初识生成式AI：从概念到应用场景

如果你最近一年刷过短视频、逛过电商平台、甚至写过工作周报，大概率已经和生成式AI打过交道了：朋友圈里刷到的AI生成的赛博朋克风头像、美颜相机里点一下就能生成的“海边度假”背景、输入几个关键词就自动生成的商品宣传文案，甚至短视频里唱跳全能的虚拟主播，这些看似“凭空出现”的内容，背后都是生成式AI在发挥作用。

过去十年里，AI技术一直以“辅助工具”的形象出现在大众视野：手机里用来解锁屏幕的人脸识别、购物平台推荐你喜欢的商品、导航软件计算最优路线，这些AI的核心能力都是“判断”和“区分”——判断一张图里是不是人脸、区分你更可能喜欢哪件衣服、计算哪条路不堵车，这类技术被称为判别式AI，也是过去几十年AI产业的主流方向。而生成式AI的出现，第一次让AI从“辅助者”变成了“创造者”：它不再只是判断 existing 内容的好坏，而是可以凭空创造出全新的、符合人类需求的文本、图像、音频、视频内容。

这种能力的跃迁，正在彻底改变内容生产的逻辑：过去一张商业海报需要设计师花3天时间完成，现在AI只需要10秒；过去一个短视频需要拍摄、剪辑团队花一周时间制作，现在AI输入一段文字描述就能生成60秒的高清成片；过去企业拍一组商品图需要找模特、租场景、拍几百张选最好的，现在AI输入商品款式就能生成不同身材、不同场景的上万张商品图，成本仅为传统拍摄的1%。据《2024全球生成式AI产业白皮书》统计，2023年全球生成式AI市场规模达到1967亿美元，同比增长312%，预计2028年将突破1.2万亿美元，成为未来十年增长最快的科技赛道之一。

作为全书的开篇，本章不会涉及任何复杂的数学公式或代码，只会用最通俗的语言帮你建立对生成式AI的整体认知：我们会先讲清楚生成式AI和传统判别式AI的核心区别，再通过你身边常见的应用场景帮你理解生成式AI到底能做什么，最后梳理生成式AI从早期规则系统到深度学习时代的发展历程，帮你明白这项技术为什么会在最近两年突然爆发。读完本章，你就能明白生成式AI不是遥不可及的黑科技，而是已经渗透到你生活每个角落的生产力工具。

一、生成式AI vs 判别式AI：核心区别是什么？

要理解生成式AI，最直接的方式就是对比它和传统判别式AI的差异。我们可以用一个最简单的例子来区分：假设你现在要处理一张猫的图片。

如果用判别式AI来处理，它的任务是“判断”和“分类”：它会分析图片里的像素特征，然后给出结论——“这是一张猫的图片”“这只猫是橘猫”“这只猫的年龄是2岁”。它的核心逻辑是学习 existing 数据的特征边界，然后对新的输入进行分类或判断，输出的是对现有内容的“认知结果”。

而如果用生成式AI来处理，它的任务是“创造”和“生成”：你可以给它一个指令“画一只戴着圣诞帽的橘猫在雪地里打滚”，它会根据 learned 的猫的特征、圣诞帽的特征、雪地的特征，创造出一张从未存在过的、符合你要求的全新图片。它的核心逻辑是学习 existing 数据的分布规律，然后生成符合规律的全新内容，输出的是“创造新的内容”。

我们可以通过下面的对比表格更直观地理解两者的差异：

| 对比维度 | 判别式AI | 生成式AI | |----------|----------|----------| | 核心目标 | 区分、判断、分类 | 创造、生成、构造 | | 输入 | 已有数据（如图片、文本、传感器数据） | 指令/提示（如文字描述、随机噪点、参考图） | | 输出 | 分类标签、判断结果、数值预测 | 全新的文本、图像、音频、视频内容 | | 典型应用 | 人脸识别、推荐算法、故障检测、医疗影像诊断 | AI绘画、AI写作、AI配音、虚拟人 | | 技术逻辑 | 学习数据之间的边界和差异，判断输入属于哪一类 | 学习数据的分布规律，生成符合规律的新样本 |

> [!TIP] 电子版互动提示 > 你可以立刻做一个测试：打开你手机的人脸识别功能，这是典型的判别式AI，它只会判断“你是不是手机的主人”；而如果你打开美颜相机的“AI生成背景”功能，输入“在埃菲尔铁塔前拍照”，它会给你生成一张你站在埃菲尔铁塔前的全新图片，这就是典型的生成式AI。

这种核心逻辑的差异，也决定了两类AI的应用场景完全不同：判别式AI更适合做“效率提升”类的工作，比如帮你筛选出感兴趣的商品、帮你识别照片里的人脸、帮你检测工业设备的故障；而生成式AI更适合做“内容创造”类的工作，比如帮你写文案、画图、做视频、生成语音。过去几十年，AI的落地场景几乎都是判别式AI的天下，而生成式AI的爆发，第一次让AI真正进入了内容创造的核心领域，这也是它被称为“AI革命”的核心原因。

二、生成式AI的常见应用场景：你已经用过的生成式AI

很多人觉得生成式AI是只有技术人员才能接触到的黑科技，但实际上，过去两年里生成式AI已经渗透到了普通人的日常生活、工作、娱乐的方方面面，你可能已经用过很多次，只是没意识到背后是生成式AI在发挥作用。我们可以把当前生成式AI的落地场景分为四大类，每一类都有你熟悉的实际案例：

2.1 图像生成：从修图到设计，人人都能当“画家”

图像生成是当前生成式AI落地最成熟的领域之一，你几乎每天都能接触到相关的应用：

• **日常修图场景**：现在主流的美颜相机APP（如美图秀秀、醒图）都已经内置了AI生成功能，比如“AI扩图”——你拍了一张半身照，AI可以自动生成你身后原本不存在的背景；“AI换装”——你输入“穿汉服”“穿西装”，AI可以自动把你身上的衣服换成对应的款式，不需要你真的去拍换装照片；“AI生成背景”——你输入“在海边日落”“在樱花树下”，AI可以自动把你P到对应的场景里，不需要你真的去这些地方拍照。这些功能的底层都是生成式AI，它能根据你提供的局部信息，生成符合逻辑的全新图像内容。
• **内容创作场景**：2022年以来爆火的AI绘画工具（如Midjourney、 Stable Diffusion、文心一格）已经成了很多设计师、自媒体人的标配工具：以前做一个海报的背景需要设计师找素材、修图花几个小时，现在输入“赛博朋克风格的未来城市背景，霓虹灯，雨夜”，几十秒就能生成几十张可选的高清背景；以前做自媒体的封面需要自己拍摄或者找画师约稿，现在输入“科技感风格的AI教程封面，蓝色调，有机器人元素”，就能生成完全符合需求的封面图。甚至有设计师用AI生成的设计稿拿了国际设计大奖，也引发了关于“AI生成内容版权”的讨论。
• **产业落地场景**：生成式AI在产业端的落地速度甚至比消费端更快：国内头部电商平台的统计数据显示，2023年已经有超过60%的服装类商家使用AI生成商品图，过去拍一组商品图需要找模特、租场景、拍几百张选最好的，成本至少几千元，周期3-7天，现在用AI输入商品款式，几秒钟就能生成不同身材、不同场景的上万张商品图，成本仅为传统拍摄的1%，上新周期缩短到1天以内；房地产行业用AI生成室内装修效果图，过去需要设计师花3天时间测量、建模、渲染，现在输入户型图和装修风格，10分钟就能生成几十张不同风格的效果图，客户选好风格之后直接施工，大幅降低了沟通成本。

2.2 文本生成：从写周报到写代码，AI成了“写作助手”

文本生成是大众接触最早的生成式AI应用，2022年底ChatGPT的发布，直接把文本生成的能力推到了普通人的面前：

• **办公场景**：现在很多职场人已经习惯用AI写周报、写会议纪要、写邮件：你输入“本周完成了3个客户的需求对接，推进了2个项目的落地，下周计划跟进新客户的签约”，AI就能自动整理成格式规范、语气正式的周报；你上传一段会议录音，AI可以自动生成文字版的会议纪要，还自动标注出待办事项和责任人。据某办公软件平台的统计，使用AI写周报的用户，平均每周可以节省1.5小时的重复性文字工作时间。
• **内容创作场景**：自媒体人、写作者用AI生成文案、大纲、甚至完整的文章：你输入“写一篇关于春天去杭州旅游的攻略，包含美食、景点、行程安排”，AI就能生成一篇结构完整、内容详实的攻略；你输入“写一个科幻短篇故事的开头，主角是火星上的快递员”，AI就能生成一个充满想象力的故事开头，你只需要在此基础上修改就能完成创作。甚至有作家用AI辅助写作，完成了整本小说的创作，还出版了实体书。
• **编程场景**：生成式AI也成了程序员的“编程助手”：你输入“写一个Python脚本，批量把文件夹里的图片改成统一尺寸”，AI就能直接生成可运行的代码，不需要你一行一行写；你遇到代码报错，把报错信息复制给AI，AI就能告诉你错误原因和修改方法。据GitHub的统计，使用AI编程助手的开发者，代码编写效率平均提升30%以上。

2.3 视频生成：从虚拟主播到短视频，AI成了“导演”

视频生成是当前生成式AI发展最快的领域，也是未来落地空间最大的领域之一：

• **虚拟人场景**：现在B站、抖音、视频号上已经有大量的虚拟主播、虚拟IP，他们的动作、表情、甚至语音都是AI实时生成的：比如B站的知名虚拟UP主“泠鸢yousa”，背后就是AI驱动的人物模型，可以实时和观众互动，唱歌、跳舞、聊天都不在话下；很多品牌的官方账号也用虚拟主播做直播，不需要真人出镜，24小时不间断直播，成本只有真人直播的1/10。
• **短视频创作场景**：2024年以来，AI生成短视频的工具已经大量普及：你输入“一只猫在弹钢琴，旁边有彩色的气球飘起来”，AI就能生成一段15-60秒的高清短视频，不需要你真的去拍猫、找钢琴、布置场景；很多电商商家用AI生成产品宣传短视频，输入产品卖点，AI就能自动生成包含产品展示、卖点讲解、促销信息的完整视频，成本只有传统拍摄的几十分之一。2024年2月OpenAI发布的Sora模型，甚至可以生成长达60秒、包含复杂人物动作和场景逻辑的高清视频，直接把视频生成的精度提升到了商业可用的水平。
• **影视制作场景**：很多影视剧组已经用AI生成特效镜头、背景场景：比如《流浪地球2》里的一些未来城市背景，就是AI生成的，不需要真的搭建实景，大幅降低了拍摄成本；很多动画公司用AI生成中间帧、背景图，把动画制作的周期缩短了一半以上。

2.4 音频生成：从配音到写歌，AI成了“音乐家”

音频生成也是生成式AI的重要落地场景：

• **语音合成场景**：现在的AI配音工具已经可以生成和真人几乎无差的语音：你输入一段文字，AI可以生成不同音色、不同情绪的语音，比如温柔的女声、浑厚的男声、活泼的童声，甚至可以用你本人的声音克隆出专属的语音模型，输入任何文字都能用你的声音读出来。很多短视频博主、有声书主播都用AI配音，不需要自己录音，效率提升了好几倍。
• **音乐创作场景**：AI写歌工具已经可以生成完整的音乐作品：你输入“欢快的流行歌，关于毕业，节奏轻快”，AI就能生成包含旋律、和弦、歌词的完整歌曲，很多短视频的BGM、甚至商业广告的音乐都是AI生成的，成本只有请专业音乐人创作的1%。

> [!NOTE] 侧边栏：生成式AI已经落地的更多场景 > 除了以上四大类场景，生成式AI还有很多你可能没注意到的落地应用：比如工业设计领域用AI生成产品外观设计，建筑领域用AI生成建筑方案，医疗领域用AI生成药物分子结构，教育领域用AI生成习题和教案，甚至农业领域用AI生成作物育种方案。生成式AI的应用边界正在快速扩展，未来几乎 every 需要“创造内容”的行业都会被它改变。

三、生成式AI发展简史：从规则系统到扩散模型的突破

生成式AI并不是最近两年才出现的新技术，它的发展历程可以追溯到几十年前，只不过在过去的技术条件下，生成式AI的能力非常有限，只能生成非常简单的、规则固定的内容，直到最近几年才真正实现爆发。我们可以把生成式AI的发展历程分为三个阶段，每个阶段都有标志性的技术突破：

3.1 规则驱动时代（1950s-2010s）：预设规则的“伪生成”

最早的生成式AI可以追溯到1950年代，那时候还没有深度学习，所有的AI都是基于预设的规则运行的，被称为“专家系统”。最典型的例子是1966年MIT研发的聊天机器人ELIZA：它的逻辑非常简单，就是预设了几百条“如果用户说X，就回复Y”的规则，比如用户说“我心情不好”，它就回复“你为什么心情不好？”；用户说“我今天和妈妈吵架了”，它就回复“你和妈妈吵架让你有什么感受？”。虽然它的回复看起来好像真的在和你聊天，但实际上它完全理解不了你说的话，只是按照预设的规则匹配回复而已，本质上不是真正的“生成”，只是“匹配预设内容”。

这个阶段的“生成式AI”只能生成非常简单的、规则固定的内容，比如早期的游戏里的NPC对话、简单的自动回复、基于模板的公文生成，生成的内容非常生硬，没有灵活性，完全不具备创造能力。这个阶段的生成式AI一直没有突破性的进展，直到深度学习技术的出现，才真正让AI具备了学习数据规律、生成全新内容的能力。

3.2 GAN时代（2014-2020）：生成对抗网络的“内卷”突破

2014年，深度学习领域的里程碑式技术生成对抗网络（Generative Adversarial Network，简称GAN）被提出，它的提出者 Ian Goodfellow 当时还只是Google的一名普通研究员，这项技术后来被称为“深度学习领域最有趣的idea之一”。

GAN的核心逻辑非常有意思：它由两个AI模型组成，一个叫生成器，专门负责造假——比如生成假的猫图；另一个叫判别器，专门负责抓假——判断一张图是真的猫图还是生成器造的假猫图。两个模型互相“内卷”：生成器会不断优化自己的造假技术，让判别器分不出来；判别器会不断优化自己的鉴别能力，抓住更细微的假图特征。经过成千上万轮的“打架”之后，生成器的造假技术会练到连判别器都分不清真假的程度，这时候它就能生成非常逼真的全新内容了。

你可以把GAN理解为“ counterfeit 钞票的训练过程”： counterfeit 者（生成器）不断改进 counterfeit 技术，警察（判别器）不断改进鉴别技术，最后 counterfeit 者造出来的钞票连警察都分不清真假，就可以投入使用了。

GAN的出现第一次证明了AI可以生成以假乱真的图像内容：2017年，NVIDIA推出的PG-GAN模型可以生成分辨率高达1024×1024的人脸图片，几乎和真人照片没有任何差异，很多人根本分不清哪些是AI生成的，哪些是真人照片；2018年，由GAN生成的画作《埃德蒙·贝拉米肖像》在佳士得拍卖会上以43.8万美元的价格成交，这是第一件被拍卖的AI生成艺术品，当时引发了全社会的关注，也让更多人第一次意识到AI的生成能力已经可以媲美人类艺术家。

但GAN也有明显的局限性：首先，它的训练非常不稳定，两个AI“打架”的时候很容易出现“一方摆烂”的情况，比如生成器生成的图太假，判别器直接放弃鉴别，或者判别器太厉害，生成器完全学不会，导致训练失败；其次，GAN生成的内容容易出现“诡异细节”，比如生成的人脸多一根手指、猫的耳朵不对称、文字内容乱码，这是因为GAN只能学习数据的表面特征，无法理解内容的逻辑关系；最后，GAN很难生成高分辨率、复杂的视频内容，因为视频需要保证帧与帧之间的逻辑连贯性，GAN很难做到这一点。这些局限性也限制了GAN的大规模落地，直到扩散模型的出现，才真正解决了这些问题。

3.3 扩散模型时代（2020至今）：从“破坏”到“重建”的技术革命

2020年，斯坦福大学的研究团队提出了扩散模型（Diffusion Model）技术，这项技术第一次解决了GAN生成内容不稳定、细节诡异的问题，也成了当前图像和视频生成领域的主流技术路线，Midjourney、Stable Diffusion、Sora等所有主流生成式AI工具，底层都是基于扩散模型实现的。

扩散模型的核心逻辑非常好理解，它分为两个过程：前向扩散过程和反向生成过程。

• **前向扩散过程**：就是“破坏”的过程。比如你有一张清晰的猫图，我们一步步给它加噪点，每一步加一点点，加几十步之后，这张猫图就会变成完全随机的噪点图，就像你把一张照片一点点揉成纸团，最后撕成碎片，已经完全看不出原来的内容了。这个过程是完全可控的，我们可以通过数学公式精确计算每一步加噪点的程度。
• **反向生成过程**：就是“重建”的过程。我们训练一个AI模型，让它学会从噪点图一步步还原出原来的猫图：给它一张完全随机的噪点图，它先去掉一点点噪点，得到一张稍微清晰一点的图，再去掉一点点噪点，一步步还原，最后得到一张清晰的猫图。我们给它看的“破坏-重建”的样本越多，它还原的能力就越强，最后甚至不需要原来的猫图，给它一张完全随机的噪点，它就能生成一张全新的、符合要求的猫图。

你可以把扩散模型理解为“拼图的逆过程”：你先把一张完整的拼图拆成几千块碎片（前向扩散），然后训练一个人拼拼图，练熟了之后，你给他一堆随机的碎片（反向生成），他就能拼出一张全新的、符合要求的拼图。

扩散模型相比GAN有三大优势：首先，训练非常稳定，不会出现GAN“一方摆烂”的情况，只要数据足够，训练成功率几乎100%；其次，生成的内容细节非常真实，几乎没有GAN常见的“多手指”“不对称”的问题，因为扩散模型是逐步生成内容的，每一步都会修正细节；最后，很容易扩展到视频生成领域，因为视频本质上是连续的图片帧，扩散模型可以保证帧与帧之间的逻辑连贯性，不会出现画面跳变的情况。

2022年，开源的扩散模型Stable Diffusion发布，普通人用自己的笔记本就能跑AI绘画模型，不需要昂贵的服务器，直接引爆了AI绘画的热潮，Midjourney等AI绘画工具的用户量几个月内就突破了千万。2023年，基于扩散模型改进的大语言模型ChatGPT发布，生成的文本内容几乎和人类写的没有任何差异；2024年，OpenAI发布的Sora模型，基于扩散模型生成了60秒的高清视频，包含复杂的动作逻辑和场景连贯性，直接把生成式AI的能力推到了新的高度，也让普通人第一次意识到，AI生成视频的时代真的到来了。

我们可以用下面的时间线图更直观地理解生成式AI的发展历程：

```mermaid timeline title 生成式AI发展关键节点 1950s-2010s : 规则驱动时代 : 1966年 ELIZA聊天机器人发布 : 基于预设规则生成固定回复 2014年 : GAN技术提出 : 生成对抗网络首次实现以假乱真的图像生成 2017年 : PG-GAN生成1024×1024逼真人脸 2018年 : AI画作《埃德蒙·贝拉米肖像》拍卖成交43.8万美元 2020年 : 扩散模型技术提出 : 解决GAN训练不稳定、细节诡异的问题 2022年 : Stable Diffusion开源 : 引爆AI绘画热潮，普通人可本地运行生成式AI模型 2023年 : ChatGPT发布