AI画家是怎么「无中生有」的？——从一团噪声到一幅画的奇妙旅程

Sun, 02 Aug 2026 03:13:00 +0800

引言：你看到的是"生成"，但AI做的是"消除"

2022年，Stable Diffusion开源后，全世界都疯了——你输入一句话，AI就能生成一张画。有人用它做设计，有人用它生成表情包，甚至有人用它"修复"老照片。

但你有没有想过：AI到底是怎么"画"出这些图的？

你可能以为，AI像人类画家一样，先构思，再打草稿，再上色，最后修饰。但事实远比这更反直觉——AI不是"画"出来的，而是"消去"出来的。

它做的不是"从无到有"，而是"从有到精"。

一、两种"画家"的思路

在AI图像生成领域，主要有两种"画画"的方式。

第一种叫GAN（生成对抗网络），2014年由Ian Goodfellow提出。 它的思路是让两个网络互相博弈：一个负责"画"（生成器），一个负责"挑刺"（判别器）。生成器努力画出以假乱真的图像，判别器努力分辨真假。两者互相竞争，最终生成器画出的图连判别器都分不清真假了。

这个思路很聪明，但它有一个致命问题：训练极其不稳定。 就像两个拳击手对打，一个太强另一个就崩了。生成器和判别者一旦失衡，生成器就会陷入"模式崩溃"——永远只画同一张图。

第二种叫扩散模型（Diffusion Model），2020年由Ho等人提出。 它的思路完全不同——不是"画"，而是"去噪"。

想象一下，你有一张清晰的图片，然后你一点点往上面加噪点，直到它完全变成一团随机噪声。这个过程叫"正向扩散"。

扩散模型做的事，就是学会逆转这个过程——从一团随机噪声开始，一步步去除噪声，直到恢复出清晰的图像。

它不是在"画"，而是在"雕塑"。 就像米开朗基罗说的：“大卫本来就在大理石里，我只是把不属于它的部分去掉。“扩散模型去掉的，就是噪声。

二、一个简单到令人惊讶的原理

让我们用更具体的方式理解扩散模型在做什么。

第一步：正向过程——“毁掉"一张图。 训练时，AI拿一张真实的图片（比如一张猫的照片），然后不断地往上加噪声。每一步加一点，直到图像完全变成随机噪声。经过几百步后，你再也看不出原来有只猫了。

第二步：反向过程——“修复"一张图。 AI学习的是"逆向操作”——它知道当前这张图有多"脏”，然后预测"刚才加进去的噪声是什么样子的”，接着减去它。每减去一步，图像就清晰一点。反复做几百步，最终从一团纯噪声中"浮现"出一张清晰的猫图。

关键洞察： 扩散模型不是在"学习怎么画猫”，而是在学习"噪声长什么样"。它学会的是"什么样的噪声不是猫身上的噪声"——换言之，它学会了"猫长什么样"的反面。

这听起来很绕，但它的数学本质非常优雅：AI学习的是数据分布（猫的图片）的梯度方向，然后从随机噪声出发，沿着这个梯度方向一步步"走"到猫的图片。

就像你站在山顶上，闭着眼睛，只靠感受坡度，一步步走下山——最终你一定能走到山脚。扩散模型从随机噪声出发，一步步"下坡"，最终走到清晰的图像。

三、为什么你需要"潜空间"？

DDPM（2020年）在理论上很漂亮，但它有一个实际痛点：太慢了。

在像素空间做去噪，意味着模型要处理512×512×3=78万个像素值。每一步去噪都需要计算这么多数据，而且DDPM需要1000步才能生成一张可用的图。一张图生成完，够你喝两杯咖啡了。

2022年，Stable Diffusion的团队提出了一个天才的解决方案：别在像素空间做，去"潜空间"做。

什么是"潜空间"？把它想象成图像的精简版速记表。

一张512×512的图有78万个像素，但其中大部分信息是冗余的——比如"蓝天"的蓝色，有几千个像素值几乎一样。这些信息不需要逐个处理，只要知道"这里是蓝色"就够了。

Stable Diffusion用了一个预训练的自编码器，把一张图像压缩到64×64×4的"潜表示"——只有约1.6万个数值，是原来的1/48。 而且这个压缩是"有损但聪明"的——它保留了语义信息（“有一只猫，在草地上”），去掉了感知冗余（“猫的每根毛的颜色细微差别”）。

然后，扩散过程在这个压缩后的潜空间里进行。计算量直接降到了原来的1/48。 这就是为什么Stable Diffusion可以在消费级显卡上运行，而DALL-E 2需要云端服务器。

但代价是什么？ 潜空间压缩丢失了细节。这就是为什么Stable Diffusion生成的图在细节上有时不如DALL-E 2——它在压缩时"丢掉"的那些信息，再也回不来了。

四、AI真的"理解"它画的是什么吗？

到这里，我们不得不面对一个更根本的问题：AI在"去噪"的过程中，真的"理解"它画的是什么吗？

答案可能会让你失望：很可能不。

AI在去噪的过程中，没有"猫"的概念，没有"草地"的概念，没有"蓝天"的概念。它只知道"这个像素的噪声模式，在训练数据中，和这种特定形状常常一起出现"。

它学到的，是一个巨大的统计关联网络——“这种形状的噪声模式，通常意味着这里有猫耳朵”。但它不知道"猫"是什么，不知道猫会喵喵叫，不知道猫有九条命（至少在传说中）。

它知道的是"猫的统计模式"，而不是"猫"本身。

这不是AI的缺陷，而是它的本质。AI的"理解"和我们人类的"理解"是两种完全不同的东西。人类的"理解"有身体经验、有情感、有文化背景——你知道猫摸起来是什么感觉，你知道猫会蹭你的腿，你知道猫不是"一堆像素的统计模式"。

AI的"理解"是纯粹的统计模式识别——它知道"猫的像素分布"和"狗的像素分布"的区别，但它不知道"猫是宠物"这件事。

但这不妨碍它生成让你惊叹的图像。

就像你不需要懂空气动力学也能开飞机，AI不需要"理解"猫也能画猫。它只需要知道猫的"统计分布"就够了。

结语：从"对抗"到"去噪"

回看AI图像生成的发展史，有一条清晰的线索：从GAN的"对抗"范式，到扩散模型的"去噪"范式。

对抗范式假设智能需要"竞争"——两个网络互相博弈，从中涌现出创造力。这个思路性感，但不稳定。

去噪范式假设智能需要"消除"——从混乱中逐步恢复秩序，从噪声中浮现出结构。这个思路朴实，但稳定。

而扩散模型之所以成为主流，恰恰是因为它承认了AI的局限性。它不试图"创造"新东西，而是从一个充满可能性的起点（随机噪声）出发，按照训练数据中学到的统计模式，一步步"走到"一个合理的终点。

创造力不是"凭空产生"，而是"从混乱中浮现秩序"。 这不仅是AI的"画画"方式，也可能是人类创造力的本质——我们的大脑，也不过是在无数可能的"噪声"中，找到那个最"合理"的答案。

参考资料

Goodfellow, I. J., et al. (2014). “Generative Adversarial Nets.” NeurIPS 2014. https://arxiv.org/abs/1406.2661
Ho, J., Jain, A., & Abbeel, P. (2020). “Denoising Diffusion Probabilistic Models.” NeurIPS 2020. https://arxiv.org/abs/2006.11239
Rombach, R., et al. (2022). “High-Resolution Image Synthesis with Latent Diffusion Models.” CVPR 2022. https://arxiv.org/abs/2112.10752
本文核心论证素材来源于论文论证卡库生成模型领域：GAN论证卡、DDPM论证卡、Stable Diffusion论证卡，经Ω-CFI审查框架校验。