AI图像生成技术演进：从规则到扩散模型

一、图像生成问题为什么难

图像生成并非“让模型直接输出一张图片”这般简单。从技术视角看，它本质上是在高维像素空间中拟合一个数据分布 p(x)，并从中进行采样。一张 1024×1024 的 RGB 图像拥有约三百万个维度，在这个极端高维的空间里，真实图像只占据极为稀疏的低维流形区域。模型要做的，是学会这个流形的形状，并能在其上生成新的采样点——这远比分类、检测等判别任务困难，因为判别任务只需在已有数据上划边界，而生成任务需要“无中生有”地构造数据。

围绕这一核心难题，早期研究者探索了多条技术路线，每条路线代表了对“如何拟合分布”的不同回答：

• 规则系统：以专家系统为代表，将“构图知识”写成显式规则，能画出图像但不能从数据中学习，创造力完全依赖人类工程师的知识外化；
• 似然型方法：变分自编码器与自回归模型，优化可计算的下界或逐像素概率，训练相对稳定，但样本往往偏模糊；
• 对抗型方法：生成对抗网络，用判别器替代显式似然估计，样本锐利但训练过程脆弱，容易出现模式崩塌；
• 去噪型方法：扩散模型，把采样拆解为多步去噪回归，训练稳定、条件可控，最终成为主流范式。

在扩散模型接管之前，AI“画图”大致经历了两个阶段：先学会“看图”（图像识别），再试图“听话画画”（条件生成）。前者由卷积神经网络和视觉 Transformer 等架构完成，后者则长期卡在“语言与视觉如何对齐”这一难题上，直到对比学习式的图文预训练方法出现才真正打通。

本文聚焦的问题是：图像生成是怎么一步步走到扩散模型的。至于扩散模型为什么成立、其数学原理是什么，属于另一层次的理论话题，此处不展开。本文的定位不是扩散理论推导，而是应用范式演进史——重点不在于去噪预测的具体公式怎么推，而在于解释“为什么文生图偏偏在 2022 年前后定型为‘图文对齐模型 + U-Net + 潜空间扩散’这一组合架构”。

二、规则时代：机器“作画”不等于“生成”

2.1 符号主义的最后荣光

今天讲 AI 绘画，很多人习惯从生成对抗网络讲起，这其实忽略了一段更早的历史。真正第一条可考的“AI 作画系统”，是艺术家兼程序员从 1960 年代末开始编写的规则型绘画程序。这位创作者本身是画家出身，毕业于知名美术学院，曾代表国家参加国际艺术展，1968 年赴高校任教后接触计算机，1973 年在某人工智能实验室访问期间正式将该程序命名并持续迭代。

这套系统的工作方式与今天的生成模型几乎完全相反：

• 它不是从数据分布中采样，而是从创作者手写的生产式规则出发；
• 早期版本只驱动机械绘图臂在纸上画线；
• 程序内部包含“前景先于背景”“图形与底色分离”“重复与分割”这类认知原语；
• 1980 年之前完全不编码外部世界物体，只生成抽象生物形态；
• 1980 年代后才加入人物、植物、花卉等具象阶段，1990 年代接入数字上色与喷绘输出。

2.2 为什么规则系统不是生成模型

用今天的术语看，这类系统属于老式符号主义 AI，其核心假设是“智能等于显式知识规则”。它的输出完全可解释——你可以翻看代码，知道它为什么把人物画在左边；它没有训练集、没有梯度、没有分布拟合；“创造力”来自创作者把画家的认知过程外化为程序代码。

它证明了一件重要的事：“机器产出视觉作品”和“模型学会图像分布”是两回事。前者是规则执行，后者是统计学习。这一区分是理解后续所有生成模型的前提——生成模型的核心标志，是它能否从数据中估计分布并采样，而不是能否输出看起来像画的东西。

三、识别时代：先让机器“看懂图”

在机器能“画画”之前，它先要学会“看图”。图像识别任务为生成奠定了表征基础。卷积神经网络通过局部感受野与权值共享，首次让模型能从原始像素中逐层提取边缘、纹理、部件、物体等层次化特征；更深的网络结构配合残差连接，把可训练深度推到上百层；视觉 Transformer 则把图像切分为图块序列，用自注意力建模全局依赖。

这一阶段的关键产出不是“能画”，而是可复用的视觉表征。模型在识别任务中学到的特征空间，隐式地编码了图像数据的流形结构，这为后续生成模型提供了两个基础：其一，证明高维像素数据可以被压缩到低维语义空间；其二，提供了可用于对齐的视觉编码器。没有这一步，“从文本条件控制图像生成”无从谈起。

四、条件生成时代：语言与视觉如何对齐

识别解决了“看懂”，下一步是“听话”——根据文本描述生成对应图像。这一阶段的瓶颈不在图像生成器本身，而在跨模态对齐：模型需要知道“一只黑色的猫坐在红色沙发上”这句话，对应的是像素空间中的哪个区域、哪种组合。

早期的条件生成尝试大多把文本编码成向量后直接拼接进生成器，效果有限，因为文本向量与视觉特征处在两个互不兼容的空间里。突破来自对比学习式的图文预训练：用海量图文对训练双塔编码器，通过对比损失把匹配的图文对拉近、不匹配的推远，从而得到一个共享的语义空间。在这个空间里，文本描述与图像内容可以度量相似度，文本向量因此成为可用的“条件信号”。

这一对齐能力的意义在于：它把“语言”变成了生成模型可消费的控制接口。此后，文生图系统的典型结构便稳定为——文本编码器提供条件向量，生成器在该条件引导下逐步去噪，最终输出图像。

五、范式定型：为什么是“对齐模型 + U-Net + 潜空间扩散”

到 2022 年前后，文生图的主流架构趋于一致，可以概括为三个模块的协同：

1. 图文对齐编码器：负责把提示词映射到共享语义空间，提供稳定、可泛化的条件信号；
2. U-Net 去噪主干：负责在多步去噪过程中预测噪声，其编码器-解码器结构与跳跃连接能兼顾全局语义与局部细节；
3. 潜空间扩散：不在原始像素空间去噪，而是先用自编码器把图像压缩到低维潜空间，在潜空间中完成扩散过程，再由解码器还原像素。

这三者组合之所以成为范式，原因在于各自解决了前一阶段的核心矛盾：对齐模型解决了“条件从哪来”，U-Net 解决了“去噪网络怎么设计才能兼顾效率与质量”，潜空间扩散解决了“高维像素空间计算成本过高”的问题。三者叠加，使文生图从实验室demo走向可规模化部署的产品能力。

六、典型场景与使用注意事项

典型场景包括：创意设计与素材草拟、营销内容快速生成、游戏与影视的概念图辅助、电商商品图与场景图生成、教育与科普配图等。在这些场景中，生成模型承担的是“快速产出候选方案”的角色，而非替代专业创作。

使用注意事项：

• 可控性边界：文本条件本质上是弱控制，精确构图、文字渲染、特定人物一致性仍是难点，需要配合结构化条件（如布局、参考图、控制图）使用；
• 计算成本：扩散采样是多步迭代，推理成本显著高于单次前向网络，潜空间方案正是为此做的工程折中；
• 数据与合规：训练数据来源、生成内容版权、深度合成标识等需在选型阶段纳入评估；
• 评估方式：生成质量不能只看单张观感，需结合分布覆盖度、条件一致性、多样性等指标综合判断。

七、总结

回到定义本身：AI 图像生成，是指模型从数据中学习图像分布并在条件引导下采样出新图像的技术范式。它与规则型“机器作画”的根本区别，在于是否具备分布拟合与采样能力；它与图像识别的区别，在于方向相反——识别是由像素到语义，生成是由语义到像素。

从规则系统到识别网络，从跨模态对齐到潜空间扩散，这条演进路径的主线始终是：降低高维像素空间的建模难度，同时增强条件控制的稳定性。理解这条主线，就能理解为什么今天的文生图架构长成这个样子，也能判断在具体场景中该选用哪一层能力、该关注哪些边界条件。