《智能生成基础》立足生成式人工智能快速发展的时代背景，面向学生在 AIGC 学习中“知道工具但不懂原理、会尝试但不会调参、能生成但难以复现和优化”的常见问题，构建由基础认知、技术原理、平台操作、提示词工程和图像控制技术组成的课程内容体系。
课程首先引导学生认识 AI、AIGC 的核心概念与发展历程，理解生成式人工智能并非突然出现，而是长期技术积累、模型创新、数据资源和算力提升共同作用的结果。随后，课程围绕 GAN、扩散模型、Stable Diffusion 等内容，帮助学生建立对图像生成机制的基本理解，能够从模型、采样器、步数、随机种子、提示词和生成质量之间的关系出发分析作品效果。
在实践模块中，课程重点讲解 Stable Diffusion 的本地安装硬件要求、云端算力平台操作、文生图核心参数设置，以及提示词基础认知、高质量提示词特征、权重调节技巧和提示词辅助工具使用方法。学生将在任务实践中学习如何构建清晰的提示词结构，如何通过关键词、风格描述、负面提示词、权重符号和参数组合提升生成效果。
课程后续进一步引入 ControlNet 技术，围绕核心参数设置、常用预处理器与模型应用展开教学，使学生能够理解边缘检测、姿态控制、深度图、分割图等控制方式在 AI 图像生成中的作用，掌握从“随机生成”走向“可控生成”的基本方法。
通过本课程学习，学生将能够：
理解 AIGC 的基本概念、发展阶段与典型应用场景。
说明 GAN、扩散模型、Stable Diffusion 等核心技术的基本原理。
完成 Stable Diffusion 本地或云端环境的基础配置与操作。
根据创作目标设计结构清晰、表达准确的提示词。
运用参数调节、权重控制和负面提示词优化生成结果。
使用 ControlNet 实现姿态、轮廓、结构和画面布局的可控生成。
树立版权意识、数据安全意识和负责任使用生成式人工智能的意识。
本课程突出“原理支撑实践、任务促进理解、评价推动改进”的教学特点，既关注学生是否能够生成作品，更关注学生是否能够解释生成逻辑、记录关键参数、分析问题原因并持续优化结果。课程学习完成后，学生可具备进入 AIGC 创作、AI 辅助设计、数字内容生产与智能媒体应用等方向继续学习和实践的基础能力。
