AI实战 | 扩散模型：从混沌到秩序 —— Stable Diffusion 的“炼金术”

前言：生成式 AI 的“进化史”

在扩散模型出现之前，AI 画画主要靠 GAN（生成对抗网络）。那是两台 AI 在“打架”：一个拼命画假画，一个拼命识破。但 GAN 极难训练，画出来的东西经常“精神污染”。

直到扩散模型的出现，人类才真正掌握了生成高分辨率、高多样性图像的钥匙。

一、核心原理：毁灭与重生的轮回

扩散模型的工作流程非常像**“把一杯咖啡里的牛奶和咖啡完全搅匀，再通过魔法让它们分离”**。

1. 正向扩散（Forward Diffusion）：给图像“投毒”

想象一张清晰的猫咪照片。我们不断地往上面添加细微的数学噪声（高斯噪声）。

第一步：有点糊。
第十步：像打了重码。
第一百步：完全变成了一堆毫无规律的黑白噪点（纯噪声）。

这个过程是确定的，不涉及 AI，只是单纯的破坏。

2. 反向扩散（Reverse Diffusion）：AI 的“去噪”奇迹

这才是 AI 真正学习的地方。

我们把那堆纯噪声丢给 AI，告诉它：“这原本是一张猫，请你把噪声擦掉一点点。”

AI 的任务不是一次性变出猫，而是预测这一步产生的噪声是什么，然后减去它。经过成百上千次的细微修正，一张清晰的猫咪照片就从虚无中诞生了。

二、 Stable Diffusion：为什么它能跑在你的显卡里？

早期的扩散模型速度极慢，因为它是在像素空间（Pixel Space）操作。如果你想画一张 $1024 \times 1024$ 的图，AI 要处理一百多万个点的去噪。

Stable Diffusion 引入了一个天才的设计：潜空间扩散（Latent Diffusion）。

压缩：先用一个叫 VAE 的工具，把巨大的图像压缩成一个极小的“特征矩阵”（潜空间）。
扩散：去噪过程只在这个小矩阵里进行。
解码：最后再还原成大图。

结果：原本需要超级计算机的运算，现在你家里的 RTX 3060 就能胜任。

三、提示词（Prompt）是如何控制画作的？

你可能会问：“AI 怎么知道我要画的是‘梵高风格的赛博朋克街道’而不是‘一只烤鸭’？”

这里又见到了我们的老朋友：CLIP。

你输入的文本通过 CLIP Text Encoder 变成向量。
这个向量作为“条件（Conditioning）”注入到去噪过程中。
AI 在去噪时，会不断比对：“我现在擦掉的这块噪声，是不是让画面更像‘赛博朋克’了？”

四、实战：用 Diffusers 库生成你的第一张画

在 Python 生态中，Hugging Face 的 diffusers 库是操作扩散模型的黄金工具。

from diffusers import StableDiffusionPipeline
import torch

# 1. 加载预训练模型 (例如 Stable Diffusion v1.5)
model_id = "runwayml/stable-diffusion-v1-5"
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to("cuda") # 移动到 GPU

# 2. 准备你的提示词
prompt = "A high-tech cyberpunk city street, oil painting style, masterpiece, 8k"

# 3. 生成图像
image = pipe(prompt).images[0]

# 4. 保存
image.save("cyberpunk_city.png")