总结：生成式 AI 的未来
回顾六大家族，展望未来方向。
本系列从简单的 p(x) 讲到能根据文字作画的系统。每种方法的区别在于如何处理 p(x)：近似它、精确计算它，或者干脆不管它、只学会采样。
未来方向：跨多种模态（文本、图像、音频、视频）的模型、作为工作助手的 AI，以及版权和虚假信息等伦理问题。
一页看懂六大家族
| 家族 | 优点 | 缺点 |
|---|---|---|
| VAE | 易训练，潜在空间好用 | 生成结果模糊 |
| GAN | 图像清晰，采样快 | 难训练，易模式坍塌 |
| Autoregressive | 精确似然，擅长文本 | 生成慢 |
| Normalizing flow | 精确似然 + 可逆 | 网络结构受限 |
| Energy-based | 模型形式灵活 | 采样慢 |
| Diffusion | 质量最高，训练稳定 | 采样步数多 |
下一步
- 运行每课的代码，再换成你自己的数据
- 试试 Hugging Face diffusers，运行真正的 Stable Diffusion
- 负责任地使用生成式 AI：注明来源，尊重版权
- #GenerativeAI
- #DeepLearning
- #PythonສຳລັບຄົນLaos
- #AI
- #ບອກຕໍ່ຄວາມຮູ້