基础知识：概率与潜变量模型：生成模型到底在学什么

生成模型不是把训练样本背下来，也不是“随机画一个像样的东西”。它要学的是一个分布：哪些样本可能出现，哪些条件会改变样本，哪些隐藏因素可以解释观测到的数据。VAE、扩散模型、RSSM / Dreamer、JEPA、视频世界模型都会反复使用这套语言。

这页只回答一个核心问题：当论文写 $p_\theta(x)$、$p_\theta(x\mid z)$、$q_\phi(z\mid x)$、ELBO、score 和 latent state 时，它们分别在训练链条里扮演什么角色？

分布不是标签，而是可能性的形状

如果真实数据来自未知分布，可以写成：

$x \sim p_{\text{data}}(x)$

模型要学一个 $p_\theta(x)$ 去接近它。这里 $x$ 可以是一张图、一段视频、一串 token、一个机器人轨迹，也可以是世界模型里的未来状态。条件生成则多一个条件：

$p_\theta(x\mid c)$

$c$ 可以是文本、类别、图像、动作、目标状态或历史观测。这个式子的含义不是“模型确定地产生一个 $x$”，而是“在条件 $c$ 下，哪些 $x$ 更可能”。同一个 prompt 可以有多张合理图，同一个当前状态也可能有多种未来，所以生成模型必须处理多种可能性。

训练时常见的 maximum likelihood 是：

$\max_\theta \sum_i \log p_\theta(x_i)$

直觉很简单：真实样本 $x_i$ 在模型分布下概率越高，loss 越小。但很多强生成模型不会直接显式写出完整 $p_\theta(x)$，而是借助 latent variable、denoising objective、score matching 或 autoregressive factorization 来训练。

潜变量：把看不见的因素放进模型

很多观测背后都有隐藏因素。人脸图像背后有身份、姿态、光照、表情；机器人观测背后有速度、接触状态、遮挡物；视频世界模型背后有还没被直接看到的动力学状态。潜变量 $z$ 就是模型用来表示这些隐藏因素的随机变量。

一个最小 latent-variable generative model 可以写成：

$z \sim p(z), \qquad x \sim p_\theta(x\mid z)$

合起来得到边际分布：

$p_\theta(x)=\int p_\theta(x\mid z)p(z)\,dz$

这行公式在说：要生成 $x$，模型先从先验 $p(z)$ 里抽一个内部原因，再通过 decoder / generative model 生成观测。这里的 $p_\theta(x\mid z)$ 通常不是一个普通确定性函数，而是一个由神经网络参数化的概率分布；网络可能输出均值、方差、logits 或其他分布参数。

推断方向：看到 $x$ 后反推 $z$

生成方向是 $z\rightarrow x$。训练时我们看到的是 $x$，经常需要反过来问：这个样本可能由哪些 $z$ 产生？这叫 posterior inference：

$p_\theta(z\mid x)=\frac{p_\theta(x\mid z)p(z)}{p_\theta(x)}$

难点正好在分母：

$p_\theta(x)=\int p_\theta(x\mid z)p(z)\,dz$

对高维连续 latent 和神经网络 decoder，这个积分通常不可算。VAE 的解决办法不是“硬算后验”，而是训练一个 inference model：

$q_\phi(z\mid x)$

它用简单可采样的分布去近似真实 posterior $p_\theta(z\mid x)$。因此，VAE 里的 encoder 更准确地说是 recognition / inference model；decoder 才是生成模型的一部分。

ELBO：把不可算 likelihood 换成可优化下界

从任意近似分布 $q_\phi(z\mid x)$ 出发，可以把真实 likelihood 拆成：

$\log p_\theta(x) = \underbrace{ \mathbb{E}_{q_\phi(z\mid x)} \left[ \log p_\theta(x,z)-\log q_\phi(z\mid x) \right] }_{\mathcal{L}_{\text{ELBO}}(x)} + \underbrace{ \mathrm{KL}\left(q_\phi(z\mid x)\,\|\,p_\theta(z\mid x)\right) }_{\ge 0}$

因为 KL divergence 非负，$\mathcal{L}_{\text{ELBO}}$ 就是 $\log p_\theta(x)$ 的下界。最大化 ELBO 有两个效果：一边把下界往上推，让模型更能解释数据；一边让 $q_\phi(z\mid x)$ 更靠近真实 posterior。

把联合分布 $p_\theta(x,z)=p_\theta(x\mid z)p(z)$ 展开，常见 VAE 形式是：

$\mathcal{L}_{\text{ELBO}}(x) = \mathbb{E}_{q_\phi(z\mid x)}[\log p_\theta(x\mid z)] - \mathrm{KL}\left(q_\phi(z\mid x)\,\|\,p(z)\right)$

第一项常被叫 reconstruction term，但它不是普通像素 MSE 的同义词；它是在问“从这个 latent 生成真实样本的概率有多高”。第二项把每个样本的 posterior 拉回统一先验 $p(z)$，否则 encoder 可能给每个训练样本分配一块互不相干的 latent 空间，采样时从 $p(z)$ 抽出来的点就很难被 decoder 正确使用。

重参数化：让采样也能反向传播

VAE 训练还需要解决一个工程问题：如果 $z\sim q_\phi(z\mid x)$，采样步骤会挡住对 $\phi$ 的梯度。重参数化技巧把随机性搬到一个无参数噪声上。常见高斯 posterior 写成：

$q_\phi(z\mid x)=\mathcal{N}(\mu_\phi(x),\mathrm{diag}(\sigma_\phi^2(x)))$

$\epsilon\sim\mathcal{N}(0,I), \qquad z=\mu_\phi(x)+\sigma_\phi(x)\odot \epsilon$

这样 $z$ 仍然是从同一个分布采样，但梯度可以沿着 $\mu_\phi(x)$ 和 $\sigma_\phi(x)$ 回到 encoder。Auto-Encoding Variational Bayes 的关键价值就在这里：把 latent-variable model 的近似推断和神经网络的随机梯度训练接起来。

KL 项不是装饰：太强太弱都会出问题

ELBO 里的 KL 项常被初学者当作“正则化”，但它实际控制的是 posterior 和 prior 的关系。KL 太弱时，encoder 可能把样本记到分散的 latent 角落，重建很好，但从 prior 采样会生成差。KL 太强时，$q_\phi(z\mid x)$ 被迫过于接近 $p(z)$，decoder 可能学会忽略 $z$，这就是常说的 posterior collapse 风险之一。

所以 VAE 不是“autoencoder 加噪声”。它是在三件事之间折中：latent 要解释当前样本，latent 要能从统一先验中采样，decoder 要能把 latent 变成观测分布。

扩散模型：不用显式密度，也能学分布方向

扩散模型也在学习分布，但方式不同。它先定义一个正向加噪过程 $q(x_t\mid x_{t-1})$，把真实样本逐步推向噪声；再训练反向模型 $p_\theta(x_{t-1}\mid x_t)$，从噪声一步步回到数据。

图源：Denoising Diffusion Probabilistic Models，Figure 2。原图表达前向过程 $q(x_t\mid x_{t-1})$ 逐步加噪，反向过程 $p_\theta(x_{t-1}\mid x_t)$ 逐步去噪。本站读法是把 $x_t$ 看成一串受控噪声状态：训练目标不是直接写出 $p(x)$，而是在每个噪声水平学习回到数据分布的局部方向。

Score 是另一种描述分布的方式：

$\nabla_x \log p(x)$

它表示当前位置往哪个方向移动会让 log density 上升。扩散训练里的噪声预测和 score 有尺度关系；模型看起来在做 MSE 去噪，本质上是在不同噪声水平学习一个概率方向场。

图源：Score-Based Generative Modeling through Stochastic Differential Equations，Figure 1。原图表达正向 SDE 把数据扰动到噪声，反向 SDE 依赖每个中间分布的 score 生成样本。本站读法是把 score 当作“分布地形上的坡度”：生成不是一次性解码，而是沿着学到的方向场积分回数据区域。

世界模型里的 latent：状态要服务预测和决策

在 VAE 中，latent 常常服务重建和采样；在扩散中，$x_t$ 是噪声链上的中间状态；在世界模型里，latent 更接近 agent 的 belief state。它要压缩历史观测和动作，还要保留未来预测、奖励、风险和规划需要的信息。

图源：Learning Latent Dynamics for Planning from Pixels，Figure 2。原图比较 RNN、SSM 和 RSSM 三种 latent dynamics 设计。本站读法是看 deterministic memory 和 stochastic state 的分工：前者记历史，后者表达不确定未来，二者合在一起才能服务 planning。

这也是为什么“latent”不能被翻译成一个固定概念就结束。读论文时要追问：这个 latent 来自哪里？它是从 prior 采样、从 posterior 推断、从 denoising chain 递推，还是从历史观测更新？它最后服务的是生成图像、压缩 token、预测未来，还是选择动作？

不确定性会在 rollout 里放大

概率语言对世界模型特别重要，因为决策系统害怕长尾错误。假设 risk head 对“接触即将失败”的单步漏报率是 5%。看单步不大，但 20 步 rollout 中至少漏一次的概率是：

$1-(1-0.05)^{20}\approx 64.2\%$

这说明多步预测不能只报最可能未来。若未来分布是多峰的，均值预测可能 loss 低，却把“会滑落”和“能抓稳”平均成不存在的中间状态。对 planner 来说，中间状态不是安全折中，而是错误世界模型给出的虚假可行动作。

读生成模型时先问四个问题

第一，模型定义的随机变量是什么：是 $x$、$z$、$x_t$、belief state，还是动作序列？第二，训练目标在逼近什么：likelihood、ELBO、score、denoising loss，还是下游 reward？第三，采样或推理时从哪里开始：prior、噪声、posterior state，还是真实历史观测？第四，评测看什么：likelihood、sample quality、prompt alignment、calibration、closed-loop success，还是 planner 的候选排序？

这些问题能避免几个常见误解：likelihood 高不等于样本好看；重建好不等于 latent 可采样；视频预测清晰不等于能规划；score 准也不等于少步采样一定稳定；latent 省 token 不等于保留了行动相关状态。

读完以后怎么判断

概率与潜变量模型的核心不是背公式，而是分清三条链。生成链：$z\sim p(z)$，再从 $p_\theta(x\mid z)$ 生成观测。推断链：看到 $x$ 后用 $q_\phi(z\mid x)$ 近似不可算 posterior。采样链：从 prior、噪声或 posterior state 出发，用训练好的模型逐步生成样本或未来状态。

VAE 用 ELBO 把不可算的边际似然变成可优化下界；扩散用受控加噪把分布学习变成方向场学习；世界模型用 latent state 把历史、不确定性和动作后果压到可 rollout 的状态空间。把这三条链看清，后面的扩散、Dreamer、V-JEPA、VLA 和视频世界模型公式就不再只是符号。

外部精读

• Auto-Encoding Variational Bayes
• An Introduction to Variational Autoencoders
• Tutorial on Variational Autoencoders
• Variational Inference: A Review for Statisticians
• Deep Generative Modelling: A Comparative Review
• RBC Borealis: Tutorial #5 Variational Auto-Encoders
• Yang Song: Generative Modeling by Estimating Gradients of the Data Distribution
• DDPM
• Score-Based Generative Modeling through SDEs
• TensorFlow Core 中文教程：卷积变分自编码器
• Pyro 中文教程：变分自编码器

相关阅读与下一步

• 外部材料：The Illustrated Transformer。
• 外部材料：Dive into Deep Learning。
• 外部材料：Distill Circuits。
• 站内下一步：基础概念专题。
• 站内下一步：Transformer 输入与注意力。
• 站内下一步：数值、内存与运行时基础。