扩散模型：AI 画图是怎么从噪声开始的

AI 画图的主流方法叫扩散模型。本文用先打碎再学会复原的比喻解释两个方向：训练时不断往图片加噪声，生成时从纯噪声一步步去噪，说明它为何比早期方法更稳定，以及为什么需要多步迭代。

先把画弄脏，再学会擦干净

扩散模型的训练思路很反直觉：它不是直接学怎么画出一张图，而是学怎么把一张好图一点点加噪声，直到变成一片雪花点的纯噪声。每一步只加一点点，所以每一步的变化都很小、很好学。模型反复练习，掌握了每个噪声程度下该去掉多少杂点。

到了生成阶段，过程被倒过来：先随机生成一张纯噪声图，然后让模型一步步预测并去掉噪声，几十步之后，一团杂乱的像素逐渐收敛成一张清晰的图像。你看到的那些从雪花点逐渐变清晰的演示动画，正是这个过程的可视化。

文字是怎么参与进来的

如果只做去噪，模型只能随机画出它见过的某类图。要让画面符合你的描述，需要在每一步去噪时把文字的含义也考虑进去：模型一边看当前的图，一边参考文字提示，判断该往哪个方向收敛。也正因为如此，同样的提示词配上不同的随机起点，会得到完全不同的画面。

这就是为什么提示词里的形容词、风格词、构图词会明显影响结果。也解释了另一个现象：提示词的顺序与权重会改变画面，因为它们在每一步都被反复参考，而不只是在开始时读一次。理解这一点，就能明白提示词的微调为何会带来明显的画面变化。

为什么它取代了前辈

在扩散模型之前，生成图像的主流方法是对抗式训练，效果不错但训练过程容易失控，出现模式崩溃，即模型反复输出几乎一样的图。扩散模型的训练目标明确、过程稳定，对复杂分布的学习能力更强，因此很快成为主流。

它的代价是慢：生成一张图要走几十步去噪。近年大量研究都在做加速，包括减少步数、在低分辨率的压缩空间里计算等，让普通显卡也能在几秒内出图。今天出图速度的明显提升，很大程度上就来自这些工程上的改进。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。