AI画画

定义

AI画画指让人工智能模型理解自然语言描述，并直接生成与之对应图像的技术，其英文表述为 Text-to-Image，中文常称文生图^[1]。它属于生成式人工智能（也称 AIGC）中发展较为成熟、公众接触较多的一个分支，图像是由模型重新合成的结果，而非对已有图片的拼接、涂抹或滤镜处理^[3]。

与传统的图像检索、素材拼贴不同，AI画画在生成前没有确定的原图，输出结果由用户输入的提示词（Prompt）与模型内部参数共同决定^[4]。提示词不仅交代画面主体，还可指定风格、光线、构图与色彩，同一主体在不同描述下会得到差别很大的图像^[4]。

原理

多数当代 AI 画画模型属于扩散模型（Diffusion Model），其思路是模拟加噪与去噪两个互逆的过程。训练时，模型反复观察清晰图像被逐步叠加随机噪声、直至完全变成杂乱噪点的过程；生成时则反向操作，从一团随机噪声出发，一步步去除噪声，最终还原出清晰图像^[4]。

去噪的方向由文本条件控制。文字先经文本编码器转成向量，再在每一轮去噪中被注入模型，使画面逐步向提示词描述的概念靠拢。这一过程可写作：从纯噪声 $x_T \sim \mathcal{N}(0, I)$ 出发，经若干步去噪得到图像 $x_0$，训练目标通常简化为让网络预测每一步加入的噪声 $\epsilon$，即最小化 $\mathbb{E}_{t,x_0,\epsilon}\lVert \epsilon - \epsilon_\theta(x_t, t) \rVert^2$。

为降低算力消耗，以Stable Diffusion为代表的隐空间扩散模型先用变分自编码器把图像压缩到低维潜在空间，扩散过程在该空间中运行，最后再由解码器还原成像素图像。这一改进使生成所需显存和耗时明显下降，也让消费级显卡运行高质量模型成为可能^[5]。

flowchart LR

A[文字提示词] --> B[文本编码器]

B --> C[文本特征向量]

C --> D[逐步去噪]

N[随机噪声] --> D

D --> E[潜在空间图像]

E --> F[解码器]

F --> G[输出图像]

发展历程

AI 画画的技术源头可追溯到生成对抗网络（GAN）。2014 年，伊恩·古德费洛等人提出这一框架，用生成器与判别器相互对抗的方式训练网络，生成器负责造图，判别器负责分辨真伪，两者在博弈中共同改进，为深度学习生成图像奠定了基础^[6]。2015 年，多伦多大学研究人员推出 alignDRAW，把文本序列作为输入，被视为第一个现代意义上的文生图模型，其输出虽模糊，却能应对训练数据中未出现的组合^[7]。2019 年，英伟达的 StyleGAN 能生成 1024×1024 像素的高分辨率人脸，并可通过潜在空间调节表情、发型等特征，是这一时期的标志性模型^[6]。

2020 年，Jonathan Ho 等人发表去噪扩散概率模型 DDPM，用逐步去噪的方式生成高质量图像，训练比 GAN 更稳定，成为生成模型领域的重要节点^[8]。2021 年 1 月，OpenAI 公布基于 Transformer 的 DALL·E，同年发布把图文映射到同一向量空间的 CLIP，文生图由此进入公众视野^[7]。2022 年是商业化落地较快的一年：4 月 DALL·E 2 发布，3 月 Midjourney 以云端服务形式上线，8 月 Stable Diffusion 公开发布并开放源代码^[7]。

Stable Diffusion 的开源性带动了社区生态，围绕它出现了 WebUI、LoRA、ControlNet 等工具与扩展，使风格定制和构图控制更为方便^[8]。此后模型继续向语义一致性、文字渲染和多模态交互方向演进，2023 年 DALL·E 3 与对话产品集成，2024 年 Black Forest Labs 推出采用 DiT 架构的 FLUX.1^[8][5]。

应用

在专业创作中，AI 画画被用于数字艺术、概念设计、游戏开发等方向，研究者认为其应用前景覆盖美术创作与设计等多个领域^[9]。插画师与概念设计师常用它做快速原型、视觉构思和情绪板，在正式绘制前先铺开多种方案^[10]。

在商业与日常场景中，AI 画画被用于广告与营销物料、社交媒体配图、头像与壁纸制作，普通用户无需美术基础即可产出图像^[3]。它对标准化、重复性配图任务的替代较为明显，证件照处理、修图、详情页配图等都在其覆盖范围内^[5]。

除图像本身，同类技术还被扩展到视频生成与三维内容合成，并可用于生成医学影像等专业图像的增强样本，辅助训练与教学演示^[11]。

局限

AI 画画难以把握画面背后的情感与内涵。它能够学到漩涡状笔触、深蓝配色一类视觉特征的统计规律，却无法体会创作者在作品中寄托的情绪^[4]。有研究指出，生成图像还存在同质化较明显、数据来源客观性有待甄别的问题^[12]。

在细节控制上，模型早期常画不准人类标准的 5 根手指、招牌上的文字等对人类画师十分基础的内容^[4]。复杂肌理、复杂光影或高细节纹理的生成仍可能出现失真与不连贯，精细控制某一具体元素也较为困难^[11]。GAN 时期的模型只能生成训练过的类型，训练人脸就只画人脸，跨类别泛化能力有限^[5]。

训练成本与数据偏差同样是现实约束。大规模模型训练需要大量算力资源，推理开销和能耗较高；训练数据的质量和多样性直接影响输出，数据集在种族、性别等方面的不均衡可能带来不准确或不公正的结果^[11]。

法律层面存在尚未定论的问题。用海量作品训练模型是否属于合理使用、生成内容能否被认定为受保护的「作品」、侵权责任由开发者、运营者还是使用者承担，各国规则仍在探索^[13]。有研究提出「归因衰减」现象：训练数据规模越大，单张训练样本对某个具体输出的影响越小，在足够大的数据量下删去某一张图甚至某位作者的全部作品，生成结果可能并不改变，这使追溯生成图像的来源变得困难^[14]。

参见

• 扩散模型 —— AI 画画当前主流的技术路线，通过加噪与去噪的过程生成图像。

• 生成对抗网络 —— 2014 年提出的早期生成模型框架，是 AI 画画的技术源头之一。

• Stable Diffusion —— 2022 年发布的开源文生图模型，推动了相关工具生态的发展。

• 提示词 —— 用户用于描述画面内容与风格、引导模型生成的文字输入。

• CLIP —— 把文字与图像映射到同一向量空间的多模态模型，用于连接文本理解与图像生成。

• AIGC —— AI 画画所属的生成式人工智能内容范畴。