Si vous construisez chaque jour avec des modèles de diffusion ou autorégressifs sans jamais avoir appris d'où ils viennent, un manuel gratuit qui circule sur Hacker News vous vise directement. The Little Book of Generative AI Foundations, de Tianhua Chen, dérive les grandes familles de modèles génératifs depuis les premiers principes sur un seul chemin relié ; l'idée n'est donc pas de cataloguer des architectures, mais de montrer comment elles se rattachent les unes aux autres.
Ce qui le distingue des centaines de panoramas déjà existants, c'est précisément ce parcours unique. Le livre traverse l'analyse en composantes principales et sa version probabiliste, les variational autoencoders, les modèles de diffusion, les normalising flows, les factorisations autorégressives, les GAN et les Wasserstein GAN, et les modèles à base d'énergie. Chacun est développé pas à pas, et le fil qui les relie est tout l'intérêt : le lecteur voit qu'il s'agit de variations d'une mathématique commune et non de sept astuces sans lien. L'auteur dit clairement que le livre ne cherche pas à couvrir chaque nouvelle architecture ni les détails d'implémentation, et s'en tient aux dérivations nécessaires pour suivre le raisonnement.
La version révisée est celle qu'il faut lire. Elle a été publiée le 8 septembre 2026, compte 195 pages et ajoute des explications visuelles tout au long, là où la première version, du 28 mai, était plus courte et plus sobre. Elle est disponible en PDF, en version HTML expérimentale, avec le code source TeX et même un résumé audio, et l'auteur invite aux commentaires et corrections.
L'intérêt est pratique plutôt que nouveau. Rien dans les mathématiques n'est inédit, et c'est le propos : il s'agit d'un texte pédagogique, pas d'un résultat de recherche. Pour un ingénieur qui utilise les outils derrière des modèles comme Stable Diffusion ou les grands modèles de langage que nous testons et veut vraiment les comprendre, un seul chemin guidé par les dérivations est plus utile qu'une liste de méthodes de plus. Il se place à côté des manuels établis sans les remplacer, et fait un bon pont vers les références standard plus ardues.
La réserve honnête est qu'il s'agit d'un preprint auto-publié, pas d'un manuel évalué par des pairs : il n'a donc pas subi de relecture formelle, et toute dérivation sur laquelle vous vous appuyez pour un vrai travail mérite d'être vérifiée face à une source standard. Un livre de 195 pages est aussi un engagement, pas une lecture rapide, et il suppose de l'aisance avec les probabilités et l'algèbre linéaire de niveau licence. Pour le bon lecteur, ce sont de petits prix pour un exposé clair et relié de la raison pour laquelle ces modèles fonctionnent.