从噪声中诞生——扩散模型如何让AI学会'无中生有'

Fri, 14 Aug 2026 03:13:00 +0800

引言

你输入"一只穿着宇航服的柴犬在火星上奔跑"，AI就真的生成了一张图。你输入"赛博朋克风格的东京雨夜"，AI也做到了。这些能力，在过去三年里从实验室走入了每个人的手机。

但你有没有想过一个问题：AI到底是怎么"画"出这些图的？

它不像人类那样从草图开始、一笔一笔地画。它也不像照相机那样"拍"一张照片。AI的"作画"方式，听起来有点像某种魔法——从一堆纯粹的随机噪声中，逐步"显影"出一张清晰的图片。

这个过程，就是扩散模型（Diffusion Models）的核心思想。今天，我们就来聊聊这个让AI学会"无中生有"的神奇技术。

第一章：AI画画的两条老路

在扩散模型出现之前，AI生成图像主要有两条技术路线。

第一条路：GAN（生成对抗网络）。

你可以把GAN想象成两个角色：一个造假币的（生成器），一个验钞的（鉴别器）。造假币的不断伪造，验钞的不断识别真假。这两个角色互相博弈、共同进化，最终造假币的技艺炉火纯青，造出来的"假币"足以以假乱真。

GAN的思路很巧妙，但有个致命问题：不稳定。 两个网络互相博弈，就像两个拳击手对打，谁输了都会崩塌。训练GAN需要非常精细的平衡，稍有不慎，模型就会"崩溃"——生成出来的图千篇一律，全是同一张脸。

第二条路：VAE（变分自编码器）。

思路更简单：把图片"压缩"成一段核心编码（就像把一篇长文压缩成几条要点），再从这个编码"解压缩"还原图片。但问题是，压缩必然会丢失细节。VAE生成的图片总是"模糊的"——像隔着一层毛玻璃看世界，永远不够清晰。

两条路都有各自的短板。直到2020年，一个全新的思路杀了出来。

第二章：一个反直觉的天才想法

扩散模型的想法，用一个词形容就是——反直觉。

传统思维是"教AI怎么画好一张图"。扩散模型却反过来想：先教AI怎么把一张图"毁掉"——然后再教它怎么"还原"。

想象一下这样的场景：你有一张完美的照片，你把它放在复印机上反复复印。第一次复印，还能看清轮廓；第二次，细节开始模糊；第三次，出现噪点…第三十次，已经变成了完全看不出原样的随机噪点。

这个过程，就是"前向扩散"——对一张原始图片，逐步叠加噪声，直到它完全变成纯随机噪声。

而扩散模型要做的，就是学会这个过程的"逆操作"——从纯随机噪声开始，一步步去掉噪声，最终还原出一张清晰的图片。

这听起来有点像什么呢？像雕塑家从一块大理石中"释放"出雕像。 噪声是那块未雕琢的石头，而扩散模型就是那个雕塑家，每一刀去掉一些多余的石头，最终让雕像浮现出来。

第三章：先学会"破坏"，再学会"修复"

扩散模型的训练过程，可以分为两个阶段。

第一阶段：破坏（前向扩散）

这一阶段极其简单——给一张原始图片，按照预设的步骤，逐步加入高斯噪声。每一步加的噪声量都是已知的，最终一定会变成纯噪声。

这个过程不需要训练，它只是一个数学公式。但它的作用至关重要：它给AI提供了"先知道答案再做题"的练习机会。

第二阶段：修复（反向去噪）

这才是真正的训练。AI的神经网络需要学会：给定一张加了噪声的图，以及当前噪声的"浓度"（时间步），预测出这张图里原本的噪声是什么，然后把噪声去掉。

就像你看着一张被揉皱的纸，要推测出它原本平整时的样子。

AI在这个阶段会经历大量练习——从"高度噪声→中度噪声→轻度噪声→干净图像"的完整链条中，反复学习去噪。最终，它学会了从任何程度的噪声中，都能推测出"干净图像"应该是什么样子。

一旦学会了去噪，生成就变成了一个简单的过程：从纯随机噪声开始，让它一步步去噪，最终生成一张全新的图片。

这就是为什么扩散模型生成的图片看起来那么"自然"——因为它的训练过程本身就是从"自然"中学习"什么是自然"。

第四章：从实验室到你的手机——Stable Diffusion的秘密

最初的扩散模型（如2020年的DDPM）虽然能生成高质量图片，但有一个巨大的问题：太慢了。

生成一张256×256的图片，需要在像素空间上做上千步去噪，每步都要跑一遍完整的神经网络。这意味着，一张图可能需要几分钟甚至更久才能生成。而且，训练成本极其高昂——一个模型需要几百个GPU连续跑好几天。

2022年，一个关键突破改变了这一切：Stable Diffusion（潜在扩散模型，LDM）。

它的核心洞察非常聪明：大多数像素信息对"理解图片内容"来说都是冗余的。

想象一下，你看到一张"红色苹果"的照片。你真正需要理解的是"苹果"这个语义概念和"红色"这个属性，至于照片中苹果表面的每一颗微小水珠、每一丝纹理——这些细节对"理解"来说并不重要，它们只是"感知层面的噪声"。

Stable Diffusion的做法是：先把图片"压缩"到一个小得多的潜在空间（latent space）中，在这个"压缩版"的空间里进行扩散和去噪，最后再把结果"解压"回高分辨率图片。

这就好比：你要修复一栋楼，不需要对每一块砖头都做精细处理，而是先画一张设计图，在图纸上修改，再按图纸施工。

这个"先压缩再生成"的思路，让计算量降低了5到10倍。原本需要数百个GPU天训练，现在普通显卡也能跑；原本需要几分钟生成的图片，现在几秒钟就能完成。

这也解释了为什么Stable Diffusion能成为开源社区最受欢迎的模型——因为它让每个人都能在自己的电脑上运行AI图像生成。

第五章：扩散模型改变了什么

扩散模型的影响，远远不止"生成好看的图片"这么简单。

第一，它让创意变得"零成本"。 过去，做一张高水平的视觉设计需要专业技能和大量时间。现在，你只需要"描述"——文字就是你的画笔。这不仅是效率的提升，更是创意表达权的民主化。

第二，它开启了"从文本到一切"的时代。 扩散模型的思路被迅速扩展到视频生成（Sora、Video LDM）、3D内容创建（DreamFusion、Point-E）、音乐生成、分子设计，甚至蛋白质结构预测。它的底层逻辑——“从噪声中逐步恢复结构”——被证明是一种极其通用的生成范式，适用于几乎所有类型的"结构数据"。

第三，它正在改变我们对"创造"的理解。 当AI能从随机噪声中"涌现"出清晰的图像，我们不得不重新思考：什么是"创造"？什么是"想象力"？AI的"创造"和我们人类的"创造"有什么本质区别？

当然，扩散模型也有它的局限。它生成的图像可能存在逻辑错误（比如手指数量不对），它需要大量计算资源，它对"微小细节"的把控还不够精准。但每一项局限，都在被后续的研究快速攻克——一致性模型实现了单步生成，ControlNet实现了精确控制，Video LDM实现了高保真视频生成。

尾声：从噪声中看见世界

今天的你，打开手机上的任何一个AI绘画App，输入一句话，等待几秒钟——一张以假乱真的图片就出现在你眼前。

你看到的是"结果"，但你没有看到的是：在这几秒钟里，AI经历了一次"从混沌到秩序"的完整旅程。它从100%的纯噪声开始，经过了数十步"去噪→评估→再去噪"的迭代，最终"显现"出了你想要的画面。

这个过程，像极了人类创造的本质——从混沌中寻找秩序，从噪声中提取意义，从不确定中浮现确定。

也许，这就是扩散模型最迷人的地方：它不仅仅是一个技术工具，它还无意中揭示了"创造"本身的一个底层模式——任何创造，本质上都是从"噪声"中"分化"出"结构"的过程。

而AI，只不过把这个过程加速了。

参考文献：

Ho, J., et al. (2020). Denoising Diffusion Probabilistic Models. NeurIPS 2020. 论文链接
Rombach, R., et al. (2022). High-Resolution Image Synthesis with Latent Diffusion Models. CVPR 2022 (Oral). 论文链接
Dhariwal, P., & Nichol, A. (2021). Diffusion Models Beat GANs on Image Synthesis. NeurIPS 2021 (Spotlight). 论文链接
Song, Y., et al. (2021). Score-Based Generative Modeling through Stochastic Differential Equations. ICLR 2021 (Best Paper). 论文链接
Song, Y., et al. (2023). Consistency Models. ICML 2023. 论文链接
Ho, J., & Salimans, T. (2022). Classifier-Free Diffusion Guidance. NeurIPS 2021 Workshop. 论文链接

AI生成 on 灵语AI