AI 画图的秘密：扩散模型如何从噪点里变出图片

导语：在输入框里打一句“雪山下的湖泊，日落时分”，几秒钟后一张像模像样的图就出来了。这中间发生了什么？AI 并不是从库里“找”了一张图，而是从一团纯粹的噪点开始，一步步“擦”出了一张画。这套魔法背后的主角叫扩散模型。

先学“毁图”，再学“救图”

听起来有点反直觉：让 AI 学会画图，第一步居然是教它毁图。训练时，程序拿来一张清晰照片，往上加一层轻微的噪点，再加一层，再加一层……重复几十上百步之后，照片彻底变成了一团雪花噪点。这个“逐渐变模糊”的过程，就是“扩散”这个名字的由来——很像一滴墨水在水里慢慢散开。

在加噪的每一步，模型都在旁边看着，任务是预测“这一步加了什么噪点”。练了几百万张图之后，它对“一张图怎么一步步变坏”了如指掌。而真正的魔术在于：这个过程完全可以倒过来走。如果模型能准确预测每一步加了什么，那从一团纯噪点开始，一步步减去预测出的噪点，就能反向还原出一张清晰的图。

当然，倒着走到底不会还原出原来那张照片——起点是随机噪点，中间每一步的选择也有很多种可能。模型只是保证每一步都“往一张合理图片的方向”靠近。于是最终得到的是一张全新的、符合图像世界规律的图，而不是训练集里某张图的复读。

文字是怎么“指挥”画面的

只有去噪能力还不够——那样只会生成一些“平均意义上像照片”的图，你想要的雪山湖泊它完全不知道。这就需要文字来引路。你输入的提示词会先经过一个把文字和图像“对齐”的模型：它在训练中见过海量成对的“图片和描述”，学会了把一句话变成一串图像空间里的引导信号。

生成时，去噪的每一步都会被这个信号拉着走。可以把去噪过程想象成在浓雾里雕塑：模型每一步都把石头削掉一点，而你的文字描述就是那张设计图纸，告诉它削往哪个方向。描述越具体，指引越强；“雪山、湖泊、日落”这样的词，会在几千步的累积中把画面一步步推向最终的样子。

这也解释了两个常见现象。一是为什么提示词里写关键的词有效——它们是持续拉着整个画面的“主缰绳”。二是为什么有些细节怎么调都改不好——因为去噪是整体推进的，早期几步定下的大轮廓，后期的小修小补已经很难推翻。

为什么同样的提示词，每次画得不一样

起点的那团噪点是纯随机的，这是每张图都不一样的根源。两次生成，相当于从雾里两块完全不同的石头开始雕，虽然图纸相同、刀法相同，成品必然有差异。有些工具会提供“种子”设置：固定种子就是固定了起点的噪点，同样的提示词就能得到几乎一样的图。想微调一张满意的图，就把它当时的种子记下来。

另外，“步数”这个常见参数也值得理解：去噪是一步步走的，步数太少，噪点没擦干净，图上会残留脏斑和怪纹理；步数太多，画面早已定型，多走的部分基本是浪费时间。所以默认步数往往是画质和速度权衡后的结果。

至于“AI 有时会画出六根手指、两只左手”的老毛病，根源也在这个机制里：模型学的是图像的统计规律，而不是真正理解“人有两只手”。当画面复杂、遮挡多时，去噪过程可能走出一个局部合理但整体荒谬的结果——这也是各家持续在改进的方向。

从“能画”到“能控制”

早期的扩散模型只能听提示词，画什么全看模型心情。后来人们给它加上了越来越多的“缰绳”：可以指定画面布局的线稿控制、可以保持角色长相一致的角色参考、可以局部重绘的涂抹工具。这些技术本质上都是在去噪过程的不同环节插入额外的约束信号，让“从噪点里长出图”这个随机过程变得更听话。

理解了扩散模型“逐步去噪”的本质，很多使用技巧就变得好懂了：为什么负面提示词（告诉它“不要画什么”）有效——那是给去噪方向加了一道反向的力；为什么图生图（拿一张已有照片微调）有效——那是从一个“半成品”而不是纯噪点开始走，起点越清晰，成品越接近原图。

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。