现在大家常说的AI生成（文本、图片、语音、视频），核心是 生成式大模型，基于概率预测来输出内容，并不是机器真正“理解”知识，而是学习海量数据里的模式、语言逻辑、常识、风格，按概率逐个输出片段。

一、文本大模型（ChatGPT类文字AI）

1.训练阶段

1. 海量语料输入：网络文章、书籍、论文、网页等海量文本做清洗分词，把文字转成数字Token（词/子词编号）。
2. Transformer架构，依靠自注意力机制：模型可以看懂上下文前后关系，知道哪几个词互相关联。
3. 预训练目标：预测下一个词
   拿一大段文本，遮住后面的词，让模型根据前面文字，预测下一个最可能出现的token。反复亿万次迭代，调整模型内部亿万参数，记住人类语言的规律、事实、逻辑、句式。

简单例子：输入“床前明月光，”，模型学习大量古诗后，计算概率，最大概率下一个token就是“疑”。

4. 对齐微调（SFT+RLHF）
   预训练只会续写文本，不一定听话。用人工标注问答数据微调，再通过人类反馈强化学习，让模型学会：服从指令、回答安全、符合人类价值观，减少乱输出。

2.推理生成阶段（你提问时发生什么）

1. 你的提示词被编码成token送入模型。
2. 模型一次只预测1个下token，算出候选词概率分布。
3. 通过采样策略（top‑p、temperature温度参数）挑选下一个词：

• 温度低：优先选概率最高，回答保守、重复；
• 温度高：允许选概率偏低的词，创造性更强，但更容易幻觉。

4. 把刚生成的token拼回上下文，再带入模型继续预测下一个，循环往复，直到输出结束标记，就得到完整回答。

二、AI绘画（Stable Diffusion类图像生成）

属于扩散模型Diffusion原理：

训练

1. 训练集是大量【图片+文字描述】配对。
2. 给清晰图片不断加噪声，一步步把图片变成纯噪点。模型学习任务：根据文字提示，学会把噪声还原回原图。

生成

1. 先随机生成一张纯噪声图。
2. 输入文字提示，文本编码器把提示词转成向量。
3. 迭代去噪：几十步循环，不断去掉一部分噪声，参考文字条件约束，把噪声慢慢变成符合描述的图片。
4. 输出最终图像。

三、通用核心共性

1. 不是真正理解，是统计模式匹配：模型不拥有主观意识，记忆的是海量样本中的统计规律。
2. 生成是自回归/迭代采样：文字一个词一个词吐；图像一步一步去噪。
3. 输出受训练数据局限：训练集有什么风格、知识，模型才会输出；过时、错误数据会带来错误输出。
4. 幻觉根源：当概率拼接出来一段通顺文本，但训练数据没有对应事实，就编造虚假信息。

四、简单通俗版本比喻

**文本AI：**就像看过亿万本书的超级复读生，不会真正懂道理，但极度擅长猜“接下来该写什么字最通顺合理”，一个字一个字续写整篇回答。
**AI画图：**相当于学会“擦掉噪点复原照片”的画师，给一团乱雪花，根据你的文字指令，一点点擦除噪声画出图片。