生成式人工智能基础：15 章每章一样厚，等于没有重点

2026-11-10silcano

微信读书《生成式人工智能基础》· 抓取 787 屏 / 15 章 / 278 条目录 · 读到书尾
逐字核对 9 屏 · p0006 书名条核对为本书 · 2026-11-10
抽样点位的选法：这本书十五章是「基础—AIGC—大模型—提示—文本—图像—音频—多模态—五个行业—伦理—AGI」一条线，我按「前八章取五屏、行业与伦理章取两屏、首尾各取一屏」布点，重点压在两个地方：一是前言里的教学进度表（它决定了全书的形状），二是每章末尾的作业（它暴露了内容与题目的关系）。抽读 9 屏约占 1.1%。章节篇幅占比不是抽样得出的，是用 pages.jsonl 逐页章节映射做的全量聚合。

我先给结论：这不是一本让你读懂生成式 AI 的书，是一本让老师上完十六次课的书。它把 787 屏非常均匀地分给了 15 章，每章 44 到 63 屏，最多和最少只差 19 屏——均匀到「提示工程」和「伦理与法律」在这本书里几乎等重（51 屏对 44 屏）。作为课程包，这个设计是合格的；作为读物，它等于告诉读者「什么都要紧」，也就是「什么都不要紧」。

这个判断不是我读出来的，是它自己写在 p0006 上的。那一页是「教学进度表」：16 行，每行一章或一次实践，多数标着「2 学时」，右侧两列是「研究性学习」和「作业」，表格底下是「填表人（签字）：＿＿」「系（教研室）主任（签字）：＿＿」「日期：＿＿」。再下面紧接着「本课程的教学评测可以从以下几个方面入手，即：（1）每章的课后作业（15 项）；（2）每章的『研究性学习』实践（14 项）；（3）第 15 章的『课程学习与实践总结』；（4）学生针对每章内容写下的阅读笔记（建议）；（5）平时考勤情况。」

看到「平时考勤情况」和「阅读笔记」并列出现在一本书的开头，你就该知道它是什么了。这是一份课程大纲，装订成了一本书。它的第一读者不是买书的人，是排课的教务处。

一、先看课表：这本书是按分钟写的

p0058 是第 1 章【研究性学习】那一页，把这本书的写作方式暴露得最彻底。它把一次课堂活动拆成了分钟：

「步骤 1：理论学习（30 分钟）。」（1）回顾课堂内容：简要回顾本章所学的 AI 和机器学习／深度学习基础知识，包括 AI 定义、机器学习主要类型（监督学习、无监督学习、强化学习）以及深度学习基本概念。（2）案例分析：选择一个具体的 AI 应用案例（如智能推荐系统、信用评分系统等），详细讲解其技术实现和实际效果。

「步骤 2：实践操作（60 分钟）。」（1）分组实践：「研究性学习」活动需要通过学习小组，以集体形式开展。为此，请你邀请或接受其他同学的邀请。研究性学习小组成员以 3 到 5 人为宜。你们的小组成员是：召集人：＿＿＿＿（专业、班级：＿＿＿＿）。

这一段是全书的说明书。它告诉你三件事：这本书假定有老师、假定有课堂、假定有 3 到 5 人的小组，还假定你会拿笔在书上填名字。一本书如果假设你在教室里读它，它就不可能同时在你的床头读得下去——因为课堂需要节奏均匀，而阅读需要轻重缓急。

我不认为这是缺点。教材就该这么写，一门 32 学时的课，你不能给第 3 章排 8 学时、第 14 章排 1 学时，那样期末考纲都对不上。但读者得分清自己在读什么：你手上这本不是「生成式 AI 入门」，是「生成式 AI 入门课程」。两者的差别，就是「一章 60 屏」和「一章 20 屏」的差别。

二、篇幅账：最厚 63 屏，最薄 44 屏

把 pages.jsonl 的逐页章节映射聚合出来，787 屏的分配是这样的：

前置 8 屏 1.0%；第 1 章 人工智能基础 52 屏 6.6%；第 2 章 生成式 AI 与 AIGC 55 屏 7.0%；第 3 章 大语言模型技术 63 屏 8.0%；第 4 章 提示工程与技巧 51 屏 6.5%；第 5 章 文本生成技术 54 屏 6.9%；第 6 章 图像生成技术 51 屏 6.5%；第 7 章 音频生成技术 48 屏 6.1%；第 8 章 多模态生成技术 53 屏 6.7%；第 9 章 AIGC 促进文化创意 57 屏 7.2%；第 10 章 AIGC 改善医疗健康 44 屏 5.6%；第 11 章 AIGC 造就智慧城市 55 屏 7.0%；第 12 章 AIGC 提升金融服务 50 屏 6.4%；第 13 章 AIGC 提高科研水平 54 屏 6.9%；第 14 章 伦理与法律考量 44 屏 5.6%；第 15 章 面向 AGI 48 屏 6.1%。

这组数字的整齐程度，在我读过的五十多本同类书里是独一份。15 章，占比全部落在 5.6% 到 8.0% 之间，标准差小到几乎可以用一句话概括：每章五十屏上下，谁也不许多，谁也不少。

四个模态的分量几乎一样：文本 54 屏、图像 51 屏、音频 48 屏、多模态 53 屏。五个行业章也一样：文化创意 57、医疗 44、智慧城市 55、金融 50、科研 54。这种「平均」显然不是自然形成的，是排课表排出来的——每个话题 2 学时，2 学时就是 50 屏左右，于是所有话题都被压成了同一个厚度。

我得说清楚：均匀本身不是罪。教科书要覆盖考纲，就得均匀。但均匀有一个代价，而这个代价在 p0006 那张表上写得明明白白：当每一章都值 2 学时，读者就没有任何依据判断哪一章值得他多花一个周末。一本 787 页的书，读完你还是不知道「如果我只想搞懂一件事，该看哪一章」——因为书本身拒绝回答这个问题。

278 条目录，15 章，平均每章 18.5 节。这个数字比篇幅更能说明问题：目录也是按课时切的。每一节大约三屏，正好是课堂上讲七八分钟的量。所以你翻开目录看到的不是「知识的层级」，而是「进度的刻度」——小节标题之间的粗细几乎一样，没有哪一节被写成「这一节最难，请慢一点」，也没有哪一节被标成「可以跳过」。教材的目录天生如此，但读者拿它当导航时会迷路：一份没有海拔标记的地图，走起来是要摔跤的。

三、均匀的代价：提示工程和伦理，一样重

把这个逻辑推到极端，就会出现这样一组对照：

第 4 章「提示工程与技巧」51 屏。第 14 章「伦理与法律考量」44 屏。

差 7 屏。

我的判断很直接：对一个 2024 年之后要动手用生成式 AI 的人来说，这两件事的重量不可能是 51 比 44。提示工程是你每天都要用的手艺，伦理与法律是你在特定场景才需要翻的红线。把它们压成同一个厚度，等于把「怎么用」和「别怎么用」放在同一张秤上——这在课堂里成立（两章都是 2 学时），在读者手里不成立。

同样的失衡还有几处。第 1 章 52 屏，其中一大段是从 ENIAC 讲起的计算机史：p0012 的图 1-1 是「世界上第一台通用电子数字计算机 ENIAC」，正文在用烤面包机打比方解释「通用计算机」——「普通的烤面包机本来并不需要计算机，但比起采用一堆乱七八糟的组件，只用一个简单的部分就可以实现所有功能还是比较划算的」。这个比喻挺可爱，写得也清楚；但它是 1946 年的事。一本讲生成式 AI 的书，用 52 屏讲基础，其中相当一部分在讲七十年前的机器，而全书的第 3 章「大语言模型技术」只有 63 屏。

这就是均匀的代价：它不允许任何一章「薄」，于是每一章都得从盘古开天讲起；而真正需要厚度的地方（大模型、提示、多模态），也只能拿到 50 屏。

四、它最值钱的一段：那条精确到天的诉讼时间线

说完结构，得说这本书真正写对了的地方——而且它确实有一处写得比大多数同类书都硬。

p0720，第 14 章伦理与法律，标题是「ChatGPT 屡屡惹官司」。这一页不空谈原则，它给的是日期、当事人、法院、诉求：

「2023 年 2 月 15 日，《华尔街日报》记者弗朗西斯科·马可尼公开指控 OpenAI 公司未经授权大量使用路透社、《纽约时报》《卫报》、BBC 等媒体的文章来训练 ChatGPT 模型，但从未支付任何费用。」

「2023 年 6 月 28 日，第一起具有代表性的 ChatGPT 版权侵权之诉出现在公众视野。两名畅销书作家保罗·特伦布莱和莫娜·阿瓦德在美国加州北区法院，向 OpenAI 提起集体诉讼……同月 16 名匿名人士向美国加利福尼亚旧金山联邦法院提起诉讼，指控 ChatGPT 在没有充分通知用户，或获得同意的情况下，收集、存储、跟踪、共享和披露了他们的个人信息。他们称受害者可能多达数百万人，据此要求微软和 OpenAI 赔偿 30 亿美元。」

「2023 年 7 月 10 日，美国喜剧演员和作家莎拉·希尔弗曼以及另外两名作家理查德·卡德雷、克里斯托弗·戈尔登在加州北区法院起诉 OpenAI……同年 9 月 19 日，美国作家协会以及包括《权力的游戏》原著作者乔治·R·R·马丁在内的 17 位美国著名作家向美国纽约联邦法院提起诉讼，指控 OpenAI『大规模、系统性地盗窃』……同年 12 月，包括多名普利策奖得主在内的 11 位美国作家，在曼哈顿联邦法院起诉 OpenAI 和微软滥用自己作品来训练 LLM。」

这一段是我在整本书里读到的最可信的 5 屏。理由很简单：它可核查。日期、法院、人数、索赔金额，全是外部世界可以对账的东西，不是作者的观点。而且它没有停在「AI 有版权风险」这种正确而无用的话上，它把风险的形状描出来了：先是媒体报道，再是作家集体诉讼，再是个人信息，再是行业协会，再是普利策得主——一条清晰的升级路径。

同类的好料还有第 1 章 1.5 节「人工智能发展中的『中国风』」，7 个小节，从「世界 AI 发展的排头兵」写到「AI 领域的『东方神秘力量』」，再到「基于量化『幻方』的深度求索」、「游戏科学与《黑神话：悟空》」、「全球最大可交互三维能力的群核科技」，最后落到「中国 AI 企业应有的自信」。这是选材上的主动，不是凑数——把 DeepSeek 的算力出身、把游戏引擎和三维内容生成写进基础教材，比再抄一遍 Transformer 结构图有用。一本教材愿意为中国读者单独开一节讲「我们在这条链上的位置」，这是加分项。

五、它最薄的一环：全都在讲「是什么」

这本书的叙述方式高度统一，统一到你可以从任意一页认出它：给一个概念，给一组分类，给一份流程，然后用「(1)(2)(3)」列出来。

p0135 讲 GAN 的演进：③「不使用 sigmoid 和交叉熵损失：与传统 GAN 不同，WGAN 不再使用 sigmoid 激活函数和二元交叉熵损失，而是直接优化推土机距离」；④「改进版本 WGAN-GP：通过引入梯度惩罚替代简单的权重裁剪」；（3）「样式 GAN」，下面四点——分层感知控制、映射网络、自适应实例规范化（AdaIN）、渐进式增长架构；（4）「周期（Cycle）GAN：广泛应用于风格迁移、彩色化黑白照片、季节变换等图像……」

信息是对的，分类是清楚的，但它是一张「有哪些」的清单，不是一张「什么时候用哪个」的判据表。读者读完知道 WGAN-GP 比 WGAN 稳，却不知道自己的项目该选谁、训练不稳的时候该改哪里。

p0300 讲图像风格迁移的「基本原理」，也是同一个路子：「图像风格迁移通常利用卷积神经网络（CNN）提取内容图像的高级特征和风格图像的纹理特征，并在其中找到平衡以创造视觉上和谐的结果。」然后三个概念：内容图像「提供主要形状和对象布局」、风格图像「提供视觉风格（如色彩、纹理、笔触等）的参考」、目标图像「最终生成的图像保留了内容图像的主要结构，但采用风格图像的美学特征」。

这段定义写得很干净，但它讲的是 2015 年那套 Gatys 方法。而同一本书的第 1 章已经在讲 2024 年爆火的 DeepSeek。一本书里，技术叙事的年份横跨近十年，却没有任何一句提示读者「这一节的知识属于哪一年、现在还是不是主流」。这不是作者不知道，是教材体例不许他说——教材讲原理，不讲时效。

行业五章把这个毛病放大到最大。p0510 是第 10 章「AIGC 改善医疗健康」里讲健康产品的一页：一张图（图 10-3 可穿戴健康产品，标注「基于织物的自发电生物传感器（乳胶）」），然后一句「AIGC 在健康产品中的应用前景广阔，通过不断的技术创新和应用探索，AIGC 有望在以下几个方面取得突破」——接着三条：更精准的个性化服务、更智能的互动体验、更广泛的推广应用。

三个「更」，「有望」两个字，没有一个数字，没有一个已落地的产品名，没有一处监管门槛。这类段落在五章里反复出现，它的问题不是空，而是它和一个学生的期末论文摘要长得一模一样——你可以把主语换成任何技术，把这三条原封不动地搬过去。教材最不该写的就是这种「换个名词还成立」的句子，因为它不携带任何只属于这个领域的知识。

「提示不仅是用户与 AI 模型交互的桥梁，更是一种全新的『编程语言』。」
——p0185，第 4 章 4.2「提示的原理」。我不同意这个比喻：一门语言要有变量、控制流、可组合的语义和可测试的行为，提示词四样都没有。它是意图的近似表达，不是程序。

这一页还有更值得说的地方。它把「用户输入提示词后，AI 系统会通过以下步骤生成回答」拆成三步：（1）解析提示词，提取关键词和语境；（2）检索知识库，从训练数据中检索相关信息；（3）生成文本，结合上下文和检索到的信息生成连贯的回答。

这三步写得很顺，但它是把「对话模型」和「检索增强」混成了一条流水线。普通的对话模型在生成时并不会去「检索知识库」，它是在参数里做前向计算；「检索」是 RAG 才有的动作。这处混淆不算致命——对初学者来说，「先去知识里找，再组织语言」是个好用的直觉——但它会在后面埋雷：读者会以为模型「知道」的东西是查出来的，而不知道它其实是「算」出来的。这个区别，恰恰是幻觉问题的根源。

六、作业与正文的错位：第 15 章问 ChatGPT 哪年发布

每章结尾都有【作业】，形式统一：选择题，四个选项，一题占小半屏。p0049 的第 1 章作业在问「大数据的 3V 特征」「所谓『用现有的一般技术难以管理』是指什么」——和本章内容对得上，合格。

但 p0765 的第 15 章作业是这样的：

「1. OpenAI 的 AI 聊天机器人程序 ChatGPT 发布于（）年 11 月 30 日，它展现出绝妙的人机交互体验，能够充分理解人类自然语言，可以用人类自然对话方式来交互。」A. 2022　B. 2024　C. 2020　D. 2025

「2. 如今，在中国，AI 初创企业如雨后春笋般不断涌现。（）年初，发布了低成本高性能生成式 AI 的 DeepSeek 在全世界爆火，昭示着『中华 AI』的茁壮成长，性能竞争迎来新局面。」A. 2022　B. 2024　C. 2020　D. 2025

第 15 章叫「面向 AGI」，48 屏，讲的是通用人工智能的路径与争议。它的作业在问 ChatGPT 的发布年份和 DeepSeek 的爆火年份。

这两道题，任何一年的百度百科都能答，而第 15 章的正文读不读都不影响答题。这不是「题出得简单」，这是「题和章没关系」——作业变成了考记忆的年表，而不是考理解的判断。一本书如果每章都用选择题收尾，那它的每一章都在暗示读者：这里的知识是可以被四个选项框住的。

对比一下 p0006 那句「学生针对每章内容写下的阅读笔记（建议）」——「建议」两个字加得很诚实，说明编者自己也知道，真正有价值的学习动作（写笔记、做研究性学习）没法计分，能计分的只有选择题和考勤。

七、它的短板

按严重程度排，四条。

第一，均匀分配消灭了优先级。15 章 44 到 63 屏，占比全在 5.6% 到 8.0%。结果是提示工程 51 屏、伦理与法律 44 屏、AGI 48 屏、音频生成 48 屏——四个完全不同量级的话题，在这本书里几乎等重。读者读完拿不到「先学哪个、多花时间在哪个」的判断，而这恰恰是入门书最该给的东西。

第二，只有「是什么」，没有「什么时候会错」。p0135 的 GAN 四代、p0300 的风格迁移三概念、p0185 的提示三步流程，全是定义加分类，没有一处失败案例、没有一处参数判据、没有一处「这么做会出问题」。787 屏里我没有读到一次「这个方法的局限是什么」的明确表述——除了第 14 章那些被人起诉的案例，而那是法律风险，不是技术局限。

第三，目录编号有断层，正文编号体系混用。目录里 1.5 节的小节是 1.5.1、1.5.2、1.5.3，然后直接跳到 1.5.5、1.5.6、1.5.7——1.5.4 缺号，且正文没有补。同样的问题在 p0135 上以另一种形式出现：同一份列表里，「③不使用 sigmoid」「④改进版本 WGAN-GP」用的是圈号，紧接着「（3）样式 GAN」「（4）周期 GAN」换成了括号数字。两套编号在同一页混用，读者没法确认自己读到第几层。

第四，作业与章节脱节。p0765 的第 15 章作业问的是 ChatGPT 与 DeepSeek 的发布年份，与「面向 AGI」这一章的内容没有关系。这类题目对教学有害：它让学生以为记住年份就是学会了。

再补一条客观事实，不作评价：微信读书末页（p0787）显示「待评分」「0 人点评」「推荐值 0%」。这本书在读者端几乎没有声音——它大概真的只活在课堂里。

八、给要用这本书的人

最合适：要开一门 32 学时课的老师。这本书基本可以当现成教案用：15 章对应 15 次课，每章 2 学时，每章配 15 道选择题和一次分组实践，连进度表都给你排好了（p0006），连「召集人＿＿（专业、班级＿＿）」的表格都印好了（p0058）。你要做的只是删掉一半选择题，换成一个真项目。

次合适：完全零基础、需要一个「知道有哪些东西」的地图的人。它的覆盖面是真的全：从 ENIAC 到 AGI，从文本到多模态，从文化创意到金融医疗，15 章把这片地全踩了一遍。作为索引，它合格——你从这里知道「哦，还有音频生成这回事」，然后再去找专门的书。

要当心的地方：把「三步生成流程」当成模型的工作方式。p0185 那三步（解析提示词—检索知识库—生成文本）会让读者误以为模型的回答是「查出来的」。记住：普通对话模型的输出是算出来的，不是查出来的；「查」是 RAG 才有的动作。这个区别决定了你怎么理解幻觉，也决定了你该不该给它接知识库。

不合适：想动手做出东西的人。787 屏里没有一个完整可跑的项目，没有一行需要你调试的代码（全书基本不涉及编程），也没有一处参数该填什么。这是一本「知道」的书，不是一本「会做」的书。

读法建议：把它当字典，别当教程。先读第 4 章（提示工程，51 屏）和第 3 章（大语言模型，63 屏）——这两章是全书离「能用」最近的；再跳到第 14 章看那条诉讼时间线，那是全书唯一可核查的干货；行业五章（第 9 到第 13 章）按你的行业挑一章读，其余四章只看小节标题；第 1 章可以整章跳过，除非你真的需要知道 ENIAC 是哪一年造的。

一句话：它把十五个话题切成十五块一样的砖，砌成了一堵整齐的墙——整齐是它的美德，也是它不告诉你门在哪的原因。