文字生成圖像（text-to-image）
/ TEKST-too-IM-ij /
文字生成圖像，是把一段文字描述變成一張全新圖片的技術：你打「一隻小熊貓在溫馨的咖啡館裡讀報，水彩風格」，便出來一張與描述相符、卻從沒有人畫過的圖。它是Stable Diffusion、Midjourney、DALL·E這類工具的招牌絕活，是把兩塊拼到一起——一套理解語言的本領，和一套產出圖像的本領。
在引擎蓋之下，有兩樣東西在協作。首先，系統得把「詞」與「視覺概念」連起來，這通常靠一個在數億對「圖像—配文」（從網上爬來的）上訓練的模型，於是它學到「小熊貓」這幾個字，對應著某種毛茸茸的形狀與顏色。然後，一個圖像生成器——幾乎總是擴散模型——用這份理解去引導它的去噪，把隨機雪花拽向一張貼合提示的圖。文字在生成的每一步，都充當著一道導軌。
對它的局限與利害，要坦白說。這些系統在「觀感與氛圍」上出類拔萃，卻會在任何需要精確結構或邏輯之處栽跟頭：數數（「恰好五個蘋果」）、在圖裡把單詞拼對、正確的解剖、忠實的空間關係（「杯子在書的左邊」）。它們還引出了真實而懸而未決的問題——訓練用的圖像，往往包括了未經同意便爬取的受版權保護的照片和私人照片，而同樣的技術，也讓偽造真人的逼真假圖成為可能。圖很驚艷；可它的倫理與可靠性，是真真切切尚無定論的。
提示：「一名太空人在月球上騎馬，照片級寫實。」這樣的照片並不存在、也不可能存在，可系統卻產出了一張以假亂真的——因為它分別學過太空人、馬和月球長什麼樣，而那些去噪步驟把它們調和成了一幅連貫的場景。
把學來的概念組合成一幕從未存在過的場景。
文字生成圖像模型，恰恰在那些需要精確的地方很弱：數物體的個數、在圖裡把文字拼對、畫對手、處理好空間關係。它們還背著懸而未決的版權與同意問題，因為其訓練圖像，有很大一部分是未經許可爬取來的。