【生成式AI導論 2024】第15講：為什麼語言模型用文字接龍，圖片生成不用像素接龍呢？

生成式人工智能（Generative AI）是一种能够自动生成复杂且具有结构化内容的技术，涵盖文字、图像、声音等多种形式。这类模型擅长从有限的基本单元出发，构建出几乎无法穷举的内容组合，展现出强大的创造力和泛化能力。

文字是有token构成

影像是有像素构成的

每一个像素可以显示多少种颜色，取决于 每像素位数（BPP, Bit Per Pixel）。BPP 越高，图像的颜色深度就越丰富：

• 8 BPP：每个像素占 8 位，可表示 256 种颜色，常用于灰度图或索引色图。

• 16 BPP：每个像素占 16 位，可表示 65,536 种颜色，通常用于高彩模式（High Color）。

• 24 BPP：每个像素占 24 位，可表示高达 16,777,216 种颜色（约 1670 万色），这是目前图像处理中最常见的真彩色（True Color）格式。

这种 BPP 与颜色数量的关系是通过公式

颜色数 = 2^BPP

计算得出的。

在音频处理领域中，**取样率（Sampling Rate）和取样解析度（Bit Resolution）**是影响音质的两个关键参数。

取样率（Sampling Rate）：表示每秒对声音信号进行采样的次数，单位为赫兹（Hz）。
例如，16kHz 的取样率表示每秒采集 16,000 个数据点，能较好地还原人类语音频率范围（约 300Hz~3400Hz），因此常用于语音识别等任务。

取样解析度（Bit Resolution）：也称为量化位数，表示每个采样点使用多少位（bit）来记录振幅信息。常见的解析度有：