你肯定见过 AI 画的图。你输进去一句话，几秒钟，一张以前世界上根本不存在的画，就出现在你面前。你有没有想过一个特别朴素的问题：它到底是怎么画的？是不是像个画家那样，先勾个轮廓，再一笔一笔上色，最后描细节？
我跟你说，完全不是。真相要古怪得多，也漂亮得多。今天最厉害的那些 AI 画图工具、AI 出视频工具，背后基本都是同一套办法。它们画图的方式，不是从一张白纸开始往上加东西，而是从一团乱七八糟的雪花噪点开始，一点一点把不要的东西擦掉。它擦着擦着，一张清清楚楚的画，就从那团雪花里浮现出来了。这套办法，有个名字，叫扩散模型，英文 Diffusion Model。
米开朗基罗那把钥匙
要讲清楚扩散模型，先讲一个老故事。关于文艺复兴的雕塑大师米开朗基罗，一直流传着这样一个说法：相传有人问他，你是怎么雕出大卫这种神作的？他的回答特别狂，也特别深刻——大卫本来就在那块大理石里，我只是把多余的石头去掉而已。
这句话听着像在凡尔赛，但它恰恰就是理解扩散模型的那把钥匙。AI 画图，干的就是米开朗基罗这件事。只不过，AI 面前那块大理石，不是石头，是一整块纯粹的、随机的雪花噪点——就是你小时候电视没信号时，屏幕上那种密密麻麻、跳来跳去的雪花点子。
你想象一下，AI 面前摆着这么一整屏幕的雪花。你跟它说，我要一只戴着宇航员头盔的橘猫。然后 AI 就开始干活了。它盯着这团雪花，问自己一个问题：如果这团乱码里，真的藏着一只宇航员橘猫，那我应该擦掉哪些点、留下哪些点？它擦一遍，雪花淡了一点，画面里隐约有了个模糊的轮廓。再擦，再擦，擦个几十轮，那只戴着头盔的橘猫，就清清楚楚地从雪花里显影出来了。
注意这个词：显影。年纪大一点的朋友都记得，以前洗照片，是把相纸泡进一盆显影液里。刚泡进去的时候，相纸上什么都没有，白茫茫一片。然后影像就慢慢地、一点一点地从那片空白里浮上来，越来越清晰，最后定格成一张照片。扩散模型画图，就是这种感觉——不是凭空画出来的，是从混沌里慢慢显影出来的。
前向扩散：先学会怎么把画毁掉
你心里一定立刻冒出一个问题：凭什么？AI 凭什么知道该擦掉哪个点、留下哪个点？米开朗基罗是练了一辈子才知道怎么下凿子的，AI 这本事是哪儿来的？
AI 学这门手艺的办法，说出来你会觉得有点反常识：它是先学会怎么把一张好好的画给毁掉，然后再倒着放。
研究人员手里有几亿张真实的图片——猫、狗、风景、人脸，什么都有。他们拿出一张清清楚楚的猫的照片，然后干一件看起来很无聊的事：往上面撒一点点雪花噪点。照片有一点点糊了。再撒一点，更糊了。就这么一遍一遍地撒，撒上几百上千遍，最后这张猫照片，被彻底糟蹋成了一整团纯粹的雪花，再也看不出原来是只猫。
这个把好图一步步糟蹋成雪花的过程，就叫前向扩散，说白了就是加噪。扩散模型这个名字里的「扩散」，就是从这儿来的——好像一滴墨水滴进清水里，慢慢扩散、晕开，最后整杯水都均匀了，再也分不清哪滴是墨水。
模型学的不是画画，而是预测噪声
那加噪有什么用呢？关键在这儿。在加噪的每一小步里，研究人员都偷偷记下来一件事：我这一步，到底撒了哪些噪点上去？然后，他们就拿这几亿张图、几亿次加噪的全过程，去训练一个 AI——就训练它一件事，而且只有这一件事：给你看一张被撒了噪点的、有点糊的图，你来猜，刚才这一步，到底是哪些噪点被撒上去的？
这是整个扩散模型的命门，一定要记住：模型从头到尾，学的不是怎么画画，它学的是预测噪声——猜出一张图上多出来的脏东西到底长什么样。
你可能会想，这也太笨了吧，猜噪点有什么用？用处大了。如果 AI 能准确猜出一张糊图上多出来的噪点是什么，那它把这些噪点一减，不就得到一张更干净、更清楚的图了吗？这一下子，它不就会去噪了吗？
反向去噪：魔法发生的瞬间
这就是魔法发生的瞬间。学的时候，是顺着来，把好图一步步加噪、糟蹋成雪花。用的时候，是倒着放，把这套去噪的本事反过来用。你直接丢给它一整团全新的、谁都没见过的雪花，它就一步一步地猜噪点、减噪点，一步一步地去噪，最后愣是从这团随机的雪花里，去出一张全新的画来。这个倒着走、把雪花变回图画的过程，就叫反向去噪。
所以你看，米开朗基罗那句话，现在是不是有了全新的意思？AI 不是在雪花里凭空创造一只橘猫，它是把不属于这只橘猫的噪点，全都当成多余的石头，一点一点凿掉。剩下的，自然就是那只橘猫了。
提示词是你伸进雪花里的那只手
讲到这儿，还差最后一块拼图：那你输进去的那句话，那个提示词（prompt），到底是怎么管用的？
如果只让 AI 自己对着一团雪花瞎去噪，它确实能去出一张图来，但去出来的是什么它说了不算，可能是只猫，可能是棵树，全凭运气。所以我们得在它去噪的每一步，都凑到它耳边提醒一句：喂，你现在去的这张，得是一只戴着头盔的宇航员橘猫啊。
你输入的那句提示词，就是这个全程在它耳边念叨的导航。AI 在猜噪点的时候，会一边听着你这句话，一边猜——专门朝着更像你那句话的方向去擦。你这句话描述得越准、越具体，它擦的方向就越明确，最后出来的图就越接近你脑子里想的那个东西。这个机制有个专门的名字，叫文本条件——用文字这个条件，去约束、去引导那团雪花，让它往你要的方向显影。
这下你大概也明白了，为什么那些玩 AI 画图玩得溜的人，特别讲究提示词怎么写。因为提示词不是个可有可无的标题，它是你伸进那团雪花里的唯一一只手。你描述得潦草，AI 就只能瞎猜；你描述得到位，它才能精准地把你想要的东西从混沌里凿出来。
扩散模型为什么取代了 GAN
也许你还听过另一个名词，叫生成对抗网络，英文缩写 GAN，那是扩散模型之前，AI 画图的老办法。老办法 GAN，是搞两个 AI 互相较劲：一个拼命造假图，一个拼命挑毛病，逼着造假的那个越来越逼真。这思路很聪明，但有个老毛病——这俩 AI 经常吵架吵崩，训练特别不稳定，一不留神就翻车，而且画来画去容易钻牛角尖，花样不多。
扩散模型就老实多了，也稳得多。它不搞对抗，就埋头干一件最朴素的事——猜噪点、去噪点。一步一步、慢慢悠悠地把图磨出来。正因为它的活儿这么简单、这么专一，所以训练起来又稳又好教，画出来的东西又清楚又多样。这就是为什么这几年 AI 画图的水平像坐了火箭一样往上窜——底层那套老办法，被换成扩散这套更靠谱的了。
从画图到出视频
扩散模型这个想法，最早是从物理学里借来的，灵感来自墨水在水里扩散这种自然现象，早在 2015 年，就有人提出了它的雏形。但真正让它一鸣惊人的，是 2020 年的一项关键研究，正是它把「预测噪声」这个又简单又好用的办法给定了下来，扩散模型才算真正登上舞台。
研究人员后来发现，既然能从雪花里去出一张图，那能不能去出一连串连贯的图，连起来不就是视频了吗？于是这套去噪的办法，就从画图扩展到了出视频。你现在看到的那些惊艳的 AI 视频，让一张照片动起来、凭一句话生成一整段画面，背后用的，还是扩散这同一套从混沌里显影的思路。
懂原理的人指挥 AI，和不懂的人差的不是一点半点
你看完这期，肯定不会自己去训练一个扩散模型，也完全没必要——这是少数顶尖工程师的活儿。但你现在懂了它的脾气，这才是真正值钱的地方。你知道了 AI 画图不是在白纸上作画，而是在一团雪花里听着你的话做雕刻。那么下次你再用这些工具的时候，你就不会再随便扔一句橘猫进去，然后抱怨它画得不像了。你会明白，你说的每一个字，都是在给那只凿石头的手指方向。
这就是 AI 时代普通人最该握住的那根杠杆：你不需要变成那个造工具的工程师，你只需要搞懂工具的原理，然后学会怎么把话说清楚、怎么精准地指挥它。懂原理的人指挥 AI，和不懂原理的人胡乱试，差的不是一点半点。
最后给你留个问题琢磨琢磨：如果 AI 画出来的每一张图，本质上都是从一团随机的雪花里去噪去出来的，那这世界上其实藏着无穷无尽、还没被任何提示词唤醒的画面，它们都还静静地躺在那些雪花里。那么，当一张以前从不存在的图，被你的一句话第一次显影出来——这到底算 AI 的创造，还是算你的创造呢？
📺 更多元知识视频，搜索 Wiki4What | 🌐 blog.wiki4what.com