AI 绘画是怎么画出来的？一文看懂扩散模型

输入"一只在雪地里骑摩托车的橘猫，电影质感"，十几秒后，一张从未存在过的图片出现了。AI 绘画的背后，是一类叫扩散模型（Diffusion Model）的技术。它的工作原理，恰恰是"先学会破坏，再学会创造"。

核心思路：从噪声中"显影"出一张画

扩散模型的训练分两个方向：

正向过程（学会破坏）：给模型看海量图片，每张图一步步往上面加随机噪点。加一百步之后，一张清晰的照片就变成了完全的雪花噪点。这个过程没有秘密，因为我们亲手加的噪声。

反向过程（学会还原）：真正要训练的，是这个逆操作——给定一张带噪点的图，预测"上一步的噪声是什么"，然后减掉它。模型在亿万张图片上反复练习这个"去噪"动作，直到非常熟练。

生成图片的时候，我们从一张纯噪声出发，让模型一步步"去噪"。有趣的是，去噪的方向可以被一段文字描述引导——文字告诉我们"往橘猫的方向去噪""往电影质感的方向去噪"。几十步之后，噪声中就"显影"出了一张符合描述的图。

所以严格说，AI 不是在"画"，而是在解一个还原题：从随机噪声里，还原出最符合你描述的那张图。

文字是怎么"指挥"画笔的？

这依赖另一项技术：图文对齐训练。模型见过数十亿组"图片+文字说明"的配对（如alt描述、图注），学会了把文字和图像特征映射到同一个"语义空间"。你写"赛博朋克风格的城市夜景"，模型就知道这组词对应什么样的视觉特征。

这也解释了为什么描述词越具体，效果越好：主体、风格、光线、构图、视角，每个明确的信息都在帮模型缩小"还原方向"的范围。

三个常见疑问

AI 会抄袭某张具体的图吗？生成过程不是从训练图库里"拼贴"，但它确实学到了某些画师的风格特征。版权与风格模仿的争议，是当前法律界仍在拉锯的问题。

为什么手指经常画错？手指形态复杂、姿态变化多，在训练数据里的"规律"最难学，去噪时最容易出偏差。

同样的描述，为什么每次结果不一样？因为起点是随机噪声。起点不同，终点就不同。想要稳定复现，需要固定"种子"参数。

理解了扩散模型，你就明白 AI 绘画的本质：一门把想象力翻译成数学去噪方向的手艺。下一期我们聊聊怎么写好描述词。