你有没有在大雾天爬过山？一开始眼前白茫茫一片，什么都看不清；雾慢慢散开，先是隐约看见山的轮廓，然后是树林的颜色，最后连石阶上的青苔都清清楚楚。AI 画一张图的过程和这很像——只不过那场「雾」是它自己撒下的随机噪点，而「散雾」的本事，是它在海量图片上练出来的。
这一节不写公式，用几个生活里的类比，把扩散模型（Diffusion Model）从训练到出图的全过程讲清楚。看完你会明白：为什么同一句提示词每次画出来都不一样，为什么把某个参数调高画面会「用力过猛」，以及 AI 为什么曾经那么不会画手。
先搞懂一件反直觉的事：学「画画」，其实是学「去噪」
直觉上，教 AI 画画应该是给它看大量画作，让它学会一笔一笔地画。扩散模型走的却是一条反过来的路：先学会怎么把一张被弄脏的图擦干净。
训练时大致是这样做的：
- 拿一张清晰的图片，比如一只猫。
- 往上面撒一点点随机噪点（像老电视的雪花），图变得有点脏。
- 再撒一点，再撒一点……重复很多步，直到图片彻底变成一片毫无意义的雪花。这一段叫「前向加噪」，是事先设计好的固定过程，不需要学。
- 真正要学的是反方向：给模型看一张「撒了若干步噪点」的图，让它猜「这里面混进了哪些噪点」。猜对了，把噪点减掉，图就干净了一点。
模型在数以亿计的图片上反复练这一件事。练到后来，哪怕给它一张几乎全是噪点的图，它也能「看出」一点点结构的影子，并把它往更清晰的方向推一步。
小贴士：可以把它想成修复老照片的师傅。见过足够多的照片，哪怕底片发霉、划痕累累，他也能判断「这里原本应该是眼睛，那里是衣领」。
这个思路早在 2015 年前后就有研究者提出，2020 年前后效果有了大突破；到了 2022 年，基于扩散模型的文生图工具开始走进大众视野。
出图：从一片雪花开始，一步步「雾散山现」
学会去噪之后，生成图片就变成了一个很妙的过程：
- 先随机生成一张纯噪点的图。注意，这里面本来什么都没有。
- 让模型去噪一步：它把这片噪点往「看起来像一张正常图片」的方向推一点点。
- 再去一步、再去一步……传统做法通常要重复几十步，新一代的加速方法可以把步数压得很少。
- 最后雪花消失，一张世界上从来不存在的图出现了。
AI 绘画工具里常见的两个参数，正好对应这个过程：
| 参数 | 它在过程中的含义 | 调整后的典型效果 |
|---|---|---|
| 步数（Steps） | 去噪一共走多少步 | 太少可能粗糙、细节没长出来；多到一定程度后提升不明显，只是更慢 |
| 随机种子（Seed） | 决定最开始那片噪点长什么样 | 同一模型、同一提示词、同一种子和参数，通常能复现几乎相同的图；换种子就是换一张 |
这就解释了一个常见疑问：为什么同一句话每次画出来都不一样？ 因为每次的起点——那片噪点——不同。就像看天上的云，这次你看出一只兔子，下次云的形状变了，看出的兔子姿势也就不同。遇到一张构图满意、只想微调的图，记得记下它的种子。
文字是怎么「指挥」画面的
如果只会去噪，模型只能画出「某张看起来正常的图」，至于画什么全凭运气。让它听你的话，靠的是两样东西。
第一，把文字变成模型能懂的「坐标」。 你输入的提示词会先经过一个文本编码器，变成一串数字向量。整个系统在训练时见过海量「图片 + 文字说明」的配对，所以学会了「橘猫」「水彩」「逆光」这些词和画面特征之间的对应关系。
第二，在每一步去噪时都参考这串坐标。 模型去噪时会通过注意力机制（早期模型里常见的叫「交叉注意力」）不断回头看你的文字：这一块该往「猫毛」的方向长，还是往「窗帘」的方向长？于是同一片噪点，在「一只橘猫」的引导下会长出猫，在「一片麦田」的引导下会长出麦田。
还有一个关键技巧叫「无分类器引导」，在工具里常显示为 CFG、引导强度或提示词相关性。它有点像让模型同时打两份草稿：一份参考你的提示词，一份不参考。两份之间的差别，就是「你的文字带来的影响」；把这份影响再放大一些，画面就更贴合描述。
- 引导强度太低：AI 偏向自由发挥，可能不太听话。
- 引导强度太高：画面「用力过猛」——颜色过饱和、对比生硬、细节怪异。
- 一般先用工具的默认值，不满意时小幅调整。
很多工具里的「反向提示词」（写不想要的内容），原理也和这里有关：它在引导时扮演「往反方向推」的角色，让画面远离你列出的东西。不过并不是所有模型都支持这个功能。
为了画得快：在「压缩空间」里作画
一张高清图有几百万个像素，如果每个像素都反复去噪几十次，计算量非常大。2022 年前后流行开来的「潜空间扩散」想了个办法：
- 先用一个「压缩器」（常见的是 VAE）把图片压成一份小得多的「浓缩草图」，保留关键的结构和质感信息。
- 去噪的全过程都在这份浓缩草图上进行。
- 最后再用「解压器」把它还原成完整的高清图片。
就像建筑师先在小比例图纸上反复修改，定稿后再按比例施工，而不是直接在工地上搬砖试错。开源的 Stable Diffusion 系列就是这条路线的代表。近年来，越来越多模型还把负责去噪的网络换成了 Transformer 架构（也就是大语言模型背后的那类结构），让模型更容易做大，也更擅长理解长而复杂的描述。
注意：扩散并不是唯一的出图路线，也有一些新模型采用自回归（像写字一样一块一块生成）或混合路线。但理解了扩散，你就拿到了理解大多数 AI 绘画工具的钥匙。
用原理解释几个常见「怪现象」
| 现象 | 背后的原因 | 实用对策 |
|---|---|---|
| 手指多一根、少一根 | 手的姿势变化极多，在训练图里又常被遮挡，模型学到的是「手大概的样子」，而不是「手有五根手指」这条规则 | 换种子多出几张挑选；用局部重绘只修手 |
| 图里的文字成了乱码 | 模型学的是像素图案，早期模型并不真正「会拼写」 | 新模型已明显改善；文字尽量短，用引号括起来 |
| 描述越堆越多，画面反而乱 | 文字引导的「注意力」是有限的，太多或互相矛盾的要求会互相拉扯 | 抓住主体和关键特征，下一节教你结构化写法 |
| 同一角色每次长得不一样 | 每次都是从不同的噪点重新「长」出来的 | 固定种子，或使用参考图（第三节会讲） |
理解了这些，你就不会再把 AI 绘画当成「抽奖」。出图其实是「从随机起点出发，在文字引导下一步步去噪」：起点（种子）、走几步（步数）、听话程度（引导强度）、往哪走（提示词），每一项都可以有意识地去调。
本节要点
- 扩散模型训练时学的是「去噪」：看一张加了噪点的图，猜出噪点并去掉。
- 出图从一片纯随机噪点开始，经过多步去噪，画面逐渐「长」出来。
- 提示词被编码成向量，在每一步去噪中引导方向；引导强度过高会让画面「用力过猛」。
- 随机种子决定起点：同模型、同种子、同参数通常能复现，这也是每次结果不同的原因。
- 潜空间扩散先压缩再作画，大大降低了计算成本。
