Day22——早课 AI图像生成入门

系列教程说明

这是「AI专家养成计划」系列教程的第43篇，共140篇。从AI零基础出发，每天进步一点点。早课以理论为主，帮你理解概念、建立框架——读完这篇，你就知道AI图像生成的原理、主流工具和基本用法。

上篇回顾

昨天我们学习了AI办公自动化的完整体系。三个核心要点：

• AI办公自动化四大领域：文档处理、邮件沟通、日程管理、数据报表——覆盖80%的重复性办公任务
• 三个自动化层次：单点自动化（一个任务）、流程自动化（一串任务）、智能自动化（AI自主判断），循序渐进才能落地
• 自动化不是替代人：AI处理重复性工作，人类专注创造性决策——这是”人机协作”而非”人机竞争”

今天，我们进入一个全新的领域——AI图像生成。从文字到图片，AI正在重新定义”创作”的含义。

---

什么是AI图像生成？

先看几张图。

你输入一句话：”一只穿着太空服的柴犬在月球上喝咖啡”，几秒钟后，AI给你生成一张逼真的图片——柴犬穿着白色太空服，背景是灰色的月球表面，手里端着一杯冒着热气的拿铁。

这不是科幻，这是2024年已经成熟的AI技术。

AI图像生成，就是让AI根据文字描述（或其他输入）自动创建图片。 这个过程也叫”文生图”（Text-to-Image），是目前最火爆的AI应用之一。

一个数据感受一下：Stable Diffusion 在2022年8月开源后，3个月内用户生成了超过10亿张图片。人类历史上没有任何一种艺术形式能达到这个速度。

---

AI是怎么”画”出图片的？

你可能会好奇：AI又没有手，它是怎么”画画”的？

核心原理：从噪声中”还原”图像

目前主流的AI图像生成技术叫扩散模型（Diffusion Model）。它的原理可以用一个比喻来理解：

想象你有一张照片，你往上面撒越来越多的噪点——一点一点地撒，直到照片完全变成一堆随机的雪花点。这个过程叫”前向扩散”。

然后，你训练一个AI模型，让它学会反向操作：从一堆雪花点开始，一步一步地去除噪声，最终还原出一张清晰的照片。这个过程叫”去噪”或”反向扩散”。

关键来了：当你给AI一段文字描述时，AI会在去噪过程中”引导”图像朝你描述的方向发展。 就像一个画家在画布上反复修改，直到画面符合你的要求。

打个更直观的比方：扩散模型就像一个考古学家——给他一块满是泥土的化石（噪声），他能一点一点地清理，最终还原出完整的恐龙骨架（图像）。而你的文字描述就是”考古指南”，告诉他要还原的是恐龙而不是大象。

另一种思路：生成对抗网络（GAN）

在扩散模型之前，最流行的图像生成技术是GAN（Generative Adversarial Network），翻译过来叫”生成对抗网络”。

GAN的思路很有趣：它训练两个AI——一个叫”生成器”，负责画假图片；另一个叫”判别器”，负责判断图片是真是假。两个AI互相”对抗”，生成器越画越好，判别器越判越准，最终生成器能画出以假乱真的图片。

类比：GAN就像一个造假币的人和一个验钞员的博弈。造假币的人不断提高伪造技术，验钞员不断提高鉴别能力。最终，造假币的人做出的假币连验钞员都分辨不出来——这时候，假币就”以假乱真”了。

不过，GAN现在已经不是主流了。扩散模型在图像质量和多样性上全面超越了GAN，成为了当前的绝对主流。

---

主流AI图像生成工具

了解了原理，我们来看看有哪些好用的工具。

Stable Diffusion：开源之王

Stable Diffusion 是目前最流行的开源AI图像生成模型，由 Stability AI 公司在2022年发布。

为什么它是”开源之王”？

• 完全免费：代码和模型权重全部公开，任何人都可以下载使用
• 本地运行：不需要联网，不需要付费API，在你自己的电脑上就能跑
• 高度可定制：你可以微调模型、训练自己的风格、安装各种插件
• 社区庞大：全球有数百万用户，教程、模型、插件应有尽有

硬件要求：Stable Diffusion 本地运行需要一张显存至少4GB的NVIDIA显卡。没有好显卡？可以用Google Colab免费GPU，或者用在线服务。

Midjourney：艺术感最强

Midjourney 是一个商业化的AI图像生成服务，以”艺术感”著称。它生成的图片往往比Stable Diffusion更有”画味”——构图精美、色彩和谐、风格统一。

Midjourney的使用方式是通过Discord（一个聊天软件）发送指令。你在一个聊天频道里输入/imagine命令加上描述，几十秒后Midjourney就会回复4张图片供你选择。

缺点：收费（最便宜的套餐10美元/月），且只能通过Discord使用。

DALL·E：OpenAI的图像AI

DALL·E 是OpenAI（就是做ChatGPT的那家公司）推出的图像生成模型。目前已经到第三代DALL·E 3。

DALL·E 3最大的优势是理解能力强——它对复杂文字描述的理解比其他模型更准确。比如你描述一个包含多个元素、特定构图的场景，DALL·E 3能更忠实地还原你的意图。

DALL·E 3集成在ChatGPT中，ChatGPT Plus用户可以直接使用。

国内替代方案

如果你不方便使用国外工具，国内也有不错的选择：

• 通义万相：阿里出品，免费额度充足，中文理解好
• 文心一格：百度出品，中文提示词支持好
• 智谱清言：智谱AI出品，可生成多种风格
• 即梦AI：字节跳动出品，效果不错

技术选型建议：如果你是学习和探索，首选Stable Diffusion（免费、开源、可定制）。如果你需要快速出图且不差钱，Midjourney的艺术感最好。如果你已经在用ChatGPT Plus，DALL·E 3最方便。

---

你的第一张AI图片

说了这么多，不如亲自试一试。这里给你一个最简单的入门方式：

方案一：用ChatGPT（最简单）

1. 打开ChatGPT（需要Plus账号）
2. 直接输入你的描述，比如：”请生成一张水彩风格的猫咪坐在窗台上看夕阳的图片”
3. 等待几秒，ChatGPT会调用DALL·E 3生成图片

方案二：用Stable Diffusion在线版（免费）

1. 访问 Hugging Face 的在线Demo：https://huggingface.co/spaces/stabilityai/stable-diffusion-3-medium
2. 在输入框中输入英文描述（英文效果比中文好）
3. 点击”Generate”，等待生成

方案三：本地安装Stable Diffusion（进阶）

如果你想在自己电脑上运行，推荐使用 Stable Diffusion WebUI（也叫AUTOMATIC1111）：

`bash

# 克隆项目

git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

cd stable-diffusion-webui

# 运行（Linux/Mac）

./webui.sh

# 运行（Windows）

webui-user.bat

`

运行后会在浏览器打开一个界面，你可以输入文字描述、调整参数、生成图片。

---

提示词：和AI”说画”的语言

AI图像生成的质量，80%取决于你的提示词（Prompt）。

提示词就是你给AI的文字描述。写得好，AI给你惊艳的作品；写得差，AI给你一团模糊的色块。

好提示词的三个要素

要素一：主体描述

告诉AI你要画什么。越具体越好。

• ❌ “一只猫”（太模糊）
• ✅ “一只橘色的英国短毛猫，绿色眼睛，趴在窗台上”（具体明确）

要素二：风格描述

告诉AI你想要什么画风。

• “水彩风格” “油画风格” “像素风格” “赛博朋克”
• “宫崎骏风格” “梵高风格” “吉卜力工作室风格”
• “写实照片” “3D渲染” “卡通插画”

要素三：质量描述

告诉AI你想要什么画质。

• “高清” “4K” “超精细” “专业摄影”
• “柔和光线” “黄金时段” “电影级光影”

一个完整的提示词示例

`

A golden retriever puppy playing in autumn leaves,

warm sunlight filtering through trees,

shallow depth of field,

professional pet photography,

8K resolution, highly detailed

`

翻译：一只金毛幼犬在秋天的落叶中玩耍，温暖的阳光透过树叶，浅景深，专业宠物摄影，8K分辨率，高度细节。

提示：英文提示词通常比中文效果更好，因为大多数模型的训练数据以英文为主。如果你英文不好，可以先用中文写好描述，再用ChatGPT翻译成英文。

---

AI图像生成的边界

AI图像生成很强大，但它也有明显的局限性：

它擅长的

• 创意概念图：天马行空的想象，AI最拿手
• 风格化作品：特定画风、特定氛围的图片
• 素材生成：背景、纹理、图标等设计素材
• 快速原型：快速可视化你的想法，用于沟通和讨论

它不擅长的

• 精确的文字：AI生成的图片中经常出现乱码文字（这是老大难问题）
• 精确的人体结构：手指数量、肢体比例经常出错（虽然在快速改善）
• 精确的逻辑关系：比如”左边是A，右边是B”，AI经常搞混
• 特定真实人物：出于伦理和法律考虑，大多数工具限制生成真实人物

伦理问题

AI图像生成也引发了很多伦理争议：

• 版权问题：AI模型是在大量人类作品上训练的，生成的图片算不算”抄袭”？
• 深度伪造：AI可以生成以假乱真的人脸照片，可能被用于欺诈
• 艺术价值：AI生成的图片算不算”艺术”？这对艺术家意味着什么？

这些问题目前没有标准答案，但作为AI使用者，你需要意识到这些边界。

---

今日总结

三个关键要点：

• AI图像生成的原理：扩散模型从噪声中”还原”图像，你的文字描述引导AI生成方向
• 三大主流工具：Stable Diffusion（开源免费）、Midjourney（艺术感强）、DALL·E 3（理解力强）
• 提示词决定质量：主体+风格+质量三个要素缺一不可，英文提示词通常效果更好

今日行动项

三个小任务，今天就试试：

• 任务一：用ChatGPT或在线Demo生成你的第一张AI图片，体验一下整个流程
• 任务二：尝试用不同的提示词生成同一主题的图片，感受提示词对结果的影响
• 任务三：在网上搜索”AI生成艺术”，看看目前AI图像生成能达到什么水平

---

📖 地铁深读：扩散模型的前世今生

这个板块专为地铁通勤设计，每篇5-10分钟。不想深读可以跳过，不影响主线学习。

从物理学借用的灵感

扩散模型的名字来自物理学中的”扩散”现象——一滴墨水在水中慢慢散开，最终均匀分布在整个容器中。这个过程是不可逆的（你没法让散开的墨水重新聚成一滴），但AI学会了”逆转”这个过程。

2015年，斯坦福大学的Jascha Sohl-Dickstein等人首次提出了扩散模型的理论框架。但当时生成的图片质量很差，远不如GAN，所以没引起太多关注。

转折点在2020年——加州大学伯克利分校的Jonathan Ho发表了论文《Denoising Diffusion Probabilistic Models》（DDPM），证明扩散模型可以生成和GAN一样好甚至更好的图片。这篇论文改变了整个领域的格局。

Stable Diffusion的”出圈”时刻

2022年8月，Stability AI发布了Stable Diffusion，这是第一个高质量且完全开源的图像生成模型。它的出现就像当年Linux的发布——让AI图像生成从少数大公司的”专属玩具”变成了所有人都能用的”公共工具”。

Stable Diffusion的代码托管在GitHub上，模型权重公开下载，任何人都可以免费使用、修改、甚至商用。这种开源精神催生了一个庞大的社区：开发者们创造了各种插件（ControlNet、LoRA、Textual Inversion），让Stable Diffusion的能力不断扩展。

一个有趣的事实

你知道吗？Stable Diffusion最初是在LAION-5B数据集上训练的——这个数据集包含50多亿张从互联网上抓取的图片和对应的文字描述。也就是说，AI看过的图片比任何一个人类一辈子能看到的都多得多。

这也引发了争议：这些图片的原作者是否同意自己的作品被用来训练AI？目前全球范围内关于AI训练数据版权的法律诉讼仍在进行中，这是一个悬而未决的重要问题。

进阶思考题

1. 如果AI能生成任何图片，”摄影”这个职业会消失吗？为什么？
2. 当AI生成的图片和人类画的图片无法区分时，”原创”这个概念还有意义吗？
3. 如果你是一个插画师，你会如何利用AI工具来提升自己的工作效率，而不是被AI替代？

推荐学习资源

• 入门视频：3Blue1Brown的《Diffusion Models Explained》——用动画讲解扩散模型原理，适合零基础
• 实践教程：Stable Diffusion WebUI官方Wiki——从安装到使用的完整指南
• 社区：Civitai（https://civitai.com）——最大的Stable Diffusion模型分享平台，有海量风格模型可以下载
• 深度阅读：Lil’Log博客的《What are Diffusion Models?》——数学推导清晰，适合想深入理解原理的读者

---

下篇预告

明天早上8点：Day23——提示词作画：描述你想要的画面。教你写出高质量的AI绘画提示词，让AI画出你脑中的画面。

明天下午5点：Day23——提示词作画实战。手把手教你用Stable Diffusion生成各种风格的图片。