绪论：生成式AI的发展脉络与核心范式

...技术范式。这种范式迁移并非偶然，而是由生成式建模的内在需求与技术瓶颈共同驱动的：早期概率图模型受限于建模能力，无法捕捉高维数据的复杂分布；GAN虽然大幅提升了生成质量，却因训练不稳定、可控性差等问题限制了工业落地；扩散模型则以稳定的训练过程、极高的生成质量和灵活的可控性，成为当前生成式AI的主流技术底座，支撑了从文本到图像、视频生成到3D内容生产的一系列突破性应用。

早期生成式AI：概率图模型的探索

生成式AI的研究最早可以追溯到20世纪90年代的统计学习领域，其核心目标是建模数据的概率分布$P(x)$，从而生成与真实数据分布一致的新样本。这一阶段的主流技术是基于概率图模型的生成方法，以隐马尔可夫模型（HMM）、高斯混合模型（GMM）和受限玻尔兹曼机（RBM）为代表，为后续深度学习生成模型奠定了理论基础。

序列生成的开端：隐马尔可夫模型与高斯混合模型

隐马尔可夫模型是第一个被广泛应用的生成式模型，其核心假设是：当前隐藏状态仅依赖于前一个隐藏状态，当前观测值仅依赖于当前隐藏状态。对于长度为$T$的观测序列$O = \{o_1, o_2, ..., o_T