AI绘画的工作原理是什么？生成机制科普

搞懂ai绘画的工作原理这件事，我拖了大半年才正经做。老实讲最早觉得原理是搞研究的人才看的，我出图就完了。后来越调参越懵——为什么步数加到60反而不如30？为什么CFG调到12图就崩？为什么同一段词换个底模型出图差那么多？等我把扩散模型那一套啃明白，调参才从"瞎试"变成"有依据地改"。这篇用大白话讲原理，不讲公式，讲怎么用它出更好的图。

先破一个最普遍的误解

AI绘画不是从图库里搜图拼图，是模型从随机噪声一点点"雕刻"出全新图像，每张都是现算现生成的。

我身边不少人，包括早期我自己，都以为AI绘画是"输入关键词，模型去素材库找匹配的图拼一张出来"。错得离谱。真相是模型根本没存具体图，存的是"图像的统计规律"。你给一段提示词，模型从一个纯随机噪声开始，一步步把噪声去掉，去掉的过程中按提示词引导方向，最后剩下一张没噪声的清晰图。整个过程是现算的，所以同样提示词换个随机种子，出图完全不一样。搞懂这点就明白AI能画出训练集里没见过的画面——它不是在拼，是在生成。

这点和 AI如何绘画动漫风格出图全流程 讲的出图流程是配套的，原理懂了流程才不晕。

扩散模型到底在干什么

扩散模型分加噪和去噪两阶段，训练时学会怎么去噪，出图时从纯噪声一步步去噪还原图像，去噪步数就是采样步数。这是AI绘画的发动机。

训练阶段，模型拿一堆干净图，一点点往里加噪声加到完全看不清，同时学习"加了这么多噪声的图，原本长什么样"。出图阶段反过来——给一个纯随机噪声，模型按学到的规律一步步去噪，走完设定的步数（比如30步）就出一张完整图。这个去噪步数就是你在WebUI里看到的"sampling steps"。步数太少图还带着噪声没去干净，糊；步数太多边际效益递减，30到60步差别肉眼几乎看不出，但60步出图时间翻倍。我实测写实人像30步是甜点区，再往上加基本浪费算力。

这原理最早出自2020年那篇把扩散模型用于图像生成的论文，Denoising Diffusion Probabilistic Models 给出了完整数学框架，论文里把图像生成质量（FID指标）做到了当时最优。后来Stable Diffusion在这个基础上做了潜空间优化才让出图速度压到消费级显卡能跑。理解这个源头，调参就有底气了。

潜空间是什么为什么要用它

潜空间是压缩后的低维图像表示空间，模型在潜空间去噪而不是直接在像素空间去噪，能让计算量降一个数量级，普通显卡才跑得动。这是Stable Diffusion能普及的关键。

直接在像素空间做扩散，一张1024x1024图就是上百万像素，每步去噪都要算这么多点，算力爆炸。Stable Diffusion先用变分自编码器（VAE）把图压到小得多的潜空间——比如把1024x1024压成128x128的潜表示，信息量基本保住但计算量降到约1/64。模型在小空间做去噪，去噪完了再用VAE解码回像素空间给你看。

这条优化对调参的影响在哪？潜空间大小决定你能出多大图。我早期犯过傻，非要直接出2048大图，结果显存爆。后来懂了，潜空间有上限，想出大图要么分块要么先用低分辨率出再超分放大。理解潜空间，就明白为什么"高分辨率出图"经常报错、有些模型只支持512x512——是潜空间设计就这么大。

文本编码器怎么把词变成引导

文本编码器（CLIP或T5）把提示词转成一组条件向量，这组向量在去噪每一步告诉模型"往哪个方向去噪"，提示词写得准引导就准。这是提示词能起作用的原理根基。

你写的"a girl in red dress"模型不是直接读懂中文也不是逐字理解，是文本编码器把这串词变成数学向量，向量里编码了"女孩""红裙子"这些概念。文本编码器主流用CLIP这类模型，CLIP（维基百科条目） 是OpenAI搞的能同时理解图文的多模态模型，Stable Diffusion拿它当文本侧的"翻译官"。去噪每一步模型都看这组向量，决定往"更符合红裙子女孩"的方向走一步。提示词写得越准越具体，向量方向越明确，引导越强。

这也解释了反向提示词为什么有用——反向词生成的向量告诉模型"别往那个方向走"，比如反向词写"blurry, low quality"就是让模型避开糊和低质方向。提示词不是玄学，是给引导向量喂更准的信息。想抠提示词写法的看 AI头像绘画教程从提示词到出图，把词写对原理才能发挥作用。

CFG值到底在调什么

CFG scale是提示词引导强度，值越高模型越听提示词、出图越贴合但容易过饱和崩图，值越低越自由但容易跑偏，我实测写实人像6-7最稳。这是原理里最该搞懂的参数。

CFG全称Classifier Free Guidance，原理是去噪时让模型同时算两路——一路有提示词引导、一路没有，然后看两路差异往提示词方向偏一点。CFG值就是偏的幅度。值1表示完全不偏，模型完全自由发挥；值越高偏得越狠，出图越贴提示词。

但CFG不是越高越好。我试过CFG 15出人物，结果脸被提示词"拽"得过度饱和，色彩像HDR开爆，五官也拧巴。CFG太高本质是模型被逼着"过度贴合"，连不该贴的细节都硬凑，图就崩了。我的经验区间：写实人像6.5-7、二次元插画7-8、概念设计图5-6。理解原理后调起来就有方向——出图太死板往低调，太放飞往高调，不瞎试了。采样器同理，DPM++ 2M Karras这类算法更高效，同步数出图质量更好。

LoRA和底模的关系

底模是主模型决定画面基础风格和上限，LoRA是小补丁在底模基础上微调特定风格或角色，两者叠加使用，底模选错LoRA救不回来。这是用模型该懂的原理。

底模型是完整的大模型，训练花了海量算力和数据，决定画面整体风格。LoRA是Low-Rank Adaptation的缩写，原理是用很小的参数量在底模上"打补丁"，专门强化某类风格或角色。打个比方，底模是地基框架，LoRA是装修风格。

这关系对出图的影响很实际。我踩过坑——用二次元底模加写实人像LoRA想出写实脸，结果怎么调都是二次元皮写实骨，别扭。底模风格太强，小补丁的LoRA盖不住。正确用法是底模选对大方向，LoRA做风格细化。搞懂这层关系，选模型不再乱抓。

理解原理对出图的实际帮助

理解原理后调参有依据——步数知道卡在30、CFG知道写实6-7、潜空间知道为什么大图报错、提示词知道为什么具体词出图更稳，出图成功率能从一半提到八成。原理不是玄学是调参地图。

没搞懂原理前，我出图基本靠"复制别人的参数然后瞎改"，改了不知所以然，崩了也不知道为什么。搞懂之后，每次出图崩我都大概知道往哪查：图糊看步数够不够、色彩崩看CFG高不高、风格不对看底模选错没、跑偏看提示词具体不具体。理解原理还能识破唬人说法——有人说"AI绘画就是数据库检索"，懂扩散模型就知道是扯；有人说"步数越高图越精细"，懂边际效益就知道30步之后基本白加。原理是防忽悠底气。

想看AI绘画更宏观发展和争议的，参考 AI绘画发展现状与未来论述，把行业视角补齐。

常见问题

AI绘画会取代画师吗？

短期内不会取代，更像是工具。原理上AI擅长组合已知风格，原创突破和情感表达还得靠人。但它确实在挤压低端商业插画市场。

为什么同样提示词出图不一样？

因为出图起点是随机噪声，随机种子不同噪声就不同，去噪路径不同结果就不同。固定seed才能复现。

步数和采样器哪个对出图影响大？

采样器影响更大。好的采样器20步能出烂采样器40步的质量，步数到甜点区再加边际效益递减，采样器选对是前提。

原理这么复杂普通人能学会用吗？

能。原理不用学公式，懂"扩散去噪、文本引导、潜空间压缩"这三句大白话就够日常调参，剩下的靠实测攒经验。