AI绘画怎么形成的？生成原理科普

搞懂ai绘画怎么形成的，其实没你想的那么玄。老实讲我第一次听人讲扩散模型也是一头雾水，后来用大白话一拆就明白了——AI画画不是"想"出来的，是从一团乱码噪声里一步步"擦"出来的。

AI绘画形成的三个核心步骤

第一步文本编码把你的提示词变成数字向量，第二步加噪把训练图加上噪声，第三步去噪采样从纯噪声一点点还原出图像。

这三步串起来就是AI绘画形成的全过程。文本编码用的是CLIP这类模型，它把"a girl with red hair"这种文字翻译成一组数字（向量），这组数字就是AI能理解的"指令"。加噪是训练阶段的事——拿真实图片一步步往上撒噪声，直到变成纯雪花屏，模型记住"从图到噪声"的过程。去噪是出图阶段——反过来，从纯噪声开始，模型凭训练时记的规律一点点把噪声"擦"掉，擦出一张新图。

这就解释了为啥AI出图有随机性——起点噪声是随机的，擦出来的图就不一样。同一个提示词换seed值出图不同，就是这个道理。想系统学AI绘画的，先看 AI与绘画的关系 把大背景搞懂。

文本编码：提示词怎么变成AI能懂的东西

提示词经CLIP文本编码器变成一组768或1024维的向量，这组向量就是AI理解画面意图的"数学指令"。

AI不认字，它只认数字。你写的"a red apple on a table"，CLIP模型把它拆成token（词元），每个token映射到一个高维向量，整句拼起来就是一组描述画面的数学向量。这组向量决定了去噪过程往哪个方向"擦"——往苹果红、桌子、静物的方向擦，而不是往人脸、风景的方向擦。

这也解释了为啥提示词写太长会失效。CLIP对超长文本的理解能力有限，SD1.5的CLIP上限75个token，超了截断。SDXL用OpenCLIP扩到更长了，但也不是无限。我个人建议核心词放前面，权重高的词靠前写，靠后容易被模型"忽略"。

扩散模型：从噪声到图像的魔法

扩散模型分前向加噪和反向去噪两阶段，出图时模型从纯噪声开始，按文本向量指引反复去噪，每步去掉一点噪声直到还原出清晰图。

前向加噪是训练用的——拿真实图加噪声加到全雪花，模型学"噪声长啥样、图加噪后长啥样"。反向去噪是出图用的——从纯噪声开始，模型预测"这团噪声里哪部分是噪声、哪部分是图"，把噪声去掉一点点，重复几十次就还原出图。根据 维基百科扩散模型词条，这种基于概率的去噪过程是2020年DDPM论文提出后火起来的，现在主流AI绘画工具几乎都用这套路子。

步数就是去噪次数。步数太少，噪声没擦干净图就糊；步数太多，擦过头边际收益递减还费时间。我实测30步是SDXL的甜点——20步以下明显糊，40步以上和30步肉眼几乎没差，但出图时间多三分之一。

CFG值到底在控制什么

CFG（Classifier Free Guidance）控制去噪过程贴合提示词的程度，值越高越听话但越死板，值越低越自由但越容易跑偏。

CFG本质是"模型在多大程度上顺着你的提示词走"。它比较"有提示词指引的去噪方向"和"无提示词指引的去噪方向"的差异，放大这个差异让图更贴合你的描述。CFG 1就是完全不听你的随机出图，CFG 7-9是常用范围，CFG 15以上画面会过饱和、细节发硬甚至崩坏。

我反复试过，数字插画题材CFG 6.5最稳——色彩饱和但不刺眼，主体贴合提示词但不僵硬。写实人像CFG 7-8更好，要的就是贴合度高。抽象艺术可以降到4-5，让模型自由发挥反而出意外之喜。这就是懂原理的好处——知道每个参数在干啥，调起来有方向不瞎试。

想做出能识别AI出图真假的，参考 AI与传统绘画结合 把AI出图的特征摸熟。

采样器选哪个有讲究

采样器决定每步去噪的算法，DPM++ 2M Karras在大多数题材上平衡最好，Euler a出图偏柔和适合艺术风，DDIM偏硬朗适合写实。

采样器就是"怎么算每步去噪方向"的具体算法。不同采样器出图风格有差别——Euler a偏柔，画面有种朦胧感，适合插画、艺术风；DPM++ 2M Karras平衡，细节和色彩都中规中矩，是我的默认选择；DDIM偏硬，线条锐利，适合写实人像和产品图。这些差别我自己跑了几十组对比图才摸出来，不是看文档背的。

有个冷知识：有些采样器（如Euler a）是"祖先采样"，带随机性，同一个seed换采样器出图也不同。DPM++ SDE Karras也是这路。要出图稳定可复现，选非祖先采样器如DPM++ 2M，固定seed能复现。

LoRA和底模是怎么影响出图的

底模决定整体审美倾向和画风上限，LoRA是在底模基础上叠加的"风格补丁"，微调特定元素如服饰、角色、画风。

底模型号选错了后面全白搭。SD1.5老但生态丰富LoRA多，SDXL新出图质量高但LoRA少。选底模就是选"基础画风数据库"。LoRA是叠在底模上的小模型，训练时只学特定元素——比如一个汉服LoRA只学汉服形制，用的时候叠在底模上，出图就带汉服特征。权重一般0.6-0.8，太高出图崩，太低特征不明显。

想系统了解AI绘画工具生态的，参考 Stability AI 官网 看底模的迭代脉络。国内AI绘画行业现状可以看 AI与传统绘画结合 那篇，把工具和创作的关系讲得细。

懂原理后怎么少出废图

提示词核心词靠前写、CFG按题材调（插画6.5写实7-8）、步数卡30、采样器固定DPM++ 2M Karras，这四条卡准废图率降一半。

懂原理最大的好处是调参有方向。出图糊了知道是步数不够或CFG太低，色彩崩了知道是CFG太高，跑偏了知道是提示词权重不对。不用每次出废图就重写提示词从头试。我个人经验——先固定参数跑一组，看哪里不对再针对性调，比每次全调效率高十倍。

零基础出图流程不熟的，先过一遍 AI绘画动漫角色怎么画 把出图流程跑顺，再回头看这篇原理就通透了。想抠提示词写法的，参考 AI绘画描述词怎么写 那篇的词库。

常见问题

AI绘画是凭空生成还是抄袭现有图？

都不是。它是从随机噪声出发，按训练时学到的图像规律去噪还原出新图，不是直接拼贴或复制训练图。训练阶段学的是规律不是存图，出图是生成不是检索。

同一个提示词为啥每次出图不一样？

因为起点噪声是随机的。去噪过程从不同噪声出发，擦出来的图就不同。固定seed值能复现同一张图，不固定就每次随机。

步数越多出图越好吗？

不是。步数到了一定值边际收益递减，30步和50步肉眼几乎没差，但50步出图时间多三分之二。SDXL 28-32步是性价比最高的区间。

AI绘画原理和ChatGPT那种大语言模型一样吗？

不一样。大语言模型是预测下一个token的Transformer，AI绘画主流是扩散模型，做的是从噪声去噪还原图像。原理不同，但都靠大规模数据训练学规律。