实战AI大模型：来自OpenAI的一线经验

定　　价：119.8 元

• 作者：[美]阿里·阿米尼安（Ali Aminian）
• 出版时间：2025/11/1
• ISBN：9787115685841
• 出 版 社：人民邮电出版社

• 中图法分类：TP18 
• 页码：301
• 版次：01
• 开本：小16开

内容简介

本书聚焦AI 大模型（生成式人工智能）系统设计，培养读者从需求分析到模型部署的系统化思维与实践能力。不同于传统教材按技术栈划分章节，本书以真实的实际研发案例为线索，拆解文本生成、图像合成、跨模态生成等核心场景，涵盖提示工程、RLHF、扩散模型、推理优化等关键技术。无论是实际工作还是技术面试，读者都能通过本书构建生成式人工智能的“复杂系统心智模型”，在技术快速演进的浪潮中锚定方向。

序 言

深入OpenAI工程师的思考体系 掌握可复用的工程方法论 轻松解决真实工程问题 10大真实案例，覆盖文本生成、图像合成等核心场景 6步框架贯穿始终，跑通需求澄清到部署监控 280+幅图表辅助理解，系统构建GenAI完整知识框架

作者介绍

阿里·阿米尼安（Ali Aminian），Adobe高级机器学习工程师、技术主管，斯坦福大学兼职讲师，前谷歌工程师。专注于LLM与图像/视频基础模型的预训练、微调与对齐，Adobe Firefly平台GenAI服务核心开发成员。 盛浩，OpenAI研究科学家，曾就职于苹果、TikTok等科技公司。斯坦福大学人工智能博士，师从吴恩达与沙鲁德·戈尔（Sharad Goel）。

目 录

第 1 章 引言与概述 1 11 生成式人工智能概述 1 111 判别式模型 2 112 生成式模型 3 113 什么是生成式人工智能， 为何流行 4 114 为什么生成式人工智能 变得如此强* 5 115 缩放定律 8 116 生成式人工智能的风险 与限制 9 12 机器学习系统设计面试框架 9 121 明确需求 10 122 将问题转换为机器学习 任务 11 123 数据准备 14 124 模型开发 19 125 评估 30 126 整体机器学习系统设计 32 13 小结 33 第 2 章 Gmail 智能撰写 35 21 明确需求 35 22 将问题转换为机器学习任务 36 221 指定系统的输入和输出 36 222 选择合适的机器学习 方法 36 23 数据准备 37 231 文本清洗与标准化 39 232 文本词元化与词元索引 39 24 模型开发 44 241 架构 44 242 训练 53 243 采样 59 244 智能撰写功能适合采用 哪种采样方法 62 25 评估 65 251 离线评估指标 65 252 在线评估指标 67 26 整体机器学习系统设计 68 261 触发服务 68 262 短语生成器 69 263 后处理服务 70 27 其他讨论要点 72 第3 章 Google 翻译 73 31 明确需求 73 32 将问题转换为机器学习任务 74 321 指定系统的输入和输出 74 322 选择合适的机器学习 方法 75 33 数据准备 76 331 文本预处理 76 332 文本词元化 77 ii | 目 录 34 模型开发 82 341 架构 82 342 训练 86 343 采样 91 35 评估 92 351 离线评估指标 92 352 在线评估指标 95 36 整体机器学习系统设计 96 361 语言检测器 96 362 翻译服务 97 37 其他讨论要点 98 第4 章 ChatGPT：个人聊天 助理 99 41 明确需求 99 42 将问题转换为机器学习任务 100 421 指定系统的输入和输出 100 422 选择合适的机器学习 方法 100 43 数据准备 101 44 模型开发 102 441 架构 102 442 训练 106 443 采样 117 45 评估 127 451 离线评估指标 127 452 在线评估指标 133 46 整体机器学习系统设计 135 461 训练流程 135 462 推理流程 135 47 其他讨论要点 137 第5 章 图像描述生成 138 51 明确需求 139 52 将问题转换为机器学习任务 140 521 指定系统的输入和输出 140 522 选择合适的机器学习 方法 140 53 数据准备 141 531 标题数据准备 142 532 图像数据准备 142 54 模型开发 143 541 架构 143 542 训练 149 543 采样 151 55 评估 152 551 离线评估指标 152 552 在线评估指标 155 56 总体机器学习系统设计 155 57 其他讨论要点 157 第6 章 检索增强生成 158 61 明确需求 159 62 将问题转换为机器学习任务 160 621 指定系统的输入和输出 160 622 选择合适的机器学习 方法 160 63 数据准备 164 631 文档解析 164 632 文档分块 166 633 索引 167 634 使用基于向量的检索 来索引数据 169 64 模型开发 170 641 架构 170 642 训练 172 643 采样 174 65 评估 182 651 上下文相关性 183 652 忠实性 183 653 答案相关性 184 目 录 | iii 654 答案正确性 184 66 整体机器学习系统设计 185 661 索引过程 186 662 安全过滤 186 663 查询扩展 186 664 检索 186 665 生成 186 67 其他讨论要点 187 第7 章 真实人脸生成 188 71 明确需求 188 72 将问题转换为机器学习任务 189 721 指定系统的输入和输出 189 722 选择合适的机器学习 方法 189 73 数据准备 196 74 模型开发 197 741 架构 197 742 训练 202 743 采样 206 75 评估 208 751 离线评估指标 208 752 在线评估指标 212 76 整体机器学习系统设计 212 761 人脸生成器 213 762 训练服务 213 763 评估服务 213 764 部署服务 214 77 其他讨论要点 214 第8 章 高分辨率图像合成 215 81 明确需求 215 82 将问题转换为机器学习任务 216 821 指定系统的输入和输出 216 822 选择合适的机器学习 方法 216 83 数据准备 220 831 图像清理和归一化 220 832 图像词元化 220 84 模型开发 221 841 架构 221 842 训练 225 843 采样 229 85 评估 230 851 离线评估指标 230 852 在线评估指标 231 86 整体机器学习系统设计 231 861 生成服务 232 862 解码服务 232 863 超分辨率服务 232 87 其他讨论要点 233 第9 章 文本到图像生成 234 91 明确需求 235 92 将问题转换为机器学习任务 235 921 指定系统的输入和输出 235 921 选择合适的机器学习 方法 236 93 数据准备 239 931 图像准备 239 932 图像描述文本准备 240 94 模型开发 240 941 架构 240 942 训练 244 943 采样 248 95 评估 250 951 离线评估指标 250 952 在线评估指标 252 96 整体机器学习系统设计 253 961 数据流程 253 962 训练流程 254 963 评估流程 254 iv | 目 录 964 模型优化流程 254 965 推理流程 254 97 其他讨论要点 257 第 10 章 个性化头像生成 258 101 明确需求 258 102 将问题转换为机器学习任务 259 1021 指定系统的输入和 输出 259 1022 选择合适的机器学习 方法 260 103 数据准备 269 104 模型开发 270 1041 架构 270 1042 训练 271 1043 采样 272 105 评估 273 1051 离线评估指标 273 1052 在线评估指标 276 106 整体机器学习系统设计 276 1061 数据流程 276 1062 训练流程 277 1063 推理流程 278 107 其他讨论要点 279 第 11 章 文本到视频生成 280 111 明确需求 281 112 将问题转换为机器学习任务 282 1121 指定系统的输入和 输出 282 1122 选择合适的机器学习 方法 282 113 数据准备 285 1131 视频准备 285 1132 描述文本准备 287 114 模型开发 288 1141 架构 288 1142 训练 294 1143 采样 297 115 评估 298 1151 离线评估指标 298 1152 在线评估指标 300 116 整体机器学习系统设计 300 1161 数据流程 300 1162 训练流程 301 1163 推理流程 301 117 其他讨论要点 302 后记 303