AI绘画世界进化史：从早期到现在的技术跃迁

聊AI绘画世界进化这个话题，我自己是亲历者。从最早看GAN生成的四不像人脸，到现在一句话出商业级插画，这十年变化大到我偶尔会恍惚。今天把这趟进化史梳理清楚——不是流水账，是关键技术节点和它们对创作者的实际影响。看完这篇，你应该能明白为什么现在的AI绘画是现在这个样子。

第一阶段：GAN时代的糊脸怪兽

2014到2020年前后，AI绘画主要靠GAN（生成对抗网络），出图分辨率低、人脸扭曲、可控性差，但第一次让AI学会"凭空画"。GAN是2014年Ian Goodfellow提出的，核心是生成器和判别器互搏。这阶段最出圈的是2018年那个"AI画的肖像拍出43万美元"的新闻，现在回看那张图，说实话脸是歪的。GAN的问题在于训练不稳定，并且只能画它训练过的东西，想画个新概念基本没戏。但这一阶段奠定了"AI能创作"这个认知基础，意义大于技术本身。维基百科生成对抗网络条目对这段历史有详细记录。

第二阶段：扩散模型登场，画风突变

2020到2022年，DDPM论文把扩散模型带火，2022年Stable Diffusion开源把AI绘画从实验室推向大众，这一跳最关键。扩散模型的原理跟GAN完全不同——不是对抗，是逐步加噪再去噪。听起来绕，但效果是天壤之别。分辨率上去了，脸不崩了，最重要的是可控了。2022年8月Stable Diffusion开源是个分水岭，根据Stability AI官方公布的数据，SD1.4发布后几个月内下载量破千万，开源社区一夜之间涌现出上万个微调模型。这之前AI绘画是少数实验室的玩具，这之后是人人能玩的工具。我个人就是2022年9月入坑的，那时候模型还糙，但已经能看到可能性。

CLIP是怎么让AI听懂人话的

CLIP模型把图像和文本映射到同一向量空间，让AI第一次真正"理解"提示词，这是从随机生成到可控生成的基础。这个模型很多人不知道，但它是整个可控AI绘画的地基。OpenAI 2021年发布的CLIP，训练了4亿对图文，让"一只猫"这个词和猫的图像在数学上靠近。没有CLIP，扩散模型生成的图跟你输入的提示词毫无关系。有了CLIP，你写啥它画啥。这件事的影响是根本性的——AI绘画从"瞎画"变成"听指挥地画"。具体怎么用CLIP思维写提示词，SD提示词合集里有实操。

第三阶段：多模态大模型一句话成图

2023到2025年，DALL-E 3、Midjourney v6、即梦、可灵把AI绘画推到"自然语言直接对话"阶段，不用学提示词语法也能出图。这阶段的标志是提示词门槛大幅降低。以前写提示词像写代码——要分权重、要加括号、要懂token上限。现在DALL-E 3直接接ChatGPT，你用大白话说"画一个戴眼镜的女孩坐在窗边看书"，它就懂。这背后是多模态大模型把语言理解能力直接嫁接到图像生成上。代价是可控性反而下降了一点——你能用大白话说，但精细控制不如SD的权重语法。各引擎差异，美国AI绘画软件对比那篇对比得清楚，要精细控制选SD系，要省事选DALL-E 3。DALL-E 3的官方能力介绍在openai.com/dall-e-3。

算力和数据的暗中推手

算力（GPU算力涨了百倍）、数据（LAION等开源数据集几十亿张图）、算法三件事同时成熟，才有AI绘画的爆发，不是单一因素。聊技术跃迁不聊算力是耍流氓。2014年顶级显卡和2025年的H100比，算力差了两个数量级。数据更关键——LAION-5B这种几十亿规模的图文数据集开源，给训练提供了粮草。算法上，潜空间扩散（Latent Diffusion）把计算量降了一个量级，让SD能在消费级显卡上跑。这三件事少一件都不行，所以AI绘画爆发是2022年不是2016年——时机到了。这也是为什么AI绘画能转视频、能实时生成，算力账一算就懂，AI绘画转视频指南里讲过算力门槛。

开源生态和闭源产品的分野

开源（SD系、Civitai社区）走可控和免费路线，闭源（Midjourney、DALL-E）走易用和商用合规路线，两条路各活各的。这十年最热闹的不是技术，是生态。Stability AI把模型开源，Civitai社区贡献了海量微调和LoRA，形成开源飞轮。Midjourney走Discord订阅制，闭源但好用。两条路线服务不同人群——要深度定制、要本地部署、要不花钱，选开源；要省事、要商用授权清晰、要法律风险小，选闭源。我个人两条路都用，商业稿走Midjourney求稳，玩票和接定制走SD系求可控。模型从哪下、怎么挑，软件横评那篇有指引。

翻车史：那些被淘汰的技术路线

流模型、自回归图像生成、神经纹理等路线都曾被寄予厚望，最后都被扩散模型压过，技术路径不是线性的。这是我自己想加的一段。AI绘画进化不是直线，很多技术路线被淘汰了。比如自回归图像生成（类似GPT逐像素预测），理论上优雅，但速度慢到没法用。流模型曾被视为GAN的接班人，结果被扩散模型截胡。回看这些被淘汰的路线，能明白一件事——技术不是"谁更好"就赢，是"谁先在工程上跑通"就赢。扩散模型赢在工程成熟、开源早、社区大，不一定是理论上最优。这种历史教训，比单纯追新模型有价值得多。

未来三年的几个判断

实时生成、视频原生、端侧部署、版权合规化，是我看到的四个明确方向，创作者该提前布局。我不爱预测，但这几个方向比较确定。实时生成已经初见端倪，SD Turbo和LCM把出图压到1秒内；视频原生是下一个主战场，可灵和Sora在抢；端侧部署意味着手机本地跑大模型；版权合规化是创作者最该关注的——未来商用必须留痕、必须可追溯。我自己已经在调整工作流，每张商用图都留提示词和种子号，这是合规的前置准备。

常见问题

AI绘画会取代画师吗？

不会取代，但会重塑。低端的、模板化的商业插画需求会被AI吃掉，但高端定制、有个人风格、有故事感的创作反而更稀缺。画师的价值从"会画"转向"会想"。

学AI绘画要从哪个模型入手？

新手从Midjourney或即梦入手，门槛低、出图快；想深入学控制，再转SD系。模型选择参考软件横评那篇。

GAN和扩散模型现在哪个还在用？

主流绘画基本全是扩散系，GAN在特定领域（比如超分辨率、风格化）还有用武之地，但生成主体已经被扩散压过。

开源和闭源哪个未来会赢？

不会有一方"赢"，会长期共存。开源吃深度用户和成本敏感场景，闭源吃商用和易用场景，两个市场不重叠。

写完这趟进化史，我自己也复盘了一遍这十年的折腾。技术迭代很快，但创作这件事的本质没变——依然是人在想表达什么。工具换了又换，你想画的东西才是核心。如果你也是这趟进化的亲历者，把你最早的AI废图翻出来发社交平台晒一晒，对比现在的作品，那种感觉挺奇妙；这篇也转给刚入坑的朋友，少走点弯路，是我梳理这段历史的全部私心。