从雪花屏到一只熊猫：AI 是怎么画图的？

一句话：AI 画图的核心思路反直觉得可爱——先学会怎么把一张好图弄脏，然后反过来做。训练时把清晰图片一步步加噪声直到变成雪花屏；生成时从一张随机雪花屏出发，按你的文字描述一步步「擦干净」。模型里没有存任何一张原图。

反幻觉声明：原理描述基于 2020 年的扩散模型论文（作者、年份已核实）。文中对「现代模型不全是经典扩散」的说明是为了避免以偏概全，未涉及任何厂商未公开的实现细节。

一、一个反过来的想法

假设我给你一个任务：教电脑画一只熊猫。

直觉做法是「教它怎么画」——先画圆，再画耳朵……但这条路走不通，因为「画得好看」这件事没法写成规则。

2020 年，三位研究者提出了一个反过来的想法¹：

与其教它怎么画，不如教它怎么「把画弄脏」，然后让它反着来。

这听起来像绕远路，但它有个巨大的好处：「怎么弄脏」是我们自己控制的，所以完全知道标准答案。

二、两个方向

训练阶段：往前走，加噪声

拿一张清晰的熊猫照片，加一点点随机噪点，再加一点，再加……重复几百上千步，最后变成一屏纯粹的雪花（就是老电视没信号那样）。

在这个过程中，模型被训练做一件很具体的事：看着「加噪后的图」，猜出「刚才加进去的噪点长什么样」。

因为噪点是我们自己加的，所以每一步的正确答案我们都有。这让训练变得非常好做。

生成阶段：倒过来走，一步步擦

现在反过来。给模型一张全新的、随机生成的雪花屏，让它一步步把噪点擦掉。

每擦一步，图就清楚一点点。擦几十步之后，一张之前从未存在过的图就出来了。

那你的文字描述在哪起作用？ 就在「往哪个方向擦」上。你说「一只熊猫」，模型每一步就往「更像熊猫」的方向去除噪点；你说「穿校服的熊猫在食堂打饭」，它就往那个方向擦。

三、破除三个误解

误解 1：「它是在图库里找一张图改一改」

不是。 模型文件里没有存任何一张训练用的图片。它存的是「怎么从乱码一步步逼近符合描述的图」这套本事。

证据很直接：同一句提示词，你每次生成的结果都不一样——因为起点那张随机雪花屏每次都不同。如果是在图库里找，结果应该稳定才对。

误解 2：「步数越多越好看」

不完全对。步数增加到某个点之后，收益会明显变小，但时间和费用是线性涨的。这也是为什么各家工具都会给你一个步数选项——不是越大越好，是要找那个拐点。

误解 3：「现在的画图 AI 都是扩散模型」

这条要特别提醒。扩散是 2020 年那套经典做法，但后来出现了很多变化：

• 有的把整个过程搬到一个压缩过的小空间里做（不直接在几百万像素上折腾），速度快很多
• 有的用了别的数学路线（比如 flow matching 那类）

所以严格说：现代的图像生成模型受扩散思想影响很深，但不都是教科书上那个经典扩散。看到有人斩钉截铁说「所有 AI 画图都是扩散」，可以在心里打个问号。

四、这解释了几个你可能遇到过的现象

五、一句话总结

它不是画家，是修复师——面对一团随机的噪点，按你的描述，一层层把「不像的部分」擦掉，直到剩下的东西看起来就是你要的。

下一次你输入提示词的时候，可以想象一下：屏幕背后有一张雪花屏，正在按你的话，一点点变清楚。