AI绘图

定义

AI绘图指利用深度神经网络，把自然语言描述或草图、照片等输入转换成图像的技术，也常被称为AI绘画或文生图^[1]。它与图片检索、素材拼接或对既有作品做二次修改有本质区别，生成结果是被合成出来的新画面，而不是从图库中挑出或裁剪来的现成图片^[3]。

用户输入的那段描述在业内称为提示词，英文写作 Prompt，它可以指定画面内容，也能规定风格、构图、光线与色彩^[6]。描述越具体，生成结果越接近预期；只给一句非常笼统的要求，模型就会自行补全大量细节^[6]。

原理

当前主流文生图系统的训练数据是规模达数十亿对的「图片—文字描述」组合，模型在反复学习中把文字特征和视觉特征映射到同一个向量空间，从而建立起词与画面元素之间的统计联系^[3]。承担这一环节的通常是 CLIP 一类对比语言—图像预训练模型，它把提示词编码成条件向量，供后续生成过程使用^[1][7]。

生成部分的核心是 扩散模型。训练时先对清晰图片逐步加入高斯噪声，直至画面变成无结构的噪点，模型则学习这一过程的逆操作，即预测并去除噪声；生成时从一团随机噪声开始，在提示词的引导下反复去噪，经过多轮迭代逐渐浮现出与描述相符的图像^[1][2]。前向加噪与反向去噪可以用下式描述其一步转移：$q(x_t \mid x_{t-1}) = \mathcal{N}(x_t; \sqrt{1-\beta_t}\,x_{t-1},\, \beta_t I)$，其中 $\beta_t$ 为预先设定的噪声调度参数^[8]。

去噪网络通常采用 U 型结构，通过下采样提取特征、上采样重建图像，并以跨层连接保留细节^[9]。为降低算力开销，隐空间扩散先在压缩后的低维表示上完成去噪，再由解码器还原成像素图像，这一思路使模型可以在个人电脑上运行^[9]。

flowchart LR

A[文字提示词] --> B[文本编码器]

B --> C[条件向量]

D[随机噪声] --> E[去噪网络]

C --> E

E --> F[逐步去噪迭代]

F --> G[生成图像]

发展历程

扩散思想进入机器学习领域始于 2015 年，当时研究者受非平衡热力学启发，提出通过加噪与逆向去噪来建模数据分布的方法^[2]。2020 年，去噪扩散概率模型的提出使这一路线能够合成高质量图像，其表现可与当时主流的生成对抗网络相比，此后相关研究迅速增多^[8]。

2021 年，OpenAI 推出 DALL·E 与 CLIP，把文字描述嵌入图像生成流程，构成文生图的基础框架^[10]。2022 年 2 月，基于 CLIP 引导扩散的开源工具 Disco Diffusion 发布；同年 4 月，OpenAI 发布分辨率和真实感更高的 DALL·E 2，Midjourney 也在这一时期开放测试^[11][4]。

2022 年 8 月，英国公司 Stability AI 发布开源模型 Stable Diffusion，它采用隐空间扩散，对硬件要求较低，且允许开发者修改与再分发，由此催生了大量衍生模型与插件^[12][10]。上述模型在同年集中出现，使 2022 年被称为生成式人工智能元年^[4]。

应用

在视觉设计、广告、游戏概念设计和社交媒体素材制作等需要大量图像的工作场景中，AI绘图已被广泛使用，出图速度远快于人工手绘^[6]。设计师可用它快速产出创意草图，普通用户则常用于制作头像、壁纸等个人素材，插画师也会将其作为辅助工具^[1]。

除文生图外，扩散模型还被用于图生图、风格迁移、图像修复、超分辨率以及视频生成等任务，其中视频生成还需考虑物体在真实世界中的运动方式和画面的时间连贯性^[7][9]。

局限

AI绘图难以把握作品背后的情感与内涵，模型可以学到笔触走向、配色规律等视觉特征的统计模式，却无法理解创作者寄托其中的情绪^[6]。在细节精度上也有明显不足，例如画不准人类标准的 5 根手指、难以让招牌上的文字正确显示，这些对人类画师很基础的任务反而容易出错^[6]。

模型对语义与常识的理解也比较有限，面对「河里的鲑鱼」会画出漂浮的鱼片，面对「飞过棒球场的蝙蝠」可能同时画出飞行的哺乳动物和木质球棒，说明其能力建立在文字与图像共现关系的统计之上。生成速度方面，早期扩散模型生成一张图需要上千步迭代，属于主要瓶颈，此后通过减少采样步数、在隐空间计算等方式逐步改善^[8]。

训练素材的合法性同样存在争议。构建训练集通常需要复制大量受著作权保护的图文作品，这一行为是否属于合理使用，各国立法与判例尚未形成统一规则^[13]。关于生成内容的权利归属，多地法院已认可用户在提示词设计、参数调整、结果筛选等方面的智力投入可以构成独创性来源，但整体裁判标准仍不统一^[14]。

参见

• 扩散模型 —— AI绘图生成环节所依赖的核心算法。

• CLIP —— 把文字描述与图像特征对应的预训练模型。

• Stable Diffusion —— 采用隐空间扩散的开源文生图模型。

• 生成对抗网络 —— 扩散模型之前用于图像生成的另一类方法。

• 提示词 —— 用户用来控制生成结果的文字输入。

• 生成式人工智能 —— AI绘图所属的更广泛技术范畴。