在AIGC 领域中，人工智能技术主要包括机器学习、深度学习和自然语言处理等，这些技术使计算机能够从大量数据中学习和理解规律，从而进行自主决策和创造。在 AIGC 的发展初期，生成性模型
（Generative Models）起到了关键作用，如GAN（Generative Adversarial Networks）和 VAE（Variational Autoencoders）等。这些模型通过学习真实样本数据的分布，能够生成新的、以假乱真的作品。如图 3-1所示，每个子图的最后一列是GAN 生成的图像在训练样本中的最近邻，其余列则是在训练期间随机选择的生成器生成的假图像，用来欺骗判别器。后来，大规模的预训练技术兴起，AIGC 作为人工智能技术的一部分，其能力也随预训练的深度学习模型的蓬勃发展而增强3。这些模型是基于大量数据进行预先训练的，通常被称为基础模型
（Foundation Models）。机器学习的最新进展（特别是基于 transformer的神经网络架构的发明）直接带来这一类模型的爆发式增长，这类模型通常包含数十亿个参数或变量。如今的基础模型，例如大型语言模型 GPT4 或 BLOOM，可以执行跨多个领域的多种任务，例如撰写博客文章、解决算术问题、对话聊天、基于文档回答问题等, 由
3 https://aws.amazon.com/cn/campaigns/aigc/?refid=45d0b997-4d67-4dfa-96c0-1f1f25f8cd06
stability.ai 开发的文生图模型Stable Diffusion4，可以生成创意图片，转换已有图像的风格。
在AIGC 领域中，判别式技术和生成式技术是两个重要的发展方向，基于基础模型的技术也在最近发展迅速。下面，我们将分别介绍判别式技术和生成式技术以及基于基础模型的AIGC 技术的发展。
图 2-1 GAN 的生成结果图（来源：GAN5).