9.2 图像生成技术

AI 画画不是在“拼贴素材”，而是在“雕刻噪点”。无中生有，始于噪点。

9.2.1 以前的 AI 画画：像拼贴

在 2022 年之前，AI 主要是靠 GAN（生成对抗网络） 画画。

简单说，就是让两个 AI 打架：

• 骗子（生成器）：拼命造假画。

• 警察（判别器）：拼命抓假画。

打到最后，骗子技艺大涨，连警察都分不清真假了。

但这有个问题：GAN 生成的图，往往细节很假，而且很难控制内容。

9.2.2 现在的 AI 画画：扩散模型

如果将视角拉回技术演进的时间线，扩散模型并非在 2022 年凭空产生。它的学术研究源于更早的奠基：

1. 理论提出：2015年左右扩散概念初步诞生，随后在 2020 年的经典论文DDPM（Denoising Diffusion Probabilistic Models）中得到了验证，证明了从纯噪声中分步还原出高质量图像的潜力。

2. 算力破局：在 2021-2022 年间，潜在扩散模型（LDM，Latent Diffusion Models） 巧妙地将降噪过程转移到了压缩的“潜在空间”中，大幅缩减了对显卡算力的需求。

3. 产品爆发：到了 2022 年，基于 LDM 架构的Stable Diffusion宣布开源，同时商业工具Midjourney 横空出世，正式引爆了整个 AIGC 图像生成的产品生态。

它们用了一种全新的魔法，你可以把它想象成 “修复文物” 的过程，但却是倒着来的：

1. 加噪（破坏）：把一张《蒙娜丽莎》一点点泼上墨水（噪点），直到它变成一张完全看不清的雪花屏。

2. 去噪（修复）：AI 学习这个过程的逆过程。

   • 给它一张雪花屏（随机噪声）。

   • 告诉它：“这就叫 '一只骑摩托的猫' 的雪花屏”。

   • AI 开始一点点把噪点擦掉。

   • 奇迹发生了！随着噪点消失，一只猫的轮廓浮现出来，然后是毛发，然后是摩托车...

9.2.3 为什么 AI 怕画手？

很多人发现，AI 画的脸美若天仙，但手经常是 6 根指头，或者长得像爪子。

这是因为在扩散模型的学习素材里，人脸通常是很清晰、很标准的。

但在照片里，手经常是模糊的、遮挡的、奇形怪状的（拿杯子、插口袋）。

AI 没学明白手的解剖结构，它只是在 “模仿像素的排列”。它觉得这里应该有一堆肉色的东西，至于是不是 5 根，它不太在乎。

（注：近两年的新版本在手部细节上已有明显改善，但复杂姿态下仍可能出现失真）。

9.2.4 思考题

AI 生成的画，算不算 “艺术”？

如果 AI 学习了梵高所有的画，然后生成了一幅“梵高风格”的新作，那这幅画的 版权 应该归谁？

是归开发 AI 的公司？归输入提示词（Prompt）的用户？还是归梵高（的后人）？

这目前是法律界最头疼的问题。