1.1 生成式AI基础与图像数字化

1.1 生成式AI基础与图像数字化

生成式AI的本质是"学习数据分布、再从分布中采样出新样本"的模型，与只做识别分类的判别式模型有本质区别。本节从分布采样直觉讲起，厘清图像如何数字化、潜在空间是什么，为后续扩散模型构建第一块地基。

这一节是整套教程的第一块砖，位置很靠前，但千万别假设它简单就能跳过去。第二章讲"加噪、去噪"时，背后一句话是"噪声本身就是在随机分布上采样"，第四章讲"文本控制"时，又依赖"把文字和图像放进同一片分布空间"。这些细节全都要以本节的两个概念——数据分布、潜在空间——为起点。你可以把它当成一张城市地图的图例：看不懂图例，后面就不是读图，是猜谜。

从"识别"到"生成"，差在一个分布

传统AI最熟悉的任务是判别：给一张图，是猫还是狗？AI 学到的是一条边界，把特征空间切成两半。它只回答"这属于哪边"，从不自己造一张新图。生成式AI换了个问法：我不告诉你这是什么，我反过来问你——这堆像素到底长什么样的人才配叫"猫的像素"？为了回答这个问法，模型必须学会描述数据的整体分布，而不是只在意边界。

打个比方。判别式像一位阅卷老师，只看你的卷子是及格还是优秀，从不写卷子；生成式更像一位代课老师，上完一学期课，不但能判卷，还能当场另出一套"风格一眼就是他"的新考题。阅卷不需要建立整套知识体系，出题却必须。

数学上，把一张图像看成高维空间里的一个点。比如 256 乘 256 的三通道图，就是约二十万维的一个点。真实世界的图不会均匀撒满这个空间，而是聚集在某片"低维流形"附近——人脸的图挤在人脸流形上，风景的图挤在风景流形上。生成式模型的目标，就是学出这个概率密度，然后在此密度上采样，采出来的点自然"像真图"。下面这段伪代码把"学分布再采样"落到很朴素的形状：

def train(generator_model, real_images):
    # 目标：让 generator 输出点在 real_images 分布附近
    for batch in real_images:
        loss = measure_distance(generator_model.random_sample(), batch)
        generator_model.update(loss)
    # 训练后：model.random_sample() 即是新图像

def sample(generator_model, noise_vector):
    return generator_model(noise_vector)   # 一个随机的"画稿起点"
​

这里的噪声向量就和扩散关系极深——很多生成模型都以随机向量起步，扩散里，这个向量就是一张"纯噪声"图像。你可以提前记住一句话：生成式AI的起点常常是一把随机的种子，终点才是清晰的图。

图像数字化与潜在空间

电脑里没有"图"，只有数字。一张彩色位图，本质是宽乘高乘通道数的一个张量，每个分量是某像素某通道的亮度。为了让"分布"这类偏移的东西有处安放，我们通常再往下压一层：用编码器把高维像素映射到低得多的"潜在向量"，这就是潜在空间（latent space）。

潜在空间的设计极有意义。人脸流形在高维里又宽又笨，难以直接采样；一旦压到几十维的潜在空间，你会发现维度低到能逐一解释——某一维可能对应"是否微笑"，另一维对应"脸的朝向"。在潜在空间里做算术甚至可行：'微笑的人脸' 减 '面无表情的人脸' 加 '中性人脸的噪声起点'，结果常落在"更开心的人脸"附近。这套"在低维空间做语义算术"的直觉，正是第四章图像到图像、第六章条件控制得以成立的理论底牌。扩散模型和VAE都把大量计算搬进潜在空间，目的只有一个：让"分布"短小精悍，模型才学得动、跑得快。

完整链路数据流向也值得看一眼：

从像素到画稿：一份"数字画布"的刻度

把这张"数字画布"再往下抠一层，你会看到它其实有明确的刻度。以一张 512 乘 512 的 RGB 图为例：图像在内存里是 512×512×3 的形状，每一处像素点都装着红、绿、蓝三个 0 到 255 之间的整数；若按 8 位量化来算，单像素有约一千六百万种颜色可选。于是"一张图"在计算机眼里，就是一条接近 78 万维的长向量。分辨率每翻一倍，维度就翻四倍，这也是为什么直接在高维像素上做生成那么吃力——你不是在画一幅画，而是在超高维空间里撒一整片点。

下面这张图把"原始像素 → 编码 → 潜在画稿 → 解码回图"的过程画成一条可读的流水线，噪声清退发生在潜在画稿这一层：

图 1-1：从像素到潜在画稿的数字化管线

这张图想传达一件事：生成模型其实不直接在"78 万维的原始像素"上跳舞，而是先把画面压进一叠薄薄的低维潜在画稿，清洗（去噪）的动作发生在潜在层，洗净后再交给解码器铺回像素层供人眼查看。尺度差越大，越应该走潜在层，这也是第三章"潜在扩散"一整节的伏笔。

量级直觉：从几万维到几维

用一张小对照表绷紧直觉。同样一张猫脸：

把这一列数字放到一起，你其实已经复习了一半第三章的动机：维度越低，生成、编辑、语义算术越省力；但压得太低又会丢掉细节。找那个"够低又不糊"的平衡点，正是潜在扩散和 VAE 一直在调的事。

工程直觉：分布不是完美的球

工程里最常见的坑，是把生成模型的分布想象成"标准高斯球"，于是认为采样越随机越自然。真相反直觉：真实图像的分布常常带毛边、有空洞、在多峰之间断裂。采样落在空洞里，就会生成"看起来有理、细看很怪"的图——这正是第四章会反复提到的伪影与断裂的来源。所以成熟的流水线都配调度、配温度、配指导强度，本质都是"别在分布边缘乱跑"。

⚠️ 常见坑：判别式与生成式混为一谈。前者做的是压缩成概率标签，后者做的是展开成数据样本。第三节解释扩散时若把这两类混着听，会越听越糊涂。

💡 关键直觉：把生成理解成"从分布里抽一个点"，几乎所有采样器、调度、温度参数的行为都能用"这步采样采得大胆还是保守"来统一解释。

本节要点回顾

• 生成式 vs 判别式：判别学边界、答案是标签；生成学分布、答案是新样本。
• 一条通用配方：训练目标是让模型输出点聚集在真实分布附近，采样即生成。
• 图像即张量：位图是宽乘高乘通道的数值数组，分布存在于其高维空间。
• 潜在空间压缩：编码器把高维像素压到可解释的低维向量，计算与语义算术都搬到这里。
• 与扩散的接缝：扩散的起点噪声向量、第四章的算术、第六章的条件控制，都挂在这两个概念上。

下一节我们会稳住这张坐标：把 GAN、VAE、扩散三套范式放到同一张对比桌上，看到各自的取舍。