https://yennj12.js.org/yennj12_blog_V4/tags/generative-ai/Recent content in Generative AI on YennJ12 Engineering BlogHugo -- gohugo.ioen-usSun, 21 Jun 2026 17:00:00 +0800https://yennj12.js.org/yennj12_blog_V4/posts/ai-eng-from-scratch-phase8-part1-diffusion-models-zh/Sun, 21 Jun 2026 16:30:00 +0800https://yennj12.js.org/yennj12_blog_V4/posts/ai-eng-from-scratch-phase8-part1-diffusion-models-zh/大多數人認為擴散模型「就是反覆去雜訊」。 面試官想聽到的是：你能說明前向過程的閉合解、DDIM 的隱式馬可夫假設、以及為什麼潛在空間能讓 1024×1024 生成在消費級 GPU 上跑起來。 差距不在知道有 Stable Diffusion，而在能精確量化每個設計決策的成本與效益。 本文帶你從數學推導到生產部署，一次打通。 面試情境：你負責為一個電商平台設計商品圖片自動生成系統，需要在 3 秒內生成 512×512 的商品展示圖，每日峰值 10 萬張，成本預算每張 $0.002。請描述你選擇的模型架構、推論優化策略，以及如何處理風格一致性問題。 一、核心問題：生成模型的本質——學習資料分佈 生成模型的核心目標是學習一個隱含的資料分佈 $p_{data}(x)$，然後從中採樣出新的樣本。這個問題有三條路： GAN（對抗生成）：訓練一個生成器欺騙判別器。快、生成品質高，但訓練不穩定（模式崩潰），很難控制生成內容。 VAE（變分自編碼器）：學習潛在空間分佈，生成多樣但往往模糊，因為優化的是像素級 L2 loss。 擴散模型（Diffusion Model）：將資料生成過程建模為逐步去雜訊的馬可夫鏈。訓練穩定、生成品質極高、天然支援條件控制——但推論慢。 關鍵張力：生成品質 vs. 推論速度 vs. 條件可控性。三者難以同時最優。擴散模型在品質和可控性上勝出，工程挑戰集中在速度。 二、三個演進階段（POC → MVP → Scale） ╔══ Phase 1：POC（< 1K 日生成量）══╗ 目標：驗證生成品質，選型，跑通 pipeline。 ┌─────────────────────────────────────────────────────┐ │ Phase 1 架構 │ │ │ │ 使用者 Prompt ──▶ HuggingFace Diffusers API │ │ │ │ │ ▼ │ │ Stable Diffusion v1.https://yennj12.js.org/yennj12_blog_V4/posts/ai-eng-from-scratch-phase8-part2-gan-video-generation-zh/Sun, 21 Jun 2026 17:00:00 +0800https://yennj12.js.org/yennj12_blog_V4/posts/ai-eng-from-scratch-phase8-part2-gan-video-generation-zh/大多數人以為 GAN 是「讓兩個神經網路互相競爭」。 正確答案是：GAN 是一個精心設計的賽局均衡問題—— 訓練的藝術在於讓 Generator 和 Discriminator 以恰好正確的速度成長， 任何一方跑太快，整個系統就會崩潰。 面試情境： 你的團隊需要為電商平台建立「商品圖片風格轉換」系統，目標是把用戶上傳的素人照自動轉成專業棚拍風格，日處理量 50 萬張，延遲要求 < 200ms。請問你會選 GAN 還是擴散模型？架構如何設計？ 一、核心問題：對抗訓練的本質與脆弱性 GAN（Generative Adversarial Network）由 Ian Goodfellow 於 2014 年提出，核心概念極為優雅：一個 Generator（偽造者）和一個 Discriminator（鑑別者）相互對抗，在賽局均衡中收斂到完美生成能力。 理論之美與工程之痛的落差： 理論上，當 Generator 生成的分佈完全匹配真實資料分佈時，Discriminator 的最優策略是輸出 0.5（無法分辨）。這個均衡點在數學上可以被證明存在，且對應的 Generator 是完美的。 然而工程現實截然不同： 模式崩潰（Mode Collapse）：Generator 學會只生成幾種「能騙過 Discriminator」的樣本，多樣性消失。FID（Fréchet Inception Distance）飆升至 100+ 而訓練 loss 看起來正常。 梯度消失（Vanishing Gradient）：Discriminator 太強時，Generator 收到的梯度趨近於零，學習停滯。 訓練震盪：兩者的 loss 呈鋸齒狀，沒有明確的收斂信號。 超參數敏感性：學習率差距 10x 即可讓整個訓練崩潰。 這些不是 GAN 的「缺陷」，而是對抗訓練本質的體現——兩個玩家的賽局均衡遠比單一損失函數的最佳化複雜。 GAN 仍值得學習的理由： 推論速度：單次前向傳播，A100 上 512×512 圖片 < 15ms，Diffusion 需要 50–200 步去噪，約 1–5s 潛在空間可插值：StyleGAN 的風格空間允許精確控制人臉年齡、表情、髮型 訓練資料效率：CycleGAN 無需配對資料，只需兩個域的圖片集合即可訓練 特定任務 SoTA：pix2pix 在語義分割→照片轉換任務上 FID 仍優於早期 Diffusion 二、三個演進階段（含 ASCII 架構圖） ╔══ Phase 1：POC / < 10K 樣本 ══╗ 目標：驗證 GAN 能否學到目標分佈的基本形狀。https://yennj12.js.org/yennj12_blog_V4/posts/nvidia-minimax-m27-advances-scalable-agentic-workflows-on-zh/Mon, 13 Apr 2026 10:30:48 +0800https://yennj12.js.org/yennj12_blog_V4/posts/nvidia-minimax-m27-advances-scalable-agentic-workflows-on-zh/MiniMax M2.7 版本不僅增強了其前一版本 MiniMax M2.5 的功能，還引入了多項創新特性，這些特性使得在 NVIDIA 平台上實現複雜 AI 應用的可擴展智能工作流程變得更加高效。本文將深入探討 MiniMax M2.7 的核心技術架構、實現細節及其在實際場景中的應用，並分析其性能優化和最佳實踐策略。https://yennj12.js.org/yennj12_blog_V4/posts/ai-music-generation-aws-cdk-infrastructure/Sat, 17 Jan 2026 09:00:00 +0800https://yennj12.js.org/yennj12_blog_V4/posts/ai-music-generation-aws-cdk-infrastructure/Complete guide to architecting a production-ready AI music generation platform on AWS using CDK, comparing SageMaker and Bedrock approaches with detailed pros, cons, and implementation strategies for generating music from text prompts.