你的 AI 美圖是怎么造出來(lái)的？深度解析"無(wú)中生有"的魔法

一、創(chuàng)作的本質(zhì)：一場(chǎng)"去馬賽克"游戲

首先，我們要打破一個(gè)幻想：AI 并不是像人類畫家那樣，先畫輪廓，再上色，最后修細(xì)節(jié)。AI 的創(chuàng)作過程，本質(zhì)上是一場(chǎng)"找回記憶"的游戲，學(xué)名叫「擴(kuò)散模型」（Diffusion）。

想象一下，你有一張清晰的照片，然后你往上撒了一把沙子（加噪）。你看得稍微模糊了點(diǎn)。你再撒一把，更模糊了。你撒了 50 次之后，這張照片就變成了一堆毫無(wú)意義的隨機(jī)噪點(diǎn)，就像老式電視機(jī)沒信號(hào)時(shí)的那一屏"雪花"。

AI 干的事兒，就是學(xué)會(huì)把這個(gè)過程"倒放"。你給它一屏完全隨機(jī)生成的"雪花"（純?cè)肼暎⒅戳艘粫?huì)兒，說："哎？我覺得這堆噪點(diǎn)下面藏著一個(gè)宇航員。"然后它開始瘋狂計(jì)算，一步步把噪點(diǎn)拿走，把那張它"腦補(bǔ)"出來(lái)的宇航員還原出來(lái)。

這就是為什么早期的 AI 圖有時(shí)候很奇怪，因?yàn)樗窃谝欢鸦靵y中強(qiáng)行尋找秩序。這玩意兒的靈感其實(shí)來(lái)自物理學(xué)里的布朗運(yùn)動(dòng)——就像一滴墨水在水里擴(kuò)散開一樣，AI 就是要把散開的墨水強(qiáng)行給聚回去。

知識(shí)點(diǎn)吐槽：以前科學(xué)家覺得，AI 應(yīng)該一步一步倒推每一點(diǎn)點(diǎn)噪音是怎么加上去的。結(jié)果發(fā)現(xiàn)這幫 AI 學(xué)得慢，根本學(xué)不會(huì)。后來(lái)伯克利的大神們換了個(gè)思路：別管中間怎么變的，你直接給我猜這張圖原本長(zhǎng)啥樣，或者猜這里面一共加了多少噪！結(jié)果 AI 瞬間學(xué)會(huì)了。

二、AI怎么聽懂人話？數(shù)學(xué)界的"連連看"

這就帶來(lái)一個(gè)問題：我給 AI 一堆噪點(diǎn)，它怎么知道我要的是"貓"還是"狗"？萬(wàn)一我想要個(gè)妹子，它給我畫個(gè)只有影子的沙漠咋辦？

這就要請(qǐng)出另一位大神：CLIP 模型。這哥們兒是 OpenAI 在 2021 年搞出來(lái)的，它的特長(zhǎng)是玩"連連看"。

CLIP 看了互聯(lián)網(wǎng)上 4 億張圖片和它們對(duì)應(yīng)的文字說明。它的腦子里有一個(gè)巨大的、高維度的"概念宇宙"。在這個(gè)宇宙里，文字和圖片不再是兩個(gè)物種，而是變成了數(shù)學(xué)向量。

重點(diǎn)來(lái)了：在這個(gè)空間里，意思相近的東西，距離就近。"一張貓的照片"這段文字的坐標(biāo)，和"一只真貓的圖片"的坐標(biāo)，在這個(gè)宇宙里幾乎貼在一起。

更神奇的是，這玩意兒能做減法！如果你把"我戴帽子的照片"減去"我不戴帽子的照片"，得到的那個(gè)差值向量，去文字堆里一搜，竟然精準(zhǔn)對(duì)應(yīng)單詞"Hat"（帽子）。

所以，當(dāng)你輸入提示詞時(shí)，CLIP 就把你的文字變成一個(gè)向量指路標(biāo)，告訴那個(gè)負(fù)責(zé)畫畫的擴(kuò)散模型："嘿，別瞎猜了，往這個(gè)方向去噪！那邊全是貓！"

?? 三、為什么AI還需要"引導(dǎo)"？

理論上有了指路標(biāo)，AI 應(yīng)該能畫得很好對(duì)吧？并不。

AI 其實(shí)是個(gè)"選擇困難癥"患者。如果你只是溫和地告訴它"給我畫棵樹"，它通常會(huì)給你畫一個(gè)極其模糊、只有平均水平的圖。為什么？因?yàn)樵谒挠?xùn)練數(shù)據(jù)里，樹有千萬(wàn)種樣子，它不知道你想要哪種，索性給你取了個(gè)平均值。

就像你問朋友"吃什么"，朋友回一句"隨便"，結(jié)果就是啥也吃不成。

為了治好 AI 的選擇困難癥，工程師們想出了一招，叫**「無(wú)分類器引導(dǎo)」（Classifier-Free Guidance）**。

這招的操作很"精準(zhǔn)"：讓 AI 先根據(jù)你的提示詞（比如"狗"）畫個(gè)方向。再讓 AI 假裝沒聽見你的話，隨便畫個(gè)方向（指向大數(shù)據(jù)的平均值）。用"狗"的方向，減去"隨便"的方向，然后把這個(gè)差值放大好幾倍！

簡(jiǎn)單說就是：AI："我覺得大部分圖長(zhǎng)這樣。"你："不！我要狗！離那個(gè)平均值遠(yuǎn)點(diǎn)！再遠(yuǎn)點(diǎn)！"

通過這種"遠(yuǎn)離平庸"的修正，原本模糊的圖像瞬間清晰了，那棵樹不僅長(zhǎng)出來(lái)了，還枝繁葉茂。

更有趣的是負(fù)向提示詞（Negative Prompt）。你可以專門寫上"不要六個(gè)手指"、"不要卡通風(fēng)"。AI 就會(huì)計(jì)算出這些怪東西的向量，然后往反方向走。

四、AI的終極哲學(xué)

看完這些，你會(huì)發(fā)現(xiàn)現(xiàn)在的視頻生成模型，其實(shí)就是把這個(gè)過程加上了時(shí)間軸。

最讓我深思的是，這一切復(fù)雜的藝術(shù)創(chuàng)作，底層的邏輯竟然如此簡(jiǎn)單：從混亂（噪聲）中尋找秩序，用語(yǔ)言（向量）引導(dǎo)方向。

以前我們覺得藝術(shù)是人類獨(dú)有的能力，需要幾十年的苦練。現(xiàn)在看來(lái)，藝術(shù)可能只是高維空間里的一組坐標(biāo)。

你不需要畫筆，不需要懂光影，你只需要會(huì)說話。語(yǔ)言，就是新的創(chuàng)作工具。

轉(zhuǎn)發(fā)給那個(gè)總說"AI就是復(fù)制粘貼"的朋友——他/她可能不知道，AI的"腦補(bǔ)"能力背后，藏著這么有意思的科學(xué)原理。