人工智能ai绘画技术是什么原理？从噪声到成图的拆解

人工智能ai绘画技术这几年的跃进，很多人用"魔法"形容，但底下跑的东西相当朴素：一套叫扩散模型的数学流程，加上海量图片喂出来的视觉经验。把这层纸捅破，你用工具时会踏实很多，遇到翻车也知道该往哪儿找原因。

从雪花点开始：扩散模型在干什么

扩散模型两步走：训练时给图片逐层加噪，学会预测并去掉每层噪声；出图时从纯噪声开始，按提示词方向逐层去噪，浮出成图。

训练阶段像教小孩认东西的反操作：拿一张照片，往上撒一层淡淡的雪花点，再撒一层，撒到几十层之后整张图彻底变成电视雪花屏。模型的任务是从轻到重，练习把每一层的噪声猜出来、去掉它。练了几十亿遍之后，它对"图该长什么样"有了一套概率直觉。

出图就是把这套直觉倒过来放。起点是一张纯噪声，模型按你的提示词指的方向，一层一层把"不该有的噪声"抹掉。你在工具里看到的进度条，本质就是去噪的层数。步数调低图会糙，就是抹的次数不够，噪声没擦干净。

2022年下半年开源模型铺开之后，这套技术从实验室落到了普通人手里，算力门槛一路降到现在手机云平台都能跑。原理从那时到现在没有翻天覆地的变化，变的是训练数据、模型规模和细节控制的手法。

提示词是怎么被"听懂"的

文本编码器把提示词变成一串向量，充当去噪过程的路标。词写得越具体，路标越清晰，图偏得越少；全是虚词，模型只能自由发挥。

模型不认识汉字也不认识单词，中间有个翻译官叫文本编码器，把你的句子转成一串数字向量。每个词的向量都带着它在海量图文里攒下的关系网——"羽扇"连着白色、羽毛、诸葛亮那些联想。你的提示词就是给去噪过程指路的一组坐标。

这也解释了写词的门道。"超高清、杰作"这类词不是没用，而是信息量太薄，路标立了一根光秃秃的杆子；"红金古风战裙，广袖，层叠裙摆"是实打实的坐标，模型知道往哪儿走。我早期写词爱堆形容词，图出来总差点意思，把虚词换成实物描述之后，出图的命中率立刻不一样了。

为什么像人画的，又为什么老崩

出图像人画，模型学的是千万张图里的视觉规律，不是死记图片；手部老崩，手的姿态变化太多、训练里常被遮挡，规律最难学。

很多人担心"模型是不是在拼贴训练图"，方向搞反了。它记不住也不储存原图，学到的是规律：光从哪儿来影子往哪儿落、皮肤在逆光下是什么色、布料垂坠的褶皱走向。所以它能画出从没存在过的构图，可一旦你的提示词把它没见过的组合硬凑在一起，规律之间打架，图就开始诡异。

手指是老生常谈的崩点，原理上一点不冤：手有二十多个关节，姿态千变万化，照片里还经常握着东西、只露几根手指，规律碎得没法学。脸就不一样，人人都要露、姿态相对固定，模型练得滚瓜烂熟。知道这个，你就明白为什么修手要靠局部重绘单独来——这不是玄学，是短板补短板。

我自己的体会：把模型当成一个"规律很强、常识为零"的画手，预期就摆正了。它不知道世界上猫有几条腿这种事实，它只知道图里的猫通常怎么长。数量、文字、逻辑关系这些要靠数的东西，出了错别怪它，它真不识数。

这项技术的边界在哪

边界也很清楚：不懂真实事实，数不清具体数量，画不好文字；涉及照片和真人形象时还有版权与肖像的雷区，用前先想清用途。

头一条边界是真实事实。让它画"新闻现场"，出来的图看着像那么回事，细节全是编的，拿去当纪实素材就是造假。这也是我一贯的用法分界：创作和示意交给它，记录和证据交给相机，两者别混。

第二条是真人肖像。技术发展到今天已经能做到一眼难辨，可真人脸牵扯肖像权，公共人物的形象还有额外麻烦。我给自己画像、给朋友画卡通头玩没问题，拿别人的脸去产出东西，这条线我劝谁都别碰，跟技术无关，跟人有关系。

绕回开头那句"还原游戏"：ai绘画的全部魔法，就是加噪和去噪这两个互为镜像的动作，加上一整个互联网的视觉经验。懂了原理，你会对它宽容一点，也会警惕一点——该它干的活它干得飞快，不该它碰的边界，得自己把着。

常见问题

模型训练时是不是偷存了网上的图？

不是存图，是存规律。训练后模型本身只有几个G的参数，装不下千万张原图，它记住的是统计出来的视觉特征。不过训练数据从哪来、有没有获得授权，确实是行业还在吵的版权问题，使用者心里要有数。

提示词越长，图就越准吗？

不是越长越准，是越具体越准。两百字里塞五十个形容词，不如五组清晰的实物描述。词太多还会互相稀释，模型挑着执行，反而失控。我的经验是一句话内三四个核心元素，多了分段轮流强调。

以后ai绘画会取代画师吗？

从原理看，它擅长的是按规律出图，不擅长从零决定"该画什么、想表达什么"。流程里的起稿、铺图、找参考它越来越能干，创意判断和审美把关还是人的活。会用的人把它当助手，不用的人多一道对手，区别在心态不在工具。