你在输入框打一句"一只猫在月球上喝茶"，十几秒后出来一张图。
它不是上网找的，也不是照某张画临摹的。它是从一堆随机噪点里，"擦"出来的。
扩散模型：先教它认「噪点」，再教它「去噪」
这套方法叫扩散（Diffusion），原理分两步：
第一步，加噪。拿一张清晰的图，一点点往上加随机噪点，加几百次，图就变成一片雪花。这个过程记录下来，就知道"从清晰到模糊"每一步是什么样。
第二步，学反向。训练模型，让它学会反过来——看到一片雪花，猜出"上一步稍微清晰一点的样子"。一次猜一步，猜几百步，雪花就慢慢还原成一张清晰的图。
训练完成后，你给它的不是雪花，是纯随机的噪点。它一步步去噪，最后"擦"出一张从没存在过的图。
为什么能听懂你的话
关键在于每一步去噪时，都带着你的文字提示一起判断。
"猫"这个条件，会让它把某些区域的形状往猫的方向修；"月球"会让背景往灰白、坑洼的方向修。
所以文字描述越具体，它每一步的判断越有依据，出来的图越贴近你的想象。
为什么手总是画歪
这是最经典的翻车点。
原因很实在：训练数据里，手出现的次数、姿态的多样性，远不如脸和身体。它见的手不够多，去噪时就在"手指头"这个区域举棋不定，最后糊成一团。
同理，这几样也容易出错：文字、精细结构、多个物体的正确关系、物理常识。它不知道"杯子放在桌上要有支撑"，它只知道"这种画面通常长什么样"。
提示词怎么写得更好
它不是理解语义，是匹配画面特征。所以：
说具体的名词和视觉元素，别说抽象情绪。"温暖的氛围"不如"夕阳、暖黄色光、木质桌面"。
说清风格。水彩、油画、皮克斯 3D、扁平插画——这个词比十个形容词管用。
说清构图和镜头。特写、全景、俯视、逆光。
加负面词。不想出现的（模糊、多余的手指、文字），单独列出来让它避开。
现在能拿它做什么
用到位的话，这些活它已经很好用：
- 公众号配图、文章插图；
- 电商主图底图、场景图；
- 短视频封面、空镜素材；
- 灵感草图、方案概念图。
拿它做"最终成品"要小心的地方：出现真人肖像（涉及肖像权）、出现品牌标志（涉及商标）、需要精确文字的设计（它写中文还是容易错）。
一句话带走
它不是画，是从噪点里擦。
懂了这点你就明白：为什么具体描述有用、为什么手会画歪、为什么它不擅长精确文字。
下一篇：AI 生成视频，现在到底能用到什么程度。
