初始化：从 docx 拆分为独立 Markdown 章节

将《设计人工智能：基础与应用》拆分为 38 个 Markdown 文件，按 11 个部分（上篇6部分+下篇5部分）+ 3 个附录组织。 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
2026-04-25 10:32:58 +08:00
commit e58b95d227
42 changed files with 4857 additions and 0 deletions
@@ -0,0 +1,151 @@
+
+### 学习目标
+
+1.  理解生成模型的发展脉络
+
+    掌握Diffusion模型的基本原理
+
+    了解各类生成模型的优缺点
+
+### 生成模型家族
+
+#### AE (Autoencoder，自编码器)
+
+`输入`` → ``编码器`` → ``潜在表示`` → ``解码器`` → ``重构`
+
+思想：学习数据的压缩表示
+
+问题：生成的图像模糊，缺乏多样性
+
+#### VAE (Variational AE，变分自编码器)
+
+`潜在空间约束为标准正态分布`\
+`    ↓`\
+`可以随机采样`` → ``解码`` → ``生成新图像`
+
+改进：引入概率分布，增强生成能力
+
+#### GAN (Generative Adversarial Network)
+
+`生成器：生成假图像`\
+`判别器：判断真假`\
+`    ↓`\
+`对抗训练，相互博弈`
+
+优势：生成图像质量高 问题：训练不稳定，模式崩溃
+
+#### Diffusion Model (扩散模型)
+
+`前向：逐步加噪`` → ``纯噪声`\
+`反向：学习去噪`` → ``还原图像`
+
+优势：训练稳定，生成质量极高 代表：Stable Diffusion, DALL-E 3
+
+### Diffusion原理
+
+#### 前向过程 (加噪)
+
+`原图`` x₀`\
+`    ↓ ``加高斯噪声`\
+`x₁ = x₀ + ε₁`\
+`    ↓ ``加噪声`\
+`x₂ = x₁ + ε₂`\
+`    ↓ ...`\
+`x_T`` = ``纯噪声`
+
+#### 反向过程 (去噪)
+
+`纯噪声`` ``x_T`\
+`    ↓ ``去噪`\
+`x_{T-1} = ``去噪网络``(``x_T``)`\
+`    ↓ ``去噪`\
+`x_{T-2} = ``去噪网络``(x_{T-1})`\
+`    ↓ ...`\
+`x₀ = ``原始图像`
+
+#### 训练目标
+
+`去噪网络学习预测：`\
+`    ``添加的噪声`` ε`\
+`    ``或`\
+`    ``原始图像`` x₀`
+
+### Stable Diffusion架构
+
+#### 潜在空间扩散
+
+`为了效率，在潜在空间操作：`\
+\
+`图像`` → VAE``编码`` → ``潜在表示`` → ``扩散`` → ``去噪`\
+`                                              ↓`\
+`                                        VAE``解码`` → ``图像`
+
+#### 核心组件
+
+  -------------------------------------
+  组件           作用
+  -------------- ----------------------
+  VAE            图像与潜在空间的转换
+
+  U-Net          去噪网络
+
+  Text Encoder   处理文本提示词
+
+  CLIP           文图对齐
+  -------------------------------------
+
+### 文生图工作流
+
+#### 输入提示词
+
+`"``一只猫，水彩画风格``"`
+
+#### 
+
+`2. ``文本编码`
+
+#### → 文本向量表示
+
+`3. ``初始化`
+
+#### → 随机噪声
+
+`4. ``去噪循环`
+
+`for t in T...1:`
+
+`噪声`` → ``预测噪声`` → ``去噪`
+
+`5. ``解码输出`
+
+        → 潜在表示 → VAE解码 → 图像
+
+### 思考与练习
+
+1.  Diffusion为什么比GAN训练更稳定？
+
+2.  潜在空间扩散有什么优势？
+
+3.  文生图如何实现风格控制？
+
+### 关键术语
+
+  ---------------------------------------------------
+  中文       英文              说明
+  ---------- ----------------- ----------------------
+  潜在空间   Latent Space      压缩后的数据表示空间
+
+  去噪       Denoising         移除噪声的过程
+
+  提示词     Prompt            指导生成的文本描述
+
+  潜变量     Latent Variable   不可直接观测的变量
+
+  模式崩溃   Mode Collapse     GAN生成多样性不足
+  ---------------------------------------------------
+
+### 延伸阅读
+
+1.  [Denoising Diffusion Probabilistic Models](https://arxiv.org/abs/2006.11239)
+
+    [High-Resolution Image Synthesis with Latent Diffusion Models](https://arxiv.org/abs/2112.10752) \# 04.2 AIGC设计工具链
@@ -0,0 +1,180 @@
+
+## 学习目标
+
+3.  掌握ControlNet的条件控制机制
+
+    理解LoRA高效微调原理
+
+    了解ComfyUI工作流搭建
+
+## ControlNet：精确控制
+
+核心问题
+
+纯文生图：难以精确控制空间结构
+
+### ControlNet解决
+
+`输入图像`` → ``提取条件`` (``边缘``/``深度``/``姿态``)`\
+`    ↓`\
+`条件`` → ControlNet → ``主模型`` → ``输出图像`
+
+### 条件类型
+
+  ------------------------------------
+  条件           说明       应用
+  -------------- ---------- ----------
+  Canny          边缘检测   轮廓控制
+
+  Depth          深度图     空间关系
+
+  Pose           人体姿态   人物生成
+
+  Normal         法线图     表面细节
+
+  Segmentation   分割图     区域控制
+  ------------------------------------
+
+### 应用场景
+
+`草图`` → ControlNet → ``精细效果图`\
+`平面图`` → ControlNet → ``三维渲染`\
+`结构图`` → ControlNet → ``风格化设计`
+
+LoRA：高效微调
+
+问题
+
+全量微调大模型：计算资源需求巨大
+
+LoRA原理
+
+`原始权重`` W ``固定`\
+`    ↓`\
+`添加低秩分解：`\
+`    ΔW = A × B`\
+`    (``d×r``) × (``r×d``)`\
+`    ↓`\
+`新输出`` = ``Wx`` + ``ABx`
+
+优势： - 参数量减少100-1000倍 - 训练速度快 - 易于切换风格
+
+### 应用方式
+
+`基础模型`` + ``LoRA`` A = ``风格``A`\
+`基础模型`` + ``LoRA`` B = ``风格``B`\
+`基础模型`` + ``LoRA`` A + B = ``混合风格`
+
+## ComfyUI：模块化工作流
+
+### 核心特点
+
+`节点化连接`\
+`    ↓`\
+`可视化流程`\
+`    ↓`\
+`灵活定制`
+
+### 典型节点
+
+  ---------------------------------
+  节点类型           功能
+  ------------------ --------------
+  Load Checkpoint    加载模型
+
+  CLIP Text Encode   文本编码
+
+  KSampler           采样生成
+
+  VAE Decode         潜在空间解码
+
+  Save Image         保存图像
+
+  ControlNet         条件控制
+
+  LoRA Loader        加载LoRA
+  ---------------------------------
+
+### 工作流示例
+
+`文本提示`` → CLIP``编码`` →`\
+`                        ↓`\
+`正负提示`` ────→ ``KSampler`` ← ControlNet`\
+`                        ↓`\
+`                    VAE``解码`\
+`                        ↓`\
+`                    ``保存图像`
+
+## 设计领域应用案例
+
+### 建筑设计
+
+`草图生成`` → ControlNet (Canny) → ``效果图`\
+`方案变体`` → ``LoRA``风格微调`` → ``多方案对比`
+
+### 室内设计
+
+`户型图`` → ControlNet → ``三维效果图`\
+`风格迁移`` → ``LoRA`` → ``不同材质方案`
+
+  ---------------------------------------
+  工具               核心价值
+  ------------------ --------------------
+  Midjourney         快速创意探索
+
+  Stable Diffusion   本地部署，可控生成
+
+  ControlNet         精确结构控制
+
+  ComfyUI            定制化工作流
+  ---------------------------------------
+
+## 版权与伦理
+
+### 版权问题
+
+6.  AI训练数据的版权归属
+
+    AI生成作品的版权保护
+
+    风格模仿的法律边界
+
+### 伦理考量
+
+9.  深度伪造 (Deepfake)
+
+    虚假信息传播
+
+    创作者职业影响
+
+## 思考与练习
+
+1.  ControlNet如何平衡条件控制与创造性？
+
+2.  LoRA和全量微调各适用于什么场景？
+
+3.  AIGC工具如何融入设计工作流？
+
+## 关键术语
+
+  ------------------------------------------------------
+  中文       英文                  说明
+  ---------- --------------------- ---------------------
+  条件控制   Conditional Control   引导生成过程
+
+  低秩适应   LoRA                  Low-Rank Adaptation
+
+  工作流     Workflow              节点化的处理流程
+
+  采样器     Sampler               去噪采样算法
+
+  潜在空间   Latent Space          压缩的特征空间
+  ------------------------------------------------------
+
+## 延伸阅读
+
+1.  [ControlNet官方论文](https://arxiv.org/abs/2302.05543)
+
+    [LoRA官方论文](https://arxiv.org/abs/2106.09685)
+
+    [ComfyUI文档](https://docs.comfy.org/)
@@ -0,0 +1,31 @@
+# 第五篇：生成式AI
+
+本篇讲解生成模型的发展脉络和AIGC工具链，探索AI在设计创造领域的应用。
+
+## 篇章导读
+
+生成式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正在成为人类的"创意伙伴"。
+
+本篇将系统介绍生成模型的演进和AIGC工具链。
+
+## 章节目录
+
+1.  [04.1 生成模型演进](04.1-diffusion.md) - 从VAE/GAN到Diffusion
+
+    [04.2 AIGC设计工具链](04.2-aigc-tools.md) - ControlNet、LoRA与ComfyUI
+
+## 核心概念
+
+  -----------------------------------------------------------
+  概念           英文        说明
+  -------------- ----------- --------------------------------
+  自编码器       AE          Autoencoder
+
+  变分自编码器   VAE         Variational Autoencoder
+
+  生成对抗网络   GAN         Generative Adversarial Network
+
+  扩散模型       Diffusion   Denoising Diffusion Model
+  -----------------------------------------------------------
+
+## 04.1 生成模型演进