简介：本文系统梳理AI图像生成技术从早期符号主义到现代扩散模型的发展脉络，回答“文生图为何在2022年定型为CLIP+U-Net+潜在扩散模型”这一核心问题。你将理解AI绘画不是从GAN开始的，而是经历了“规则驱动”“识别驱动”“对齐驱动”与“去噪驱动”四个阶段，并掌握各阶段的技术瓶颈与突破逻辑，为学习扩散模型数学原理打下清晰的应用范式史基础。
AI绘画生成范式，指的是AI系统从“输入条件”（如文本描述、类别标签、草图）到“输出图像”的整套技术路线与设计哲学。它包含三个层面的选择：表征层（图像如何被编码与表示）、建模层（系统如何学习从条件到图像的映射）、生成层（从模型输出到最终像素的具体解码方式）。
理解范式，就是理解“为什么在某个历史节点，某条技术路线成为主流”。它不是理论推导，而是对技术演进逻辑的复盘与抽象。
当前AI绘画领域的讨论几乎都从生成对抗网络（GAN）讲起，这造成一种误解：似乎AI绘画是2014年以后才出现的。事实上，早在计算机图形学与人工智能尚未融合的1960年代末，就已经出现了可运行的“AI作画系统”。回顾这段历史的价值不在于考古，而在于回答一个关键问题：为什么早期符号系统无法扩展？为什么深度学习中的识别模型无法直接用于生成？为什么CLIP的出现成为分水岭？
只有理清这些问题，才能真正理解扩散模型为何在2022年成为文生图的标准答案——它不是凭空出现的模型结构，而是解决了前代范式所有悬而未决的瓶颈之后的自然选择。
早期的AI绘画系统并非基于数据训练，而是基于人类专家编写的显式规则。以最早的可考系统AARON为例，其核心工作方式如下：
这一阶段证明了“机器产出视觉作品”是可行的，但其扩展性受限。原因在于：现实世界的视觉对象（人物、风景、物体）无法用有限条规则穷举，符号系统在复杂度面前迅速失效。
深度学习兴起后，AI视觉的主流任务从生成转向识别。卷积神经网络（CNN）、视觉Transformer（ViT）等模型在图像分类、目标检测任务上取得突破，但其本质是学习“从像素到标签”的映射，即判别式模型。
问题随之而来：识别是压缩信息，生成是扩展信息。识别模型将一张图浓缩为一个类别标签，而生成需要从一个标签还原出无穷多可能的图像。两者在目标函数、网络结构与训练策略上均有本质差异。因此，这一时期AI“画图”更多表现为条件生成任务的初步尝试，但效果粗糙，核心难点在于语言与视觉的对齐：如何让模型理解“一只坐在蓝色沙发上的橘猫”这个文本描述，并将其拆解为颜色、姿态、背景、构图等多维视觉属性。
转折点出现在多模态对比学习方法的引入。其核心思想是：同时训练图像编码器与文本编码器，将图像与其对应的文本描述在共享语义空间中拉近，将不匹配的图像-文本对推远。由此，模型学会了将语言片段与视觉概念建立稳定的对应关系。
这一突破打通了“文本作为条件”的通道。此后，文本编码器输出的语义向量可以与图像生成模型的输入条件对接。但仅有多模态对齐还不够，还需要解决“如何根据条件生成高质量图像”这一底层问题。
扩散模型为生成任务提供了全新的数学框架。其核心思路是：前向过程逐步向图像添加噪声，直至其变成纯随机噪声；反向过程学习逐步去噪，从噪声中重构图像。训练时，模型学习预测每一步添加的噪声；生成时，从随机噪声出发，逐步去噪得到图像。
扩散模型的成功并非偶然，它解决了前几个范式的核心痛点：
当前主流文生图系统的技术栈由三个核心组件构成：
整个流程可概括为：文本→语义向量→潜在噪声→逐步去噪→潜在表征→像素图像。其中每一步都基于深度学习模型完成，模型参数通过在大量图像-文本对数据上训练获得。
AI绘画系统（广义） 与 深度学习生成模型（狭义） 必须区分。前者包含符号规则系统，后者专指基于数据驱动学习的模型。同理，识别模型回答“这是什么”，生成模型回答“如何画出这东西”，两者目标函数相反。
另一个容易混淆的是 GAN与扩散模型。两者都能从随机噪声生成图像，但GAN采用对抗训练（生成器与判别器博弈），训练不稳定、模式覆盖不全；扩散模型采用去噪训练，过程稳定、多样性高，但生成速度较慢（需多步采样）。
AI绘画生成范式经历了从符号规则到判别式识别、再到多模态对齐、最终到去噪扩散的演进。这一路径不是线性替换，而是每一阶段都解决了前一阶段的核心瓶颈，同时留下新的问题。符号系统证明了可能性但缺乏扩展性，识别模型提供了视觉特征但无法生成，多模态对齐打通了语言与视觉的桥梁但缺乏生成机制，扩散模型则补齐了最后一块拼图——一个稳定、可控、可扩展的图像生成引擎。
理解这段历史，比直接背诵某个模型的结构参数更有价值。它让你看到技术选择背后的权衡逻辑，也为未来可能出现的新范式提供了判断坐标。下一篇将深入扩散模型的数学原理，回答“为什么加噪再去噪能够学到数据分布”这一理论根基问题。