学习生成式 AI 通常需要以下基础：
数学基础：包括线性代数、概率论、统计学等，这些知识对于理解模型的原理和算法很重要。 编程基础：熟练掌握一种编程语言，如 Python，以便能够实现和操作相关的模型和算法。 机器学习基础：了解监督学习、强化学习、无监督学习等基本概念和方法，因为生成式 AI 与这些领域密切相关。 自然语言处理基础：如果涉及文本生成，需要了解自然语言处理的基本概念，如词向量、语法分析等。 深度学习基础：熟悉神经网络、深度神经网络的结构和训练方法。 数据处理能力：能够收集、清洗、预处理和分析大量的数据。在生成文本方面，大语言模型使用监督学习不断预测下一个词语，这需要千亿甚至万亿级别的单词数据库。同时，为了有效地使用生成式人工智能，在流程的开始和结束时需要人工参与，人类要向生成模型输入提示才能让其创建内容，创造性的提示通常会产生创造性的输出。
例如，台湾大学李宏毅教授的生成式 AI 课程介绍了其基本概念、发展历程、技术架构和应用场景等内容，包括生成式 AI 的定义和分类、与判别式 AI 的区别、应用领域、生成式模型的结构和训练方法、评估指标、生成式对话的概念和系统架构等。通过学习此类课程，可以掌握生成式 AI 的基本概念和常见技术，能够使用相关框架搭建简单的生成式模型，了解其发展现状和未来趋势。
