作者是哈德斯菲爾德大學 (University of Huddersfield) 的陳天華 (Tianhua Chen)。書名是《生成式 AI 基礎小書：直觀數學入門》(The Little Book of Generative AI Foundations: An Intuitive Mathematical Primer)。全書 195 頁，免費取用。它把生成式 AI 的數學主線收在一起：從 PCA、機率式 PCA、變分自編碼器、擴散模型，一路寫到正規化流、自迴歸分解、GAN 與能量模型。
論文頁： https://arxiv.org/abs/2605.29713 （v2，2026 年 9 月 8 日修訂，新增全書視覺解說）
全書路線圖
排序依數學展開的自然順序，不依歷史年代。後面的想法疊在前面的想法上，讓讀者看見潛變數、變分目標、擴散過程、分數場、精確密度、對抗學習與能量模型彼此如何相連。
| 章 | 主題 | 關鍵概念 |
|---|---|---|
| 第一章 | 線性代數：PCA 到自編碼器 | 投影、特徵值、重建、潛結構 |
| 第二章 | 機率式 PCA | 書中第一個潛變數生成模型 |
| 第三章 | 變分生成：ELBO 到 VAE | 證據下界、EM 演算法、變分推斷 |
| 第四章 | 擴散模型 DDPM（離散時間） | 序列潛變數、去噪 |
| 第五章 | 連續時間微積分基礎 | 布朗運動、隨機微分方程 |
| 第六章 | 分數式生成與連續擴散 | 分數場、反向隨機動態 |
| 第七章 | 精確密度：流與自迴歸 | 可逆變換、機率鏈式法則 |
| 第八章 | 超越似然：GAN 與能量模型 | 對抗比較、Wasserstein 距離、能量地景 |
寫作原則
- 數學工具用到才引進：線性代數、機率、微積分、高斯代數塞進建模敘事，不另開長篇預備章。
- 推導比總覽多：逐步拆解目標函數，直覺與數學連在一起，不寫黑箱食譜。
- 範圍小而深：前沿讀者可能覺得熟，但書把背後的數學邏輯寫明白。
- 作者歡迎指正，未來可能正式出版。
網友討論整理
本書在 Hacker News 拿下 321 分、50 則留言（2026 年 11 月 4 日抓取，全樹完整覆蓋）。幾個有意思的討論方向：
同類小書比較：有人最愛弗勒雷 (Fleuret) 的深度學習小書，認為那本適合打底，本書則是給 Transformer 之後世代的。不過也有人細看後指出，本書其實更偏擴散模型，Transformer 著墨不多。（prideout、joe_the_user、wh306）
習題書單：有人問有沒有帶習題的深度學習書，回覆開出一串書單：王子 (Prince) 的書配程式習題，畢曉普 (Bishop) 的理論習題最均衡，另有 Calin、Petersen、Dive into Deep Learning (d2l.ai)，刷題可用 deep-ml.com。（nblgbg、Valk3_、vismit2000）
符號論戰：第一頁么正基底向量的寫法被嫌沒解釋清楚，引出主動變換與被動變換之辨。一位數學家回得好：忘記不常用的數學很正常，現在要補一句話就能查到。（nh23423fefe、KolenCh、mkl）
實務派用法：有人把這類書整批丟進 RAG 知識庫，當 agent 的嚴謹參考資料，8GB 白皮書收藏意外成焦點，還有人追問用的是哪套 RAG 工具。（minimaxa、cheesewhistle）
注意力機制延伸閱讀：想專攻注意力機制，留言推薦 3Blue1Brown 的影片與《Formal Algorithms for Transformers》。(amplifydev、horseloverthin）
視覺懶人包
手機看不到內嵌頁時，直接開：https://static.blog.derekhsu.net/genai-foundations-primer.html
延伸閱讀
- 另一本口碑書：安納薩瓦米 (Ananthaswamy) 的《Why Machines Learn》，線代不熟者更溫柔。（hasteg 推薦）
- 注意力機制：Formal Algorithms for Transformers（arXiv 2207.09238）
- 同作者弗勒雷小書：https://fleuret.org/francois/lbdl.html
出處
- 原文：https://arxiv.org/abs/2605.29713
- 討論串：https://news.ycombinator.com/item?id=50358582
- 本文數字（分數、留言數）為 2026 年 11 月 4 日抓取，之後會再變動。