Wer täglich mit Diffusions- oder autoregressiven Modellen arbeitet, aber nie gelernt hat, woher sie kommen, ist die genaue Zielgruppe eines kostenlosen Lehrtexts, der bei Hacker News die Runde macht. The Little Book of Generative AI Foundations von Tianhua Chen leitet die wichtigsten Familien generativer Modelle von Grund auf auf einem zusammenhängenden Pfad her. Es geht also nicht darum, Architekturen aufzulisten, sondern zu zeigen, wie sie zusammenhängen.
Was es von den Hunderten bereits vorhandenen Übersichten abhebt, ist genau dieser eine Weg. Das Buch führt durch die Hauptkomponentenanalyse und ihre probabilistische Variante, variational autoencoders, Diffusionsmodelle, normalising flows, autoregressive Faktorisierungen, GANs und Wasserstein GANs sowie energiebasierte Modelle. Jedes wird Schritt für Schritt hergeleitet, und der verbindende Faden ist der ganze Sinn: Der Leser sieht, dass dies Varianten einer gemeinsamen Mathematik sind und nicht sieben unverbundene Tricks. Der Autor sagt ausdrücklich, dass das Buch nicht jede neue Architektur oder die Implementierungsdetails abdecken will, und bleibt bei den Herleitungen, die man braucht, um der Argumentation zu folgen.
Die überarbeitete Fassung ist die, die man lesen sollte. Sie erschien am 8. September 2026, umfasst 195 Seiten und fügt durchgehend visuelle Erklärungen hinzu, während die erste Version vom 28. Mai kürzer und schlichter war. Sie gibt es als PDF, als experimentellen HTML-Build, als TeX-Quelltext und sogar als Audiozusammenfassung, und der Autor lädt zu Kommentaren und Korrekturen ein.
Der Nutzen ist praktisch, nicht neu. Nichts an der Mathematik ist neu, und das ist der Punkt: Dies ist ein Lehrtext, kein Forschungsergebnis. Für Ingenieure, die die Werkzeuge hinter Modellen wie Stable Diffusion oder den von uns rezensierten großen Sprachmodellen nutzen und sie richtig verstehen wollen, ist ein einziger, von Herleitungen geführter Pfad nützlicher als eine weitere Liste von Methoden. Es tritt neben etablierte Lehrbücher, statt sie zu ersetzen, und bildet eine gute Brücke zu den schwereren Standardreferenzen.
Der ehrliche Vorbehalt ist, dass es ein selbstveröffentlichter Preprint ist, kein begutachtetes Lehrbuch, also kein formelles Review durchlaufen hat; jede Herleitung, auf die man sich für echte Arbeit stützt, sollte man gegen eine Standardquelle prüfen. Ein Buch mit 195 Seiten ist zudem eine Verpflichtung, keine schnelle Lektüre, und es setzt Vertrautheit mit Wahrscheinlichkeitsrechnung und linearer Algebra auf Grundstudiumsniveau voraus. Für den richtigen Leser sind das kleine Preise für eine klare, zusammenhängende Darstellung, warum diese Modelle funktionieren.