本书以推导为导向，精炼而系统地介绍了现代生成式人工智能的数学基础。它并非面面俱到地罗列各类最新模型架构或实现细节，而是构建了一条逻辑连贯的知识路径，串联起主要生成模型家族的核心思想——从主成分分析（PCA）、概率主成分分析（Probabilistic PCA）、变分自编码器（VAE）、扩散模型（Diffusion Models），到归一化流（Normalising Flows）、自回归分解（Autoregressive Factorisations）、生成对抗网络（GANs）、Wasserstein GAN（WGAN）以及基于能量的模型（Energy-Based Models）。其目标是在不削弱必要数学深度的前提下，使生成建模的整体结构更清晰易懂，从而帮助读者真正理解这些模型是如何被严格推导出来的，以及彼此之间存在怎样的理论关联。本书定位为一本夯实基础的入门读物，面向对数学原理怀有好奇心的研究人员、一线从业者及研究生。
