别再被模型绕晕了，聊聊AI怎么学看图和造图那点事儿

最近和几个做设计、玩摄影的朋友聊天，发现大家嘴里总蹦出“模型”这个词儿，但细问起来，又好像都蒙着一层雾，有人说：“不就是让AI变得更聪明的东西吗？”这话没错，但总觉得隔靴搔痒，今天咱就抛开那些唬人的术语，像唠家常一样，掰扯掰扯AI世界里两个常被提起，但又不太一样的“模型”——一个是教AI“看懂”照片的，另一个是让AI“画出”照片的，你可以把它们理解为一个擅长“品鉴”，一个擅长“创作”，虽然背后是一家子技术，但干的事儿和用的劲儿,还真不太一样。

先说说那个教AI“看”照片的模型吧，这事儿其实有点像教小孩认东西，你拿一大堆猫猫狗狗的照片给AI看，每张都贴上标签“这是猫”、“这是狗”，一开始它肯定瞎猜，但背后有一大套复杂的数学（咱们就不钻那个牛角尖了），让它每次猜错都能挨一下“小鞭子”，然后自己调整内部一堆看不见的“小旋钮”，你看的照片越多，它挨的“打”越多，调整得就越精细，成百上千万张图喂下去，突然某一天，你扔给它一张它从没见过的猫咪照片，它也能大概率认出来：“嗯，这大概率是只猫，虽然姿势有点怪。” 这个过程，训练”，训练出来的那个东西，就是一个“视觉识别模型”，它的核心任务，是理解和归类，现在手机上的人脸解锁、相册自动按人物分类、甚至路上摄像头识别车牌，背后都是这类模型在干活，它是个超级高效的“识别官”，但你别指望它能给你画只猫——它只懂“拆解”和“判断”，脑子里没有“创作”那根弦。

那“照片模型”，或者说现在火得一塌糊涂的“图像生成模型”，又是咋回事呢？这就好比，你不仅教会了AI认识猫狗，还把它扔进了一个浩瀚无边的美术馆+垃圾场——里面是海量的、各式各样的图像，从世界名画到网络梗图，啥都有，但这次，训练目标变了，不再是贴标签，而是让它去琢磨一个更本质的问题：一张照片，到底是怎么“构成”的？

这个过程更玄乎一点，你可以想象，AI在“学习”时，会被故意加入一些视觉“噪声”，把一张清晰的图弄得模糊混乱，然后它的任务，是学习如何一步步把噪声去掉，还原出原本清晰的图像，通过无数次这样的“破坏-重建”游戏，它居然自己摸索出了世间图像构成的某种“潜规则”：光影怎么分布，线条怎么勾勒，猫的胡须和狗的鼻子有哪些细微差别，甚至某种绘画风格背后有哪些笔触特点，最终训练成熟的模型，就像一个消化了无数视觉元素的“超级大脑”，当你用文字（提示词）向它描述一个场景时，它就能基于它学到的那些“潜规则”，从一片混沌的噪声开始，一步步“推算”和“构造”出一张全新的、符合你描述的图像，它是个“创作引擎”，它的输出是从无到有的“合成”。

这么一对比，区别就清晰多了，一个（训练/识别模型）是分析者，像是个知识渊博的评论家，看画展能滔滔不绝讲出门道，但自己不动笔，另一个（生成模型）是合成者，像个吸收了无数大师技法的天才画徒，你给他个主题，他就能天马行空地给你画出来,尽管有时候手指头可能画得有点别扭。

那它们有关系吗？当然有！生成模型在“学习”构成规律时，底层往往也需要强大的识别能力来理解它看到的元素，可以说，识别能力是更基础的一环，但两者的最终目标和输出结果,是截然不同的两条路。

下次再听到谁谈论“AI模型”，你可以稍微多问一句：您说的是那个会“看”的，还是会“画”的？弄明白这一点，无论是你想用它来高效整理电脑里堆积如山的照片，还是想让它帮你把脑子里那个奇幻场景视觉化，你都能更准确地找到该用的工具，而不是对着一个“识别官”要求它去搞艺术创作,那可就闹笑话了。

技术世界概念层出不穷，但剥开外壳，底层的逻辑往往可以用更直白的方式去理解，希望这点粗浅的唠嗑，能帮你把眼前那层雾吹散那么一点点，毕竟，工具嘛，知道它是干嘛用的，用起来才顺手,你说是不是？

（免费申请加入）AI工具导航网

相关标签： # ai训练模型和照片模型