Immagina un mondo in cui l'intelligenza artificiale non si limita a riconoscere un tramonto, ma lo dipinge dal nulla. Questo rappresenta il cambiamento di paradigma rispetto ai modelli discriminativi—che si concentrano sul calcolo della probabilità $p(output|input)$ per etichettare i dati esistenti—verso il vasto campo dell'Intelligenza Artificiale Generativa. Stiamo superando il concetto di delimitazione del passato per modellare il vero e proprio distribuzione sottostante dei dati.

Definire il Paesaggio Architetturale

La nostra tassonomia è dominata da tre strategie matematiche distinte, ognuna delle quali offre vantaggi unici per sintesi multimodale e sintesi di immagini:

• Reti Avversariali Generative (GANs): Un duello ad alto rischio tra due reti neurali—il generatore (il falsario) e il discriminatore (l'investigatore). Questo interazione avversariale obbliga il generatore a creare contenuti sempre più indistinguibili.
• Modelli di Diffusione: Un processo di trovare ordine nel caos. Questi modelli imparano aggiungendo e rimuovendo iterativamente rumore dai dati, padroneggiando infine la capacità di plasmare rappresentazioni robuste da semplice rumore statico.
• Transformers Autoregressivi: Gli architetti delle sequenze. Modelli come il Generative Pretrained Transformer (GPT) funzionano prevedendo il prossimo token basandosi sul contesto di tutto ciò che è preceduto, creando narrazioni e strutture coerenti su lunghe distanze.