1. AIGC 定义与发展脉络
AIGC（AI Generated Content，人工智能生成内容）指利用生成式模型自动产出文本、图像、音频、视频、代码等内容的技术与应用范式，核心是"模型学习数据分布 → 采样生成新内容"，区别于传统"检索/拼接已有内容"的 PGC/UGC 模式。
发展脉络四阶段：
- GAN 阶段（2014 起）：Ian Goodfellow 提出生成对抗网络，生成器与判别器对抗训练，开启深度学习图像生成时代。
- VAE 阶段（与 GAN 同期）：变分自编码器提供了另一条基于概率隐变量建模的路线，训练更稳定但生成质量逊于 GAN。
- Diffusion 阶段（2020 年 DDPM 起爆发）：扩散模型通过"加噪—去噪"逐步生成，质量与多样性大幅超越 GAN，成为文生图/文生视频的主流底座（Stable Diffusion、DALL·E 2/3、Midjourney 等）。
- Transformer 自回归生成：以 GPT 系列为代表，逐 token 预测的自回归范式统一了文本生成，并逐步扩展到图像（ImageGPT）、音频、视频（VideoPoet）等多模态生成。
- 多模态/原生多模态阶段：模型不再局限单一模态，而是在同一架构内统一理解与生成多种模态（文本、图像、音频、视频），即"原生多模态"（Native Multimodal）成为当前技术演进方向。
❓ 常见追问 · GAN 为什么逐渐被 Diffusion 取代？→ GAN 训练不稳定、易模式崩塌，且难以像 Diffusion 一样通过文本条件精细可控地引导生成过程；Diffusion 虽推理慢，但质量、多样性、可控性（ControlNet 等）全面占优，工程上可用蒸馏/少步采样弥补速度短板。
2. 生成式模型家族对比
四大生成式模型家族：GAN、VAE、Diffusion、自回归（AR），本质都是"学习数据分布并采样"，但建模路径、训练稳定性、生成质量与速度权衡各不相同。
| 类别 | 原理一句话 | 优点 | 缺点 | 代表作 |
|---|---|---|---|---|
| GAN | 生成器造假、判别器鉴假，二者对抗训练至纳什均衡 | 生成图像质量高、推理速度快（单步前向） | 训练不稳定、易模式崩塌（mode collapse）、难以精细控制 | StyleGAN |
| VAE | 将输入编码为隐变量的概率分布，再从分布采样重建输出 | 训练稳定、隐空间连续可控、有显式概率解释 | 生成结果偏模糊、细节不足 | VAE / VQ-VAE |
| Diffusion | 前向逐步加噪破坏数据，训练模型学习反向逐步去噪还原 | 生成质量高、多样性好、易于条件控制（文本/图像引导） | 多步迭代采样、推理速度慢、计算成本高 | Stable Diffusion / DALL·E 2 |
| 自回归 AR | 将内容序列化，逐 token 预测下一个 token | 序列建模统一、可自然扩展到多模态与长上下文 | 串行逐 token 生成，速度慢，误差易累积 | GPT / ImageGPT / VideoPoet |
❓ 常见追问 · 工程选型时怎么取舍？→ 追求极致质量与可控性选 Diffusion（配合蒸馏/LCM 等加速方案）；追求统一多模态架构、复用 LLM 生态选自回归；对实时性要求极高、质量要求适中可考虑 GAN 类轻量方案；VAE 更多作为 Diffusion（Latent Diffusion）中的压缩编解码组件而非独立生成主力。
3. 四大生成模态任务
AIGC 按输出模态可分为四大任务方向，分别对应不同的代表性产品/模型：
- T2I（Text-to-Image，文生图）：输入文本描述生成图像，代表产品如 Stable Diffusion、DALL·E、Midjourney。
- T2V（Text-to-Video，文生视频）：输入文本生成视频片段，代表产品如 Sora、Runway、Pika。
- TTS（Text-to-Speech，文生语音）：输入文本合成自然语音，代表产品如 ElevenLabs、微软/讯飞语音合成。
- T2T（Text-to-Text，文本生成）：输入文本生成文本（问答、写作、代码等），代表产品如 GPT 系列、Claude 系列。
❓ 常见追问 · 这四类任务底层技术是否趋同？→ 是的，T2I/T2V 目前主流均基于 Diffusion（视频可视为时序上扩展的图像生成，需额外处理时序一致性），TTS 既有 Diffusion 路线也有自回归路线（如基于神经编解码器 token 的自回归 TTS），T2T 以自回归 Transformer 为主，整体呈现出"底层范式收敛、任务层差异化"的趋势。
4. 产业与应用形态
AIGC 产业落地覆盖内容生产全链路，常见应用场景：
- 创作工具：AI 辅助绘画、文案写作、音乐创作，降低专业创作门槛。
- 营销素材：批量生成广告图、商品图、短视频脚本与配音，提升营销内容产出效率。
- 游戏美术：原画、贴图、角色概念图等美术资产的辅助生成，压缩制作周期。
- 数字人：虚拟主播、客服数字人，结合文生语音与形象驱动技术。
- 代码生成：AI 辅助编程、代码补全与自动化重构，提升研发效率。
两种典型落地形态：
- API 调用：直接接入云厂商/模型厂商提供的生成能力接口，优点是免运维、快速上线、按量付费，缺点是数据出域风险、成本随调用量线性增长、能力受限于服务商。
- 开源自托管：自行部署开源模型（如 Stable Diffusion 系列）到私有/云端算力，优点是数据可控、可定制微调、长期成本可控，缺点是需要自建 GPU 算力与工程运维能力。
❓ 常见追问 · 什么场景更适合自托管而非调用 API？→ 数据合规敏感（如医疗、金融）、需要深度定制/微调垂直领域风格、调用量极大导致 API 成本超过自建算力成本时，更适合自托管；追求快速验证、调用量不确定、无专职算法运维团队时优先选择 API。
5. 面试定位
❓ 常见追问 · 为什么 AI 应用后端工程师要了解 AIGC？
- 技术选型：需要判断业务场景该用 Diffusion 还是自回归模型、该调 API 还是自部署开源模型，选型错误会导致成本或效果双输。
- 模型调用：后端要设计生成任务的异步队列、超时重试、流式返回（尤其文生图/视频耗时长），理解模型推理特性才能设计合理的调用与限流策略。
- 成本控制：不同模型/分辨率/步数的推理成本差异巨大，需要结合业务预算做参数与架构权衡（如按需选择采样步数、分辨率、是否走蒸馏模型）。
- 能力边界判断：需要清楚各类模型能做什么、不能做什么（如 Diffusion 的多步延迟、AR 的串行生成慢），从而设计合理的产品预期与降级方案，避免对上游产品/业务方做出不切实际的承诺。
本篇重要度 ⭐：面试中通常作为背景铺垫问题，不深挖数学细节，能够清晰讲出"发展脉络 + 四大模型家族对比 + 四大任务 + 落地形态"即可覆盖考察点。
评论