扩散模型（diffusion model）
/ dih-FYOO-zhun MOD-ul /
扩散模型，是大多数现代图像生成器背后的那种AI，而它的核心思想美得反直觉：它通过学习「去除噪声」来学会「创造图像」。训练时，模型被喂以一批干净的图像，这些图像被逐步掺入随机的雪花噪点——先一点点，再多些，直到几乎是一片纯粹的雪花——它则练习把每一步反过来，去预测「噪点稍少的那一版」长什么样。这样练得够多，模型便成了去噪的行家。
生成一张新图像，便是把这门学来的本领从零反向跑一遍。你从一帧纯粹的随机噪声起步——电视雪花——让模型一步步给它去噪。每一步，它都把雪花往「一幅连贯的图像」上挪近一点，并（在文生图系统里）由你的提示来引导。几十步之后，噪声便凝结成了一幅从未存在过的图。这有点像一位雕塑家，在一块粗糙的石料里看见了一尊像，凿去一切不属于它的部分——只不过这里的石料，是纯粹的随机。
值得把它与语言模型的不同、以及它做不到什么，都直白说清。扩散模型并不是在检索或拼贴已有的图像；它是在从学来的模式里采样出一张全新的图。这也意味着它对事实或逻辑毫无把握——它产出的是「统计上看着对」的东西，这正是为什么生成图里会出现六根手指的手、乱码般的文字，或物理上不可能的倒影。它是一个强大的、关于「事物外观」的模式采样器，而非一台「理解」的引擎。
从一块纯粹的电视雪花起步。第1步：模型轻轻一推，隐约的形状浮现。第10步：一只猫模糊的轮廓。第30步：一张清晰、细节丰富、却从未存在过的猫的照片。每一步都去掉了一点噪声，由模型所学到的「猫长什么样」来引导。
从随机雪花到连贯图像，一步一步地去噪。
扩散模型是在「生成」、而非「检索」——那张猫照是从学来的模式里采样出来的，并非由训练图像缝补而成。这也是为什么它对真理或解剖一无所知，会动辄产出多余的手指、虚假的文字，或乍看没问题、实则物理上不可能的画面。