AI绘画写真原理通俗版：一张图是怎么从噪声里被雕出来的

AI绘画写真到底是怎么"画"出来的？这个问题我被圈外朋友问过八次——开奶茶店的同学、做会计的表姐、刚退休的老爸，还有画室开放日凑过来的五个访客。前三次我拿术语讲，什么去噪、什么潜在空间，讲完对方的表情从好奇变成礼貌。后五次换了讲法，五个人里四个当场追着问提示词怎么写，剩下一个追着问"那它算不算偷"。这篇就把后五次那套讲法原样搬过来。

先给我的判断：AI不存图、不拼图，它从噪声里"雕"画。这一句接受下来，后面全是顺理成章的细节。

先拆最要命的误会：AI不是从图库里拼图

AI绘画写真不是挑图拼贴：训练时模型看过几百万张图片和配文，学到的是各种图共同的长相，它的参数里不存任何一张完整原图。这一条想通了，伦理焦虑先少一半。

训练阶段发生的事很朴素。工程师往模型里喂几百万张图，每张配一句文字说明，然后反复玩同一个游戏：把图打回雪花般的杂讯，让模型猜"这团乱码原本更像什么"，猜错就调参数，这样过上几百万轮。几百万轮下来，它记住的是规律：皮肤有纹理、天空在画面上方、黄昏偏暖、手指多半五根。全是规律，没有图片。

拿我自己打比方。学画头两年我临过上百张图，今天让我凭空默画一个窗边看书的少女，画得出来，可我脑子里并没有哪张原图的拷贝可翻，能调用的只有构图和光影的规律。模型干的是同一件事，只是它"临"的量是我的一万倍，而且它没有手，规律直接落在参数里。

有名画和电影截图它画得特别像，道理也一样——见得太多，规律背得滚瓜烂熟。你让它复现硬盘里某张具体的照片，做不到，那张照片在参数里压根不存在。图库假设错就错在这：图库是存了再取，模型是把几百万张图压成规律，取无可取。

出图那十几秒，机器到底在忙什么

AI出一张写真分三步：从一团纯随机噪声起步，按学过的规律一步步擦掉噪声，提示词在每一步把方向往你描述的样子上掰。三步走完，雪花屏就换成了人。

起点是一团纯随机噪声，就是老电视没信号时的雪花屏。这一步没有任何画面信息，纯靠摇号，摇出什么样就是什么样。

真正的"画"从第二步开始。模型盯着这团杂讯，只干一件事：猜哪里太噪、底下该藏着什么，然后轻轻修一点。修完再猜，再修。市面工具的默认步数大多在二十到五十之间，每一步改动都很小，像雕刻师傅下凿子，一刀只削一层皮，几十刀之后石纹里才露出人形。你点生成后盯着进度条走的那十几秒，里面就是这几十刀。

提示词在干嘛？导航。每修一步，模型都拿你的文字当参照，把修改方向朝你描述的样子偏一点。你写"夕阳海边的白裙写真"，它每一步都往暖色调、海面反光那个方向擦。写得太虚，它就往"人类图里最常见的样子"擦——老手劝你提示词写方向、别写成许愿池，道理就在这。

那为什么同一句话每次出图都不一样？起点随机。两团不同的雪花屏，一路擦出来的终点自然不同，同一张设计图纸交到两块纹理不同的大理石上，凿出来的人像也不会逐像素重合。我拿同一组提示词连roll过十次，人物脸型能看出明显差别的有六七次。想把同一张脸摁住是另一门手艺——锁种子、垫图、练卡，我写过专门的实测：LoRA怎么影响AI绘画模特的脸。

三个流传最广的误会，摆一张表里说透

误会共三个：AI不是拼图库，AI不懂美，模型越新也未必越听提示词的话。前两个讲完原理自破，第三个最反直觉，单独说。

第二条我多聊两句，它最容易骗到人。模型出的是"人类审美的平均值"，平均水平稳，惊喜没有。我出十张街拍构图的写真，能直接交稿的常驻两三张，剩下七八张是那种说不出哪里不对、就是平的图。挑图这一步省不掉，工具再新也省不掉——好图是挑出来的，这句是我带新手时说得最多的一句。

第三条我有现成的对照。同一句怪提示词"逆光的鱼在天上飞"，旧版模型老实画了条鱼悬在半空，新版多给我加了飘动的水痕和一整条河——它见过太多正常图，会把离谱组合往它认为合理的方向修。句子理解能力上新版确实进步不小，服从性反而松了。聪明和听话是两码事，这是我用下来最真实的一条感受。

回到表姐那个问题。这套比喻讲完，她没再提图库，末了冒出一句：所以它像是个把全世界的画都临过一遍、手上没准头、你说往哪凿它就往哪凿的学徒？我说对，就是这话。原理讲明白了就一句话的事，讲不明白才需要术语。下次再有人问你AI绘画写真是怎么画出来的，把雪花屏和雕刻这两个词甩过去，够了。

常见问题

AI绘画写真同一句话能生成两张完全一样的图吗？

默认不能。起点噪声每次随机摇，一路擦的终点就不同。想复现要锁种子，就是工具里叫seed或随机种子的那串数字，同样的种子配同样的提示词和步数，出来的图才会逐像素一致。

为什么AI画手指经常翻车？

手在训练图里常年以握东西、被遮挡、运动模糊的形态出现，五指摊开正对镜头的干净样本占比小，这块规律学得不扎实。新版模型好了不少，手指交叠的角度一多照样崩，出完图先看手再看脸。

训练图里没出现过的人，AI凭什么也能画出来？

凭规律。它不检索某个具体的人，而是把人类长相拆成五官比例、肤色分布这些规律，再按提示词重新组合。画出来的陌生人总觉得眼熟，是平均脸效应，不是它认识这人。

提示词是不是写得越长越细越好？

不是。接着用导航的比喻：路标太多，模型会在半路抢方向。我的习惯是主体、风格、光线三段，几十个词收住，细节出完图看哪里缺再逐轮补。

延伸阅读

• AI绘画写真教学第一课：零基础90分钟从注册到出第一张图——原理懂了就该上手，这篇掐着表把第一张图的流程走完。
• AI生成模特三条技术路径的底层区别：凭描述画、照着改、按骨架摆——把"从噪声擦图"这一条原理延伸成三种实际玩法。