通过图像生成来理解深度学习。

图像 1 和 6 是合成的：由人工智能根据一组时间序列的图像生成。

2、3、4 和 5 是人类的创作。更准确地说，是我画的。我用手指在屏幕上，在一个叫“Paper”的应用里画出来（这个应用最早属于 FiftyThree，现在属于 WeTransfer）。我先画出图像 2，然后依次往下。纯手工，加上放松的时间。

我把一组风格和美感都相近的作品交给人工智能，让 OpenAI 生成假设中这一系列的第一张和下一张。

我们人类会从中读出构图逻辑、色彩逻辑、空间逻辑。对人工智能来说，这是一场关于属性、迭代和概率距离的游戏。即便如此，结果依然美妙。

技术上说：模型把每张图像编码进一个高维的潜在空间，在那里“风格”被表示为一个向量。它对这些向量取平均，以此推断出整个系列的方向，再通过反向扩散，从噪声出发，一步步做去噪（降低噪声），直到生成出一件与那条风格轨迹相吻合的作品。它不是复制：它是插值。

换句话说，模型把这些图像编码进一个 潜在空间，也就是一张数千维度的数学地图，视觉特征在那里被表示为语义向量。通过对这些向量取平均，人工智能识别出这一系列的风格轨迹。它不是在复制图像：它是在对数值做插值。

而与此同时，我依然会为那些细微之处感到惊叹。也依然会惊叹于：一个人工智能，竟然能为一个由四张图像组成的人类系列，生成出第一张和第六张。

图像 1、2、3 和 4。人类的创作

潜在空间：用数学为创造力绘制地图

想象一下，你得用，比方说，512 个滑块来描述你的每一幅画。一个滑块控制“偏圆形还是偏有机形态”，另一个控制“色彩饱和度”，再一个控制“同心层的密度”，再一个控制“藏青色的存在感”……就这样一路排到 512 个。没有哪个滑块的名字是人类认得出来的——它们是算法模型在训练过程中自己发现的维度（深度学习）——但它们合在一起，就能捕捉任何一张图像的本质。

那个 512 维的空间，就是潜在空间。这个数字实际上要大得多：在 Stable Diffusion 这类模型里，生成发生的那个空间大约有 16,000 个维度，而与之关联的语义空间——也就是编码“风格”或“概念”的那些空间——大概在 768 或 1,024 上下。

可观测宇宙大约包含 10⁸⁰ 个原子。而仅仅是 512 个二元滑块，潜在空间可能的组合数就已经超过宇宙原子总数，指数几乎翻了一倍。

在体量更大的闭源模型里，这些数字会上升到几千。“512 个滑块”的说法是一种教学上的简化。重要的是记住：我们谈的是数千条轴，而不是数百条，而且每一条都是自动学到的维度，没有人类给的名字。都是模型自己推断出来的。

世界上的每一张图像都是那里面的一个点。相似的图像住得近；截然不同的图像住得远。

潜在空间厉害的地方在于，你可以在里面对语义做加减法。词嵌入的经典例子：国王 − 男人 + 女人 ≈ 王后。在图像上也一样：微笑的肖像 − 中性表情的肖像 =“微笑向量”，之后你可以把它加到任何另一张肖像上，让那个人笑起来。

这六幅画就是那个空间里的六个点。它们构成一小团云。人工智能可以算出这团云的中心（“平均风格”）、它的主导方向（这一系列在往哪个方向演化），或者任意两点之间的一个插值点。它推断“第一张”（图像 1）和“下一张”（图像 6）时做的正是这件事：在你的风格云里定位一个合理的位置。它找的不是那个精确的点，而是采样出一个合理的位置。所以，如果我们让它生成十次“第七张图像”，它会给我们十张不同的图像，而且每一张都和我的风格相符。这是一个随机过程，不是确定性过程。现在，非确定性模型这个概念说得通了吗？

潜在空间是视觉世界的一张压缩地图，在那里几何是有意义的。朝某个方向移动，就等于以一种连贯的方式改变图像。

系列中的图像 1 和图像 6

扩散：让创作从噪声中稳定成形

扩散是生成的机制。它的逻辑违反直觉，却很美。

在训练阶段，人工智能做的事情和生成正好相反。它拿一张真实的图像，一点一点、一步一步地往上加高斯噪声，直到把它变成纯粹的雪花——就是电视没调好台时的那种白噪声。而在每一步，它都在学着预测刚刚加上去的是什么噪声。它用数百万张图像把这件事重复数百万次。它学会了以受控的方式毁掉图像。它学会了分辨：要让一张图像重新变得有意义，什么才是多余的。

到了要生成的时候，人工智能把这个过程反过来。它从纯粹的噪声出发——字面意义上就是从一条高斯钟形曲线里抽出来的随机值——然后一步一步地，减去“它”自己预测出来的噪声，一点一点地把那些噪声清理掉。每一步都去掉一部分多余的东西，直到一张连贯的图像开始浮现。每一次迭代，图像都少一分脏污，多一分清晰。五十步或一百步之后，一张连贯的图像从混沌中浮现出来。而这一切发生在几秒钟，也许几分钟之内。

一个技术上的细节：出发时的那些噪声并不住在语义空间里——就是“风格、概念、构图”的那个空间——而是住在自编码器的潜在空间里，那是图像的一种压缩表示。语义空间的作用方式不一样：它是引导整个过程的条件向量。在大约 50 步的每一步里，模型接收两个输入——当前的噪声和那个条件——然后预测噪声里哪一部分是多余的，好让结果更接近一张符合所要求风格的连贯图像。随机噪声是原材料；你那一系列作品的嵌入向量，是把它雕刻成形的力场。

我们能用的最精确的比喻，是雕塑家米开朗基罗的那个。Michelangelo di Lodovico Buonarroti Simoni 说过，大卫本来就在那块大理石里面，他只是把多余的部分拿掉而已。

扩散就是这么回事。图像早就潜藏在噪声里了。

模型只是一步一步地，把不属于那里的东西拿掉。只不过多了一样米开朗基罗没有的东西：浮现出来的那个“大卫”，取决于每一凿落下时，向凿子低语的是什么样的风格条件。

今天，凿子或画笔可以是物理的，也可以是语义的。可以从词语出发，或者从图像、从音频、从文本出发，等等。凿子或画笔是变量。它们也可以是常量。创造力依然存在。而我们所说的艺术，是一种情感层面的判断。

图像 1 和 6 是艺术吗？