当你输入“梵高风格的赛博朋克城市”时，Midjourney 或 Stable Diffusion 并不是在素材库里搜索图片，而是在一堆毫无意义的“电视雪花点（噪声）”中，通过成百上千次的微调，硬生生地“看”出了那座城市。 这种化腐朽为神奇的过程，背后的核心技术被称为扩散模型（Diffusion Model）。
米开朗基罗曾说：“大卫就在大理石里，我只是去掉了多余的部分。”
扩散模型生成图片的过程与之惊人相似。它不是“画”图，而是“去噪”。它将生成任务看作是一个两步走的物理过程： 前向扩散（Forward Diffusion）是将完美的图片逐渐打碎成纯粹的噪声；而反向去噪（Reverse Diffusion）则是训练 AI 学习如何将这个过程逆转。
在前向过程中，我们不断给图片注入极小的随机噪声。经过 $T$ 个时间步后，图片会完全丧失结构信息。数学上，这被定义为一个马尔可夫链过程。
每一层噪声的注入都遵循高斯分布。而 AI 的核心任务，是学习一个“分数函数（Score Function）”，即在给定的噪声状态下，预测出“刚才被加进去的噪声长什么样”。
AI 不需要记住千万张图，它只需要掌握一个技能：在任何模糊的阴影中，识别出那一丝不属于噪声的结构感。
如果直接在高清像素（如 1024x1024）上进行去噪，计算量会大到让普通显卡爆炸。2026 年主流的 Stable Diffusion 采用了更加聪明的做法：潜在扩散（LDM）。
它先通过一个变分自编码器（VAE），将庞大的像素矩阵压缩成一个精简的“潜在向量”。
AI 在这个缩小的维度里反复去噪，最后再由解码器还原成华丽的高清大图。这也就是为什么 2026 年的手机也能本地运行强大画图模型的原因。
为什么 AI 知道“猫”应该长什么样？这得益于 Open AI 开发的 CLIP (Contrastive Language-Image Pre-training) 架构。
CLIP 将文字和图片映射到了同一个坐标系中。在这个坐标系里，单词“狗”的向量，与成千上万张不同品种狗的图片向量，在空间位置上是极度接近的。
到了 2026 年，扩散模型已经不再局限于静态图片。通过引入时间维度（3D U-Net），我们实现了视频生成的物理连贯性。
现代模型（如 Sora 2.0 或 Gemini Vision）已经进化到了“隐式物理引擎”阶段。当它生成一个水杯破碎的画面时，它并不是在模仿像素移动，而是在其深层参数空间里模拟了重力和碰撞带来的噪声分布变化。
扩散模型向我们展示了一个深刻的宇宙真理：混沌之中蕴含着秩序，而秩序可以通过学习重获。 每一张惊艳世界的 AI 绘画，本质上都是一段数百万次的矩阵运算，在虚无中打捞出的真理镜像。