什么是扩散模型？AI 绘画和视频是怎么"画"出来的

Midjourney 画图、Sora 和 Runway 生成视频，背后大多是同一类技术：扩散模型（Diffusion Model）。它和聊天用的大语言模型是完全不同的思路。这篇用大白话讲清：AI 到底是怎么凭一句话「画」出一张从没存在过的图的。

一个反直觉的核心思路：从噪声里”雕”出图

你可能以为 AI 画图是像人一样「一笔一笔画」。其实不是。扩散模型的思路反过来——先给一张清晰图片不断加噪声，直到变成一片雪花点；再训练 AI 学会把这个过程倒过来。

分两步理解：

• 加噪（训练时做）：拿海量真实图片，一步步撒上随机噪声，最后变成纯粹的「雪花屏」。这一步是为了制造「问题和答案」的配对。
• 去噪（生成时做）：AI 学到的本事是——给它一张带噪声的图，它能预测「去掉一点噪声后该长什么样」。

生成一张新图时，AI 从一张纯随机噪声出发，一步步去噪，几十步之后，一张清晰的、原本不存在的图就「显影」出来了。就像米开朗基罗那句话：雕像本就在石头里，我只是把多余的部分去掉——扩散模型做的，就是从噪声里「去掉多余的部分」。

文字是怎么控制画面的

光会去噪只能生成随机的图，怎么让它「画一只戴帽子的柴犬」？

关键在于去噪的每一步都会参考你的文字提示。文字先被转成一串向量（模型能理解的数字），在每一步去噪时充当「导航」，把画面往「柴犬 + 帽子」的方向推。于是最终显影出来的，就是符合你描述的图。

这也解释了为什么提示词写得越具体，出图越准——你给的导航信息越多，去噪的方向就越明确。

为什么它和 ChatGPT 不一样

这是最容易混淆的点。两者是两套完全不同的机制：

	大语言模型（如 ChatGPT）	扩散模型（如 Midjourney）
干什么	生成文字	生成图像 / 视频
怎么生成	一个词一个词往下接龙	从噪声整体一步步去噪
生成顺序	从左到右，先后有序	全图同时逐步清晰

一句话：语言模型是「顺着写」，扩散模型是「整体显影」。很多产品把两者组合起来——你用文字对话，它调扩散模型出图，但内核是两回事。

视频只是”会动的图”吗

基本可以这么理解，但更难。视频不仅每一帧要清晰，帧与帧之间还得连贯——柴犬不能上一帧朝左、下一帧突然朝右。所以视频扩散模型要额外处理「时间一致性」，这也是为什么 AI 视频比 AI 图片起步晚、算力贵得多、时长还受限。

为什么早期 AI 画手总画错

扩散模型是「统计意义上」学会了图像长什么样，它并不真正「理解」解剖结构。所以早期常见翻车：手指画成六根、文字变成鬼画符。原因是——手和文字的局部结构极其严格，差一点就明显错，而模型只是在模仿见过的像素分布，不是在数手指。这两年靠更大的模型和更好的训练已经改善很多，但本质上它仍是「画得像」，不是「画得懂」。

小结

扩散模型的核心，是一个反直觉的把戏：学会「去噪」，再从纯噪声里一步步显影出图像，而你的文字提示在每一步充当导航。它和聊天用的语言模型是两套机制——一个顺着写字，一个整体显影。理解了这一点，你就明白了为什么提示词要具体、为什么 AI 视频这么贵、为什么它偶尔还会画错手。想动手试试，可从 Midjourney 或 Runway 开始；想了解能同时看图看文的 AI，见什么是多模态大模型。