当你在AI绘图工具中输入“戴着小丑帽的柴犬在霓虹灯雨夜驾驶复古敞篷跑车，赛博朋克风格”，很快就能得到一张高度匹配的图片。这看似神奇的过程，其实是两种AI技术——扩散模型和文本理解模型共同作用的结果。它不是凭空创造图像，而是从杂乱的像素噪声中，按照文字描述一步步“雕琢”出清晰画面的过程。

　　文生图的核心技术是扩散模型，它的聪明之处不在于直接学画画，而在于学会如何从混乱中整理出秩序。在训练阶段，模型要完成两项任务：首先是观察“破坏”过程，给清晰的图片一步步添加随机的视觉噪声，就像给一幅画反复泼洒墨点，直到图片变成完全模糊的“雪花屏”;然后是学习“重建”能力，当看到一张被视觉噪声污染到某一步的图片时，模型要预测出它在上一步(污染前)的样子，也就是找出需要去掉的视觉噪声。

　　通过在海量图片上重复亿万次这样的练习，模型慢慢掌握了图像的基本规律：它知道“毛茸茸”的质感怎么用像素表现，“金属反光”需要怎样的明暗变化，“霓虹灯”该有什么样的色彩分布。这种强大的“去噪”能力，能让它从不同程度的混乱中剥离干扰，还原出清晰的图像结构。

　　但光会去噪还不够，怎么让模型听话照做呢?这就需要文本编码器(比如CLIP，对比语言——图像预训练)发挥作用了。CLIP在训练时看过无数对“图片——文字描述”，它能把图像的视觉特征和文字的含义放到同一个“理解空间”里。在这个空间里，“柴犬”这个词和柴犬图片的特征很接近，“赛博朋克”风格和这类图片的特征会聚集在同一区域。当你输入描述文字时，CLIP会把文字转化成这个空间里的“目标坐标”，浓缩你所有的要求。

　　实际生成图片时，是从一张完全随机的噪声图开始，就像一块等待雕刻的原石。每一步去噪时，模型不仅看当前的半成品，还会通过CLIP把它转化成“图像向量”，再和文字转化的“目标向量”比对，算出两者的差异。这个差异就像导航指令，告诉模型该去掉哪些偏离描述的噪声，强化哪些符合要求的特征。

　　经过几十甚至上百次这样的迭代，图片在文字引导下不断去除噪声，轮廓、色彩和细节越来越清晰，最终生成一张符合描述的清晰画面。简单说，扩散模型负责从噪声中“雕刻”出图像，文本理解模型负责按文字要求“导航”方向。正是这两种能力的配合，让人类用语言表达的想象，能通过AI高效地变成看得见的图像，为创意表达开辟了新可能。