fix(latex): 修复中文引号渲染，''...'' → "..."（139处）

pandoc 转换将中文双引号变为两个ASCII单引号，导致LaTeX中
左右引号均渲染为右引号。替换为Unicode中文引号以正确显示。

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

chapters/ch06-generative.tex

@@ -2,7 +2,7 @@
 
 \section{篇章导读}
 
-生成式AI（Generative AI）正在重新定义创造的边界。从图像生成到音乐创作，从文本写作到代码生成，AI不再仅仅是分析和识别的工具，而是成为人类的''创意伙伴''（Creative Partner）。设计师可以用文字描述一个想法，AI便能将其转化为可视化的图像；建筑师可以勾勒一个草图，AI便能渲染出逼真的效果图。这种从''分析''到''创造''的转变，正是生成式AI最激动人心的地方。
+生成式AI（Generative AI）正在重新定义创造的边界。从图像生成到音乐创作，从文本写作到代码生成，AI不再仅仅是分析和识别的工具，而是成为人类的“创意伙伴”（Creative Partner）。设计师可以用文字描述一个想法，AI便能将其转化为可视化的图像；建筑师可以勾勒一个草图，AI便能渲染出逼真的效果图。这种从“分析”到“创造”的转变，正是生成式AI最激动人心的地方。
 
 本章将从生成模型的基本原理出发，系统介绍从自编码器（AE）、对抗生成网络（GAN）到扩散模型（Diffusion Model）的技术演进，并深入探讨AIGC工具链在设计领域的实际应用。
 
@@ -19,7 +19,7 @@
 输入 → 编码器 (Encoder) → 潜在表示 (Latent) → 解码器 (Decoder) → 重构输出
 \end{lstlisting}
 
-自编码器的工作方式可以理解为''先压缩，再还原''：编码器将输入数据压缩到一个低维的潜在空间（Latent Space），解码器再从潜在表示中还原出原始数据。通过训练使还原输出尽可能接近原始输入，模型便学会了数据的关键特征。
+自编码器的工作方式可以理解为“先压缩，再还原”：编码器将输入数据压缩到一个低维的潜在空间（Latent Space），解码器再从潜在表示中还原出原始数据。通过训练使还原输出尽可能接近原始输入，模型便学会了数据的关键特征。
 
 \textbf{局限性：}
 
@@ -76,7 +76,7 @@ VAE的关键在于将潜在空间约束为\textbf{标准正态分布}。这意
 }
 
 \begin{quote}
-\textbf{设计类比}：VAE就像一位理解了''风格空间''的画师——他不仅会临摹，还能在''风格空间''中探索，画出从未见过但风格一致的新作品。
+\textbf{设计类比}：VAE就像一位理解了“风格空间”的画师——他不仅会临摹，还能在“风格空间”中探索，画出从未见过但风格一致的新作品。
 \end{quote}
 
 
@@ -104,7 +104,7 @@ GAN的训练过程可以类比为\textbf{伪造者与鉴定师}的博弈：
 \item
   \textbf{鉴定师}（判别器）不断提升辨别能力，区分真画和假画
 \item
-  随着对抗的持续，伪造者的技术越来越高超，最终能制造出连鉴定师都无法分辨的''杰作''
+  随着对抗的持续，伪造者的技术越来越高超，最终能制造出连鉴定师都无法分辨的“杰作”
 \end{itemize}
 
 \textbf{训练过程：}
@@ -174,7 +174,7 @@ CycleGAN解决了一个重要的实际问题：\textbf{无需成对训练数据}
 CycleGAN的设计应用十分广泛：实景照片转水彩风格、白天场景转夜晚、夏季景观转冬季等。
 
 \begin{quote}
-\textbf{设计思考}：GAN系列模型展示了''对抗''这一全新的训练范式——不是告诉模型''正确答案是什么''，而是让两个模型在竞争中共同进化。这种思想在设计领域同样适用：方案生成与方案评审的对抗，可以推动设计质量的提升。
+\textbf{设计思考}：GAN系列模型展示了“对抗”这一全新的训练范式——不是告诉模型“正确答案是什么”，而是让两个模型在竞争中共同进化。这种思想在设计领域同样适用：方案生成与方案评审的对抗，可以推动设计质量的提升。
 \end{quote}
 
 
@@ -220,7 +220,7 @@ x₀ ≈ 原始图像
     损失函数：L = ||ε - ε_θ(x_t, t)||²
 \end{lstlisting}
 
-模型不需要学习''好图像长什么样''，而是学习''噪声长什么样''——这是一个更容易学习的目标。
+模型不需要学习“好图像长什么样”，而是学习“噪声长什么样”——这是一个更容易学习的目标。
 
 \subsection{Stable Diffusion架构}
 
@@ -311,15 +311,15 @@ CLIP & 文图对齐 & 确保生成的图像与文本描述语义一致 \\
 \item
   \textbf{主体描述}：画面核心内容
 \item
-  \textbf{风格指定}：如''水彩画''\,``赛博朋克''``极简主义''
+  \textbf{风格指定}：如“水彩画”\,``赛博朋克“``极简主义”
 \item
-  \textbf{质量修饰}：如''高清''\,``细节丰富''``4K''
+  \textbf{质量修饰}：如“高清”\,``细节丰富“``4K”
 \item
-  \textbf{光照氛围}：如''黄金时段光线''\,``柔和阴影''
+  \textbf{光照氛围}：如“黄金时段光线”\,``柔和阴影''
 \end{itemize}
 
 \begin{quote}
-\textbf{设计类比}：文生图过程就像一位设计师根据客户的文字需求进行创作。提示词是''设计任务书''，CLIP编码器理解需求，U-Net是''设计师的大脑''，而VAE解码器将脑海中的概念转化为可见的图纸。
+\textbf{设计类比}：文生图过程就像一位设计师根据客户的文字需求进行创作。提示词是“设计任务书”，CLIP编码器理解需求，U-Net是“设计师的大脑”，而VAE解码器将脑海中的概念转化为可见的图纸。
 \end{quote}
 
 
@@ -404,7 +404,7 @@ Canny边缘 & Canny Edge & 检测图像轮廓 & 草图控制、线稿渲染 \\
 基础模型 + LoRA_A + LoRA_B = 混合风格生成
 \end{lstlisting}
 
-设计师可以针对特定设计风格训练专属LoRA，如''新中式风格''\,``日式极简风格''等，实现个性化的AI生成。
+设计师可以针对特定设计风格训练专属LoRA，如“新中式风格”\,``日式极简风格''等，实现个性化的AI生成。
 
 \subsection{ComfyUI：模块化工作流}