ai绘画之母指的是什么：不是人名，是喂大模型的那些数据集
直接给结果：ai绘画之母不是某个人，业内更愿意把数据集当成模型的母亲。没有那五十八亿图文对，扩散模型再好的算法也生不出图。想搞懂这个说法，得先去看数据集这条线。
ai绘画之母这个词，做科普编辑这几年我被读者问过至少五回，最近一回是10月上旬整理读者来信。我的答案一直是：它不是人名，也不该往某位女科学家身上安，真正配得上这个称呼的，是模型的训练数据。
这个说法有它的道理。算法论文换了一茬又一茬，真正决定模型长什么样、会什么画风、有哪些短板的，是喂进去的图文对。就像孩子的口味大多是家里吃出来的，模型的审美是数据集养出来的。
从一千四百万到五十八亿：数据规模的三次跳跃
数据规模的三次跳跃，对应着AI绘画从识别到生成的三道门槛，每一跳都把出图上限抬高一截。第一次是2009年的ImageNet，一千四百万张标注图片，教会模型认东西；第二次是2021年前后几亿级图文对出现，模型开始把文字和画面对上号；第三次是2022年3月LAION-5B发布，五十八亿对，生成式绘画的大门就这么被推开了。
细看第三次最有意思。LAION是个德国的非营利团队，干的活说穿了很朴素：从网页上扒图片和对应的说明文字，按对配好，开源放出来。2022年8月用其中一个二十多亿英文对的子集训练出的Stable Diffusion直接开源，所有人都能在自家显卡上跑，圈子就是从那个月变天的。
顺带把另外两个常见的数据源也交代一下。一个是2022年底出现的COYO-7亿对，韩国团队做的，不少开源模型拿它混着用；另一个是各家公司自建的闭源库，DALL-E和Midjourney这类没公开细节的，训练数据成分只能从出图风格倒推。开源和闭源两条路线，数据上的差距比算法上的差距更难追。
数据集不光决定能不能画，还决定画成什么样。我翻过一些用不同子集训练的开源模型的出图对比，用摄影向数据喂出来的模型，光影真实但画风死板；用插画向数据喂出来的，笔触灵动但手经常画崩。数据里有什么，模型就长什么，缺了就画不出来。
举个身边的例子：想让模型画中式的镂空木窗，通用模型十次有八次画成格栅贴图，纹样是死的。原因不复杂，训练数据里这类东西的占比太低，模型压根没学明白。后来有人专门收集古建筑照片做微调数据，出来才像样。
自己动手挑数据的人，我劝一句：只看数据集说明页没用。我做微调数据前抽了三百张样本人工过目，发现说明文字和图对不上的占了一成半，还有一成是重复图换了个描述。这类脏数据不过筛，训出来的模型坏习惯全是学来的。抽样这一步别省，半小时的活，能省后面几天的返工。
之母也是闹得最凶的地方：版权争议
数据集的来源问题至今没消停，2023年初起的多起诉讼把抓取式建库的老路逼到了墙角。2023年1月，图库巨头和几位画师先后在美国起诉，主张训练数据侵权；同年欧盟的AI法案也把训练数据透明度写进了条款。这些案子的进度时快时慢，但方向已经摆在那。
争议的核心说穿了就一句话：拿别人的图训练，算不算用？支持方说学习不等于复制，反对方说没有授权的规模化抓取就是白拿。两边都有道理，也都有各自的账要算，短期内谁也说服不了谁。
还有一页不太光彩的历史得提。LAION-5B因为混进了不该存在的违规内容，2024年8月整库下架清理，重做后才重新放出。这件事给所有做数据的人提了个醒：规模冲得太猛，质检跟不上，出事是迟早的。
所以现在新的趋势是授权数据和合成数据。有画廊跟模型公司签授权的，也有拿已授权素材再造数据绕开版权的。路数不一，但大家都在往能说清楚来源的方向挪。
回到开头：ai绘画之母这个说法，与其去安在某个人头上，不如记住数据集这条线。模型每一次风格上的进化、每一块短板，追到底都能在数据里找到出处。看懂了这一层，很多行业争论也就看明白了。
常见问题
ai绘画之母和ai绘画之父说的是一回事吗？
不是一回事。父系这条线讲的是AARON到扩散模型的人物和算法史，母系讲的是数据集，两条线在2022年前后汇合，才有了今天的样子。分开记更容易理清脉络。
那些公开数据集里真会有我发的照片吗？
有这个可能。LAION-5B是从公开网页抓的，只要图片带文字描述就有被收进去的概率。有学者做过查询工具，不少人查出了自己的照片。介意的话可以查一下，再用平台的移除渠道提交申请。
数据集越大模型就一定越好吗？
不是。规模到一定量级后，质量和配比的影响反而更大。五十八亿对里一半以上是低质量图文，真正撑起画质的可能不到十亿对。脏数据喂多了，模型还会学到一堆怪毛病。
普通用户需要关心数据集吗？
用的时候用不着，选的时候用得着。挑模型时看一眼训练数据的说明，基本能预判它擅长什么画风、哪些题材会崩，比挨个试错省时间。