能的评估、安全与伦理第12章 课程实践设计参考文献