擴散模型（diffusion model）
/ dih-FYOO-zhun MOD-ul /
擴散模型，是大多數現代圖像生成器背後的那種AI，而它的核心思想美得反直覺：它透過學習「去除噪聲」來學會「創造圖像」。訓練時，模型被餵以一批乾淨的圖像，這些圖像被逐步摻入隨機的雪花噪點——先一點點，再多些，直到幾乎是一片純粹的雪花——它則練習把每一步反過來，去預測「噪點稍少的那一版」長什麼樣。這樣練得夠多，模型便成了去噪的行家。
生成一張新圖像，便是把這門學來的本領從零反向跑一遍。你從一幀純粹的隨機噪聲起步——電視雪花——讓模型一步步給它去噪。每一步，它都把雪花往「一幅連貫的圖像」上挪近一點，並（在文生圖系統裡）由你的提示來引導。幾十步之後，噪聲便凝結成了一幅從未存在過的圖。這有點像一位雕塑家，在一塊粗糙的石料裡看見了一尊像，鑿去一切不屬於它的部分——只不過這裡的石料，是純粹的隨機。
值得把它與語言模型的不同、以及它做不到什麼，都直白說清。擴散模型並不是在檢索或拼貼已有的圖像；它是在從學來的模式裡取樣出一張全新的圖。這也意味著它對事實或邏輯毫無把握——它產出的是「統計上看著對」的東西，這正是為什麼生成圖裡會出現六根手指的手、亂碼般的文字，或物理上不可能的倒影。它是一個強大的、關於「事物外觀」的模式取樣器，而非一台「理解」的引擎。
從一塊純粹的電視雪花起步。第1步：模型輕輕一推，隱約的形狀浮現。第10步：一隻貓模糊的輪廓。第30步：一張清晰、細節豐富、卻從未存在過的貓的照片。每一步都去掉了一點噪聲，由模型所學到的「貓長什麼樣」來引導。
從隨機雪花到連貫圖像，一步一步地去噪。
擴散模型是在「生成」、而非「檢索」——那張貓照是從學來的模式裡取樣出來的，並非由訓練圖像縫補而成。這也是為什麼它對真理或解剖一無所知，會動輒產出多餘的手指、虛假的文字，或乍看沒問題、實則物理上不可能的畫面。