AIGC背后的生成模型系統梳理：從動機、數學原理到訓練邏輯丨面向復雜系統的人工智能第七講

導語

集智俱樂部、集智學園創始人，北京師范大學張江教授開設了，致力于打破學科壁壘，將復雜系統與人工智能深度融合。從神經網絡到因果推斷，從世界模型到多尺度建模，甚至包含最前沿的“氛圍編程（Vibe Coding）”實戰，帶你親手落地AI項目。

作為系列課程的第七講，張江教授將以「AIGC背后的生成模型系統梳理：從動機、數學原理到訓練邏輯」為題，系統講解GAN、VAE、歸一化流、擴散模型與CLIP五大范式的數學原理，弄清各模型訓練目標為何不同，并延伸至圖結構數據的生成方法，覆蓋圖像生成與圖生成兩條主線。正式分享將于4月20日（周一）13:30-16:15騰訊會議線上直播，北師大海淀區線下授課（助教可協助入校）。

課程簡介

DALL-E 2、Stable Diffusion 背后的生成機制是什么？本節課程將給出系統性的回答。

課程以一個問題作為主軸：生成模型能否精確計算數據分布 p(x)？這個問題的答案，決定了各模型訓練目標為何不同，例如Normalizing Flow 直接最大化似然，VAE 退而優化變分下界，GAN 繞開 p(x) 改用對抗損失，擴散模型則通過逐步去噪學習數據分布。沿此邏輯，課程依次講解 GAN、VAE、歸一化流、擴散模型、CLIP 五個范式，最后延伸至圖生成與分子/蛋白質結構生成應用。

學完這門課，你能掌握不同生成模型各自的數學原理、訓練目標和適用場景，以及如何將圖像生成的工具遷移到圖結構數據上。

課程大綱

1. 生成模型基礎

   1. AIGC應用全景：文本生圖、文本生視頻、分子生成

   2. 生成模型分類框架

2. 生成對抗網絡（GAN）

   1. 對抗訓練目標（min-max）與生成器-判別器架構

   2. 條件GAN、pix2pix與CycleGAN

3. 變分自編碼器（VAE）與歸一化流

   1. ELBO推導、KL散度與重參數化技巧

   2. 可逆變換與Jacobian行列式：RealNVP、Neural ODE

4. 擴散模型

   1. DDPM：前向加噪與逆向去噪（U-Net參數化）

   2. 隨機微分方程統一框架

5. CLIP與文本驅動圖像生成

   1. 對比預訓練：4億圖文對與零樣本推理

   2. DALL-E 2：CLIP先驗 + 擴散解碼器

6. 圖生成

   1. 經典隨機圖模型與深度生成方法對比

   2. GraphRNN（序列生成）與Graph Normalizing Flow（一次性生成）

   3. 分子圖與蛋白質結構生成應用

關鍵術語

• ELBO（證據下界）：VAE訓練目標，用可計算下界代替難以直接優化的對數似然

• 重參數化技巧：將隨機采樣改寫為確定性變換加噪聲的形式，使梯度能反向傳播通過采樣步驟

• Jacobian行列式：歸一化流中用于計算變量變換后概率密度縮放因子的矩陣行列式

• 分數匹配（Score Matching）：通過最小化模型分數函數與真實分數函數之差來訓練模型，無需計算歸一化常數

• 隨機微分方程（SDE）：將擴散前向過程（數據→噪聲）和逆向生成過程（噪聲→數據）統一表達的連續時間框架

• Classifier Guidance：將分類器的梯度注入擴散模型的逆向過程，引導生成滿足特定條件的樣本

• GraphRNN：將圖分解為BFS節點序列，用RNN自回歸逐節點生成邊連接關系的模型

• GRevNets（可逆圖神經網絡）：將RealNVP耦合層設計遷移到圖數據，實現節點特征的可逆變換以支持精確似然計算

課程信息

課程主題：大語言模型的推理機制與自指

課程時間：2026年4月20日（周一） 13:30-16:15

課程形式：騰訊會議（會議信息見群內通知）/北師大海淀區線下授課（助教可協助入校）；集智學園網站錄播（3個工作日內上線）

課程主講人

張江，北京師范大學系統科學學院教授，集智俱樂部、集智學園創始人，集智科學研究中心理事長，曾任騰訊研究院、華為戰略研究院等特聘顧問。主要研究領域包括因果涌現、復雜系統分析與建模、規模理論等。

個人主頁：https://jake.swarma.org/

課程適用對象

1. 理工科背景高年級本科生

2. 理工科背景碩士、博士研究生

報名須知

1. 課程形式：

1. 參與方式：付費學員可參與騰訊會議直播/北師大海淀區線下授課（助教可協助入校）

2. 授課形式：

1. 平時：課堂討論與內容共創

2. 結課：項目匯報

2. 課程周期：2026年3月2日-2026年6月22日，每周一 13:30-16:15進行。

3. 課程定價：399元

課程鏈接：https://campus.swarma.org/v3/course/5684?from=wechat

付費流程：

2. 課程頁面添加學員登記表，添加助教微信入群；

3. 課程可開發票。

課程共創任務：課程字幕

為鼓勵學員深度參與、積極探索，我們致力于形成系列化知識傳播成果，并構建課程知識共建社群。為此，我們特別設立激勵機制，讓您的學習之旅滿載收獲與成就感。

課程以老師講授為主，每期結束后，助教會于課程群內發布字幕共創任務。學員通過參與這些任務，不僅能加深對內容的理解，還可獲得積分獎勵。積分可兌換其他讀書會課程或實物獎品，助力您的持續成長。

推薦課程

參考課程

1. 吳恩達：Build with Andrew https://www.deeplearning.ai/courses/build-with-andrew/

2. Jure Leskovec: Machine Learning with Graphs, StanfordCS224W.https://www.youtube.com/playlist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn

3. Steve Brunton: Data Driven Science and Engineering, University of Washingtonhttps://www.youtube.com/playlist?list=PLMrJAkhIeNNRpsRhXTMt8uJdIGz9-X_1-

4. Karthik Duraisamy: DATA-DRIVEN ANALYSIS AND MODELING OF COMPLEX SYSTEMS, Michigen institute for computational discovery and engineering, Michigen University.https://micde.umich.edu/academic-programs-old/data-driven-course/

5. Sergey Levine: Deep Reinforcement Learning, CS 285 at UC Berkeley.http://rail.eecs.berkeley.edu/deeprlcourse/

【集智學園網站資源】

1. 對復雜系統連續變化自動建?！狽eural Ordinary Differential Equations解讀https://campus.swarma.org/course/2046

2. 復雜網絡自動建模在大氣污染中的應用https://campus.swarma.org/course/1998

3. 兩套因果框架深度剖析：潛在結果模型與結構因果模型https://campus.swarma.org/course/2526

4. 穩定學習：發掘因果推理和機器學習的共同基礎https://campus.swarma.org/course/2323

5. 因果強化學習https://campus.swarma.org/course/2156

6. 張江：因果與機器學習能夠破解涌現之謎嗎https://campus.swarma.org/course/4540

7. 因果涌現理論提出者：Erik Hoel主題報告https://campus.swarma.org/course/4317

8. 如何從數據中發現因果涌現——神經信息壓縮器https://campus.swarma.org/course/4874

9. 標準化流技術簡介https://campus.swarma.org/course/1999

10. 帶隱狀態的強化學習世界模型https://campus.swarma.org/course/4848