2017年，当我第一次用GAN生成模糊的动漫头像时，我并没有意识到这会是AI视觉领域黄金时代的开端。彼时的人们很难想象，七年后，只需一句话描述，AI就能生成照片级真实的图像。

这篇文章，我想聊聊AI绘画从GAN到Stable Diffusion的完整演进路径，以及我个人的一些观察与思考。

｜GAN时代：对抗中诞生的想象力

2014年，Ian Goodfellow提出了GAN（生成对抗网络），这个框架的思路相当有意思：两个神经网络——生成器和判别器——相互博弈，生成器努力造假，判别器努力打假。当判别器再也无法分辨真假时，生成就成功了。

早期GAN生成的图像质量相当有限，分辨率低、细节缺失、且训练极不稳定。我记得2017年前后，Conditional GAN和Progressive GAN算是当时相对成熟的工作，能生成256×256的还算像样的人脸。但即便如此，GAN的致命缺陷是模式崩溃——生成器往往只学会复制少数几个样本，无法真正理解数据分布。

个人理解：GAN更像是让机器学会了模仿，而非真正的创作。它的能力边界很大程度上受限于判别器的鉴别能力。

｜VAE与Diffusion：另一条路

在GAN大行其道的同时，变分自编码器（VAE）和自回归模型也在悄悄发展。VAE通过编码-解码结构学习潜在空间，生成的图像更平滑，但细节不够锐利。

真正的转折来自Diffusion Model（扩散模型）。2020年 DDPM 论文发布时，学术圈并没有太大动静——采样速度太慢是致命伤。但到了2021年，OpenAI的Classifier-Free Guidance和improved DDPM让速度有了数量级的提升。

｜CLIP与多模态：让AI理解文字

2021年，OpenAI发布的CLIP是一个标志性事件。它用互联网级的图文配对数据训练，让模型真正理解了这张图是什么意思。CLIP将文本嵌入和图像嵌入对齐到同一空间——从此，按文字生成图像从玄学变成了工程问题。

｜Stable Diffusion：开源的革命

2022年8月，Stability AI以Latent Diffusion Model为基础，发布了Stable Diffusion。这个模型的核心创新在于：不在像素空间，而在压缩后的潜在空间进行扩散过程。这让512×512图像的生成从数小时缩短到几秒。

开源意味着什么？意味着全球开发者可以在此基础上微调、组合、控制。ControlNet、LoRA、ComfyUI……整个AI绘画生态在几个月内爆发式生长。我自己跑过好几个开源ControlNet模型，那种精准控制的感觉，是此前所有工具都无法提供的。

个人理解：SD真正把AI绘画从展示技术变成了创作工具。之前大家玩的是Demo，之后大家用的是产品。

｜DALL-E 3、Midjourney与GPT-4V的冲击

2023年后，闭源模型继续进化。DALL-E 3在语义理解上大幅提升，Midjourney靠着社区运营和精美的出图效果吸引了大量创作者。但最让我惊讶的是GPT-4V等多模态模型的加入——AI不只是生成图像，它开始能够理解、评价、甚至反思自己生成的图像。

｜结语

七年时间，AI绘画从能生成一张模糊的图进化到能精准理解我的创作意图。GAN教会我们对抗与博弈，Diffusion教会我们噪声与复原，CLIP教会我们语义与关联，Stable Diffusion教会我们开放与生态。

作为亲历者，我最大的感受是：技术迭代的速度远超预期，但真正改变创作生态的，往往不是最尖端的技术，而是那些降低门槛、让普通人也能用起来的开源工具。

下一步，AI绘画会走向何方？我倾向于认为，多模态理解与个性化微调会是下一个主战场。

话题：#AI绘画 #人工智能 #AIGC #Stable_Diffusion #GAN