打开网易新闻 查看精彩图片

导语

集智俱乐部、集智学园创始人，北京师范大学张江教授开设了，致力于打破学科壁垒，将复杂系统与人工智能深度融合。从神经网络到因果推断，从世界模型到多尺度建模，甚至包含最前沿的“氛围编程（Vibe Coding）”实战，带你亲手落地AI项目。

作为系列课程的第七讲，张江教授将以「AIGC背后的生成模型系统梳理：从动机、数学原理到训练逻辑」为题，系统讲解GAN、VAE、归一化流、扩散模型与CLIP五大范式的数学原理，弄清各模型训练目标为何不同，并延伸至图结构数据的生成方法，覆盖图像生成与图生成两条主线。正式分享将于4月20日（周一）13:30-16:15腾讯会议线上直播，北师大海淀区线下授课（助教可协助入校）。

课程简介

DALL-E 2、Stable Diffusion 背后的生成机制是什么？本节课程将给出系统性的回答。

课程以一个问题作为主轴：生成模型能否精确计算数据分布 p(x)？这个问题的答案，决定了各模型训练目标为何不同，例如Normalizing Flow 直接最大化似然，VAE 退而优化变分下界，GAN 绕开 p(x) 改用对抗损失，扩散模型则通过逐步去噪学习数据分布。沿此逻辑，课程依次讲解 GAN、VAE、归一化流、扩散模型、CLIP 五个范式，最后延伸至图生成与分子/蛋白质结构生成应用。

学完这门课，你能掌握不同生成模型各自的数学原理、训练目标和适用场景，以及如何将图像生成的工具迁移到图结构数据上。

课程大纲

  1. 生成模型基础

    1. AIGC应用全景：文本生图、文本生视频、分子生成

    2. 生成模型分类框架

  2. 生成对抗网络（GAN）

    1. 对抗训练目标（min-max）与生成器-判别器架构

    2. 条件GAN、pix2pix与CycleGAN

  3. 变分自编码器（VAE）与归一化流

    1. ELBO推导、KL散度与重参数化技巧

    2. 可逆变换与Jacobian行列式：RealNVP、Neural ODE

  4. 扩散模型

    1. DDPM：前向加噪与逆向去噪（U-Net参数化）

    2. 随机微分方程统一框架

  5. CLIP与文本驱动图像生成

    1. 对比预训练：4亿图文对与零样本推理

    2. DALL-E 2：CLIP先验 + 扩散解码器

  6. 图生成

    1. 经典随机图模型与深度生成方法对比

    2. GraphRNN（序列生成）与Graph Normalizing Flow（一次性生成）

    3. 分子图与蛋白质结构生成应用



关键术语

  • ELBO（证据下界）：VAE训练目标，用可计算下界代替难以直接优化的对数似然

  • 重参数化技巧：将随机采样改写为确定性变换加噪声的形式，使梯度能反向传播通过采样步骤

  • Jacobian行列式：归一化流中用于计算变量变换后概率密度缩放因子的矩阵行列式

  • 分数匹配（Score Matching）：通过最小化模型分数函数与真实分数函数之差来训练模型，无需计算归一化常数

  • 随机微分方程（SDE）：将扩散前向过程（数据→噪声）和逆向生成过程（噪声→数据）统一表达的连续时间框架

  • Classifier Guidance：将分类器的梯度注入扩散模型的逆向过程，引导生成满足特定条件的样本

  • GraphRNN：将图分解为BFS节点序列，用RNN自回归逐节点生成边连接关系的模型

  • GRevNets（可逆图神经网络）：将RealNVP耦合层设计迁移到图数据，实现节点特征的可逆变换以支持精确似然计算

课程信息

课程主题：大语言模型的推理机制与自指

课程时间：2026年4月20日（周一） 13:30-16:15

课程形式：腾讯会议（会议信息见群内通知）/北师大海淀区线下授课（助教可协助入校）；集智学园网站录播（3个工作日内上线）

课程主讲人

张江，北京师范大学系统科学学院教授，集智俱乐部、集智学园创始人，集智科学研究中心理事长，曾任腾讯研究院、华为战略研究院等特聘顾问。主要研究领域包括因果涌现、复杂系统分析与建模、规模理论等。

个人主页：https://jake.swarma.org/

课程适用对象

  1. 理工科背景高年级本科生

  2. 理工科背景硕士、博士研究生

报名须知

1. 课程形式：

  1. 参与方式：付费学员可参与腾讯会议直播/北师大海淀区线下授课（助教可协助入校）

  2. 授课形式：

  1. 平时：课堂讨论与内容共创

  2. 结课：项目汇报

2. 课程周期：2026年3月2日-2026年6月22日，每周一 13:30-16:15进行。

3. 课程定价：399元

课程链接：https://campus.swarma.org/v3/course/5684?from=wechat

付费流程：

  2. 课程页面添加学员登记表，添加助教微信入群；

  3. 课程可开发票。

课程共创任务：课程字幕

为鼓励学员深度参与、积极探索，我们致力于形成系列化知识传播成果，并构建课程知识共建社群。为此，我们特别设立激励机制，让您的学习之旅满载收获与成就感。

课程以老师讲授为主，每期结束后，助教会于课程群内发布字幕共创任务。学员通过参与这些任务，不仅能加深对内容的理解，还可获得积分奖励。积分可兑换其他读书会课程或实物奖品，助力您的持续成长。

推荐课程

参考课程

  1. 吴恩达：Build with Andrew https://www.deeplearning.ai/courses/build-with-andrew/

  2. Jure Leskovec: Machine Learning with Graphs, StanfordCS224W.https://www.youtube.com/playlist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn

  3. Steve Brunton: Data Driven Science and Engineering, University of Washingtonhttps://www.youtube.com/playlist?list=PLMrJAkhIeNNRpsRhXTMt8uJdIGz9-X_1-

  4. Karthik Duraisamy: DATA-DRIVEN ANALYSIS AND MODELING OF COMPLEX SYSTEMS, Michigen institute for computational discovery and engineering, Michigen University.https://micde.umich.edu/academic-programs-old/data-driven-course/

  5. Sergey Levine: Deep Reinforcement Learning, CS 285 at UC Berkeley.http://rail.eecs.berkeley.edu/deeprlcourse/

【集智学园网站资源】

  1. 对复杂系统连续变化自动建模——Neural Ordinary Differential Equations解读https://campus.swarma.org/course/2046

  2. 复杂网络自动建模在大气污染中的应用https://campus.swarma.org/course/1998

  3. 两套因果框架深度剖析：潜在结果模型与结构因果模型https://campus.swarma.org/course/2526

  4. 稳定学习：发掘因果推理和机器学习的共同基础https://campus.swarma.org/course/2323

  5. 因果强化学习https://campus.swarma.org/course/2156

  6. 张江：因果与机器学习能够破解涌现之谜吗https://campus.swarma.org/course/4540

  7. 因果涌现理论提出者：Erik Hoel主题报告https://campus.swarma.org/course/4317

  8. 如何从数据中发现因果涌现——神经信息压缩器https://campus.swarma.org/course/4874

  9. 标准化流技术简介https://campus.swarma.org/course/1999

  10. 带隐状态的强化学习世界模型https://campus.swarma.org/course/4848