生成式 AI · GenAI

过去十年 AI 大多在做"识别"——认出这是猫、那是垃圾邮件。生成式 AI（GenAI）让 AI 第一次跨过"识别"这条线，进入"创作"——写文章、画海报、生成视频、作曲。这就是 2022 年之后全社会集体震惊的那件事。它的震撼不只在效果，更在成本结构的改变：过去要产出一张商业级插画需要一名画师工作一整天，现在需要三十秒和几分钱。这一节要把这件事讲透：判别与生成在数学上到底差在哪、四条主要技术路线各自怎么工作、各个模态今天分别停在什么水平、这些能力靠什么商业模式变现、以及为什么版权和真实性成了它最难拆的两颗雷。

先把术语翻译成人话

这一节的名词有一半是数学符号、一半是英文缩写，听着玄得厉害。先一次性摊平——换成大白话，再各配一个生活里的对应物：

这张表的关键一行是 P(y|x) 和 P(x) 那一对。判别式只要知道"差在哪"，生成式必须知道"整个长什么样"——说白了：前者是保安认工牌，后者是自己有本事把工牌从零做出来。这一条难度落差，解释了生成模型为什么比判别模型晚成熟十年、参数还大一两个数量级。

"识别式" vs "生成式"：一次数学目标的转向

那两行数学符号是这一节最值得花时间理解的东西。P(y|x) 读作"在看到 x 的条件下，y 的概率"——它只需要学会把不同类别分开的那条边界。要区分猫和狗，模型不需要知道猫长什么样，只需要知道"猫和狗在哪儿不一样"。这大大降低了难度：也许只要抓住"耳朵形状"这一个维度就够了，其他信息全可以扔掉。

P(x) 完全不同，它要学的是数据本身的整个分布——什么样的像素组合"是一张合理的照片"。这难得多，因为你不能扔掉任何信息：生成一只猫，你得知道猫有几条腿、毛怎么长、光照怎么打在皮毛上、猫爪和地面怎么接触。判别式只需要知道差异，生成式必须知道全貌。这也是为什么生成模型比判别模型晚成熟十年，也是为什么生成模型的参数量普遍大一两个数量级。

物理学家费曼有句常被引用的话："What I cannot create, I do not understand."（造不出来的东西，我就没真懂。）这句话正好解释了为什么很多研究者认为生成式路线更接近"理解"：一个能画出符合透视和光影关系的房间的模型，某种程度上必须"掌握"了三维空间的规律；一个能续写一段严密论证的模型，某种程度上必须"掌握"了推理的形式。这是不是真理解仍有争论，但它至少比"能分类"多了一层要求。

判别式：只学一条分界线                生成式：学整片"合理数据"的分布
    猫 · · | · · 狗                      ░░▓▓▓▓▓░░   ← 学会这片山的形状
      · ·  |  · ·                        ░▓▓▓▓▓▓▓░     然后从山上随机采一个点
        ·  |  ·                          ▓▓▓▓▓▓▓▓▓     → 就是一个"新生成的样本"
    ↑ 只要边界画对，其他信息全可以扔掉    ↑ 任何一处的高低都不能错

再补一个容易忽略的点：二者并非对立，而是可以互相转化。有了 P(x) 和贝叶斯定理，理论上就能推出 P(y|x)——这就是"生成式分类器"（比如朴素贝叶斯）。反过来，今天最强的生成模型内部也大量使用判别式组件（比如扩散模型里那个预测噪声的网络，本质是个回归器）。它们是同一枚硬币的两面，区别只在你把学习目标对准了哪一边。

四条技术路线：它们各自怎么"造"出东西

生成不是一种算法，而是四条思路完全不同的路线。理解它们的机制差异，你就能明白"为什么写文章是一个词一个词吐出来的，而画图是整张一起慢慢变清晰的"。

• ① 自回归 · Autoregressive思路：把生成拆成一连串"猜下一个"。写文章时，先根据前文猜第 1 个词，把它加进上下文，再猜第 2 个词，一路滚下去。数学上是把 P(整句话) 分解成 P(第1词)×P(第2词|第1词)×P(第3词|前两词)×…。优点：训练目标极其简单（就是预测下一个 token），天然能利用海量无标注文本；缺点：必须串行生成，一次只出一个 token，这就是你看到 AI 打字机式逐字输出的原因。代表：GPT 全系、Claude、DeepSeek，以及早期的图像生成 PixelRNN。
• ② 扩散 · Diffusion思路：先学会去噪，再从纯噪声里雕出图像。训练时把清晰图片一步步加噪直到变成雪花屏，让网络学会"给定一张有噪的图，预测这一步加了什么噪"。生成时从随机噪声出发，反向去噪几十步，图像逐渐浮现。优点：训练稳定、多样性好、可控性强（可以在中途插入条件引导）；缺点：要迭代很多步，所以慢——这也是各家拼命做"少步蒸馏"的原因。代表：Stable Diffusion、Midjourney、Flux、Sora。关键的工程突破是 2022 年的潜空间扩散（Latent Diffusion）：不在 512×512 的像素上折腾，而是先用编码器压到 64×64 的潜空间再扩散，算力需求降了一个数量级，才有了能在消费级显卡上跑的 Stable Diffusion。
• ③ GAN · 生成对抗网络思路：两个网络互相博弈。生成器造假，判别器打假，谁也不服谁，于是双方一起变强。2014 年 Goodfellow 提出，2018—2021 年是图像生成的绝对主流，StyleGAN 生成的人脸至今看起来极其逼真（"这个人不存在"网站就是它）。优点：一次前向就出结果，快；缺点：训练像走钢丝，容易模式崩塌（生成器发现只画一种脸就能骗过判别器，于是多样性归零），而且很难做精细的文本控制。2022 年后在通用图像生成上基本被扩散取代，但在实时超分辨率、语音合成的最后一环等追求速度的地方仍在用。
• ④ VAE · 变分自编码器思路：先压缩，再解压。编码器把图片压成一个小向量（潜变量），解码器再从这个向量还原图片；训练时逼迫这个潜空间是平滑连续的，于是你可以在潜空间里随便取一个点解码出来，就是一张新图。优点：数学优美、潜空间可插值（"从这张脸平滑变到那张脸"）；缺点：生成的图偏模糊。今天它很少单独用来生成，但地位极其重要——几乎所有主流扩散模型内部都用 VAE 来做像素与潜空间之间的压缩和还原，它成了基础设施。

还有一个跨路线的关键拼图不能漏：怎么让"文字"控制"图像"。答案是 2021 年 OpenAI 的 CLIP——它用四亿组网络上的"图片 + 配文"训练，把图片和文字映射到同一个语义空间，让"一只戴帽子的猫"这句话和对应的图片在向量空间里靠得很近。有了这座桥，扩散模型才能被文字牵着走。可以说没有 CLIP，就没有今天的文生图。

四条路线，用一家餐厅的四种出菜法来分辨

四条路线的原理描述都很技术，但它们的差别用厨房里的四种做法一比就极清楚。打个比方，同样是"端出一盘菜"，这四位厨师的干法完全不同：

这张表能顺手解答一个很常见的困惑：为什么写文章是一个字一个字往外蹦，画图却是整张一起慢慢变清晰？其实就是包饺子和雕萝卜花的区别——前者的每一件成品都必须等前一件落地，后者是从一开始就有一整块料在手上，只是越修越细。

还有一条实操上的推论。既然扩散是"一刀一刀修"，那么你在中途插一句要求它是听得进去的——这就是为什么图像生成能做局部重绘、能中途换引导词、能在第 20 步开始才加上"要暖色调"。而自回归是"包完一个就定型"，它没有回头改上一个饺子的机制，所以纠错只能靠让它把整段重写。简单说：一个能返工，一个只能重做。

怎么写提示词：四个几乎万能的抓手

这一节讲了一堆原理，但你真正每天要用的只有一件事——怎么把话说清楚。下面四个抓手不依赖任何具体工具，套在文字、图像、视频上都成立。

• ① 给身份和场合，别只给任务"写一段产品介绍"和"你是一位给中老年用户写说明书的编辑，请写一段产品介绍，避免任何英文缩写"，得到的东西差一个档次。好比你去菜市场只说"给我条鱼"，和说"要清蒸的，两斤左右，帮我去鳞"——后者摊主一次就给对了。
• ② 给例子，比给形容词有用十倍"写得活泼一点"是形容词，每个人理解都不同；直接贴两段你认可的原文说"照这个语气写"，命中率立刻翻倍。它擅长模仿具体样本，不擅长揣摩抽象要求——这一点和带新人一模一样：给他看三份合格的作业，比给他讲十条标准都管用。
• ③ 把"不要什么"也写出来它默认会往训练数据的平均值上靠，所以你要主动排除：不要排比句、不要用"赋能"这类词、图里不要出现文字、不要俯视角度。就像点菜时那句"不要香菜"——不说它就一定会放。
• ④ 分步骤要，而不是一口气要复杂任务先要提纲，你改完提纲再要正文；图先要构图草稿，定了再要成品。相当于装修先出平面图再动工，而不是让工人直接砌墙。一次要太多，返工成本全落在你身上。

这四条背后是同一条道理：它不会读心，它只会补全你写下的那部分。翻译成人话——你给的条件越具体，它需要自己瞎猜的部分就越少，而它瞎猜的那部分正好就是所有翻车的来源。

GenAI 的四种主要类型

四种模态的难度不是并列的，它们有明确的阶梯，而这个阶梯由数据的维度和内在约束的严格程度决定。

文本最先被攻克，因为它维度最低（一个 token 就是词表里的一个整数）、互联网上现成语料最多、而且人类阅读时的容错度相当高——一句话稍微别扭你也能读懂。图像次之：维度高得多（一张 1024×1024 的图有三百多万个数值），但一张静态图的内在约束相对松，多一根手指人类要看两眼才发现。视频难得多：它在图像之上加了时间维度，而时间维度带来了最难的约束——一致性。人物走过一根柱子后，衣服颜色不能变；杯子被打翻后，水不能自己回到杯里。这要求模型具备某种朴素的物理直觉，这也是为什么视频生成的可用时长长期卡在几秒到十几秒。3D 和交互式内容最难：不但要保证从任意角度看都自洽，还得符合可制造、可装配、可交互的工程约束。

此外还有几个常被漏掉但很重要的模态：代码生成（它有一个别的模态没有的巨大优势——输出可以被自动验证，编译报错、单元测试不过就是明确的反馈信号，这让代码成了 GenAI 落地最快、经济价值最直接的领域）；3D 资产生成（Meshy、Tripo，服务游戏和影视）；科学生成（AlphaFold 预测蛋白质结构、分子生成设计新药——这里"生成"的对象不是内容而是结构，可能是这条技术路线社会价值最高的分支）。

三个背后的核心思想

• 概率生成模型学到一个"数据分布"，从中随机采样就能造出新样本——每次结果不完全一样。
• 条件生成给一个条件（比如"一只草地上的橘猫"），从"符合这个条件的分布"里采样。
• 可控采样通过 Temperature、Top-p 等旋钮控制它"多敢乱猜"，创作性和稳定性的平衡由你决定。

把这三个旋钮说具体，你用任何生成工具都会立刻受益。Temperature（温度）控制概率分布的"陡峭程度"：温度趋近 0 时，模型每次都选概率最高的那个选项，输出稳定但呆板重复；温度调到 1 以上，低概率选项也有机会被选中，输出更有想象力也更容易跑偏。经验规律是——要事实、要代码、要格式严格的输出，把温度压低；要创意、要头脑风暴、要多样文案，把温度调高。

Top-p（核采样）是另一种约束方式：先把候选词按概率从高到低排，累加到 p（比如 0.9）为止，只在这个"核"里面采样，把长尾的荒谬选项直接砍掉。它和温度常常配合使用。随机种子（Seed）则相反，它是为了消除随机性——同样的提示词加同样的种子，能复现出一模一样的结果，这在需要微调迭代时非常关键。

图像生成里还有一个专属旋钮：CFG Scale（提示词引导强度）。它控制模型"多听你的话"：调低了它会自由发挥、画面自然但可能忽略你的要求；调太高它会死抠字面、画面容易变得生硬失真。这套旋钮共同揭示了生成式 AI 的一条根本张力：忠实度和创造性此消彼长，没有免费的两全。

GenAI 目前能做什么

读这张表要配一条判据，否则容易高估或低估：GenAI 目前的能力位置，取决于"错误的代价"和"验证的成本"。它在初稿类工作上已经全面可用——写文案、出草图、搭代码骨架、做会议纪要，因为这类工作本来就要人改，AI 出的稿子把起点从零抬到了六十分。它在终稿类工作上仍不可信——法律意见、财务报表、医疗结论，这些错一次就要出事，必须有人负责。

还有一条常被忽视的价值：它降的不只是成本，还有"起步门槛"。一个不会画画的产品经理现在能自己出示意图，一个不懂前端的设计师现在能做出可点击的原型。这带来的不只是效率提升，而是分工边界的重划——原本必须协作的两个人，现在一个人就能走完全程。历史上摄影术、桌面排版软件、非线性剪辑软件都引发过同样的重划，每次都是从业者恐慌、产量暴涨、审美标准随之升高。

商业化路径：这些能力靠什么赚钱

技术再炫，最终要回答"钱从哪来"。生成式 AI 目前形成了五种相对清晰的变现层次，从底到顶：

这一层结构里有两个值得记住的规律。第一是推理成本决定商业模式：文本生成一次调用的成本已经低到可以免费送，所以文本产品普遍走"免费+订阅"；视频生成一段十秒片子的算力成本还很高，所以视频产品普遍走"按次计费/积分制"。看一个 AI 产品怎么收费，基本能反推出它的单次成本有多高。

第二是那句被反复讨论的话——"套壳"的危险。如果你的产品只是给某个大模型 API 加了一个输入框，那么基座模型下一次更新就可能把你的全部功能变成它的内置菜单。能站住的应用层玩家通常至少握有一样东西：专有数据（别人拿不到的行业语料）、工作流深度（嵌进了用户每天必用的流程里，切换成本高）、结果可验证的闭环（比如代码工具能自动跑测试，让 AI 的输出被机器检验而不是被人肉眼审）。

还有一条正在快速变化的成本曲线：同等能力模型的 API 单价在过去两年里下降了一到两个数量级，而开源模型（Llama、Qwen、DeepSeek 系列）把"能力下限"整个抬高了。这意味着"能做出来"越来越不值钱，"做得比别人更贴合具体场景"才值钱。

GenAI 独有的三个坑

• 幻觉它会一本正经地编造事实——因为它的机制就是"根据分布合理地生成"，而不是"查真相"。
• 版权训练数据里可能含大量受版权保护的作品，生成结果的权属仍是灰色地带。
• 深度伪造换脸、AI 换声电话诈骗、假新闻——2024 年起已成为社会问题。

关于版权，争议其实分成三个独立的问题，混在一起谈就永远吵不清。第一是训练是否合法：用未经授权的作品训练模型，算不算合理使用？各国态度分歧巨大，围绕这一点的诉讼在 2023 年之后大量出现——《纽约时报》起诉 OpenAI、图库巨头 Getty Images 起诉 Stability AI、多位作家和艺术家发起集体诉讼，判例仍在形成中。第二是输出是否侵权：如果生成结果和某个特定作品高度相似，那显然有问题；但如果只是"风格相似"，而风格在多数法域并不受版权保护，这就成了灰区。第三是生成物归谁：美国版权局的立场是纯 AI 生成的内容缺乏人类作者身份，不予登记；中国有法院在具体案件中认定，当使用者在提示词设计、参数调整、多轮筛选中投入了足够的智力创造，产出可以构成作品。这三个问题的答案会共同决定这个产业未来的成本结构——如果训练必须逐一授权付费，整个行业的经济学都要重算。

关于真实性，问题比"假图片"严重得多。技术上已经出现了三类应对手段，但每一类都不牢靠：水印（在生成内容里嵌入不可见标记，如 SynthID；但截图、压缩、二次编辑都可能破坏它）、内容凭证（C2PA 标准把拍摄和编辑历史写进文件元数据形成"出处链"；但元数据太容易被剥掉）、检测器（用模型识别模型；这是一场注定的军备竞赛，而且误伤率高得惊人——已有多起真人写的文章被判定为 AI 生成的事故）。

更深层的社会后果被称为"说谎者的红利"：当所有人都知道视频可以伪造时，真实的证据也可以被轻易否认了。这比"有人被假视频骗到"更麻烦——它侵蚀的是"眼见为实"这个人类社会运行几千年的默认信任基础。所以真正的解法可能不在技术侧，而在制度侧：不去证明"这是假的"，而是建立机制去证明"这是真的、来源可查"。中国自 2025 年起实施的 AI 生成内容标识办法、欧盟《人工智能法案》的透明度条款，走的都是这条路。

最后一个正在浮现的隐患：模型自噬（Model Collapse）。当互联网上越来越多内容由 AI 生成，下一代模型的训练数据里就会混入大量 AI 产物；用 AI 生成的数据训练 AI，多轮之后分布的尾部会被逐步削平，多样性衰减、罕见知识丢失。有研究把这个过程形容为"信息的近亲繁殖"。这意味着 2022 年之前的"纯人类语料"正在变成一种越来越珍贵的稀缺资源。