夜雨聆风我们在#24期创作了一只可爱的午后橘猫。从提示词到一幅画的生成，中间发生了什么？这篇文章帮你拆开AI文生图的核心技术链。
路标
在AI四层生态中，我们走到了模型层的多模态生成分支。本文聚焦“文生图”，以“午后橘猫”为贯穿案例，拆解AI将文字转化为图像，跨模态生成的完整过程。
什么是多模态？
多模态，就是让AI同时理解文字、图像、声音等多种信息形式。
理解多模态，就抓住了AI从“看懂世界”到“创造世界”的关键一步。
它为什么关键？
这项技术直接决定了人机交互的自然度、创意表达的效率和AI工具的实用性：无需学画画就能生成专业图像，灵感落地仅需几秒，让AI工具从“玩具”升级为配图、海报设计等生产力工具。
对普通用户而言，手机里的文生图App、AI修图工具，甚至相册智能生成，底层都依赖这套技术。理解它，就能更精准“指挥”AI画出想要的效果。
它是怎样工作的？（技术链五步）
1. 文字编码——把“人话”转成数字
AI无法直接识别汉字语义，需通过CLIP文本编码器（先将文字、图像分别编码，再实现跨模态语义对齐），将“午后橘猫，毛茸茸的轮廓”这类文字，转化为数字形式的向量。
CLIP核心做三件事：分词（拆分句子为“午后”“橘猫”等语义最小单元token）、向量化（每个token对应高维向量）、语义对齐（输出文字语义数字化的条件嵌入，作为后续导航）。
“午后”的向量含“暖光、明亮”信息，“毛茸茸”含“柔软、边缘模糊”信息，直接影响后续图像生成的色调和质感。
2. 潜空间压缩——先做“草稿”再作画
完成文字编码后，AI会通过VAE（变分自编码器）压缩图像：一张3×512×512的图，会被压缩成4×64×64的潜空间表示（数据量仅为原来的1/48），相当于画家先画草稿，既提升效率，又便于修改。
这意味着“橘猫”先在64×64的抽象特征图中优化，再放大补全细节，避免直接画像素的高计算量。
3. 扩散去噪——从“雪花屏”到“橘猫”
这是核心步骤：AI从随机噪声“雪花屏”开始，通过15-50次迭代去噪，结合文字指令引导方向，核心依赖U-Net神经网络（预测噪声、融合文字与图像语义）。
通过交叉注意力机制，文字会精准引导画面——模型实时计算每个像素区域与提示词中每个词的关联权重：权重高的区域（如“橘色”）被强化为橙色，权重低（如“背景虚化”）的区域被模糊处理。就这样，“橘色”强化毛色，“毛茸茸”优化边缘，“背景虚化”聚焦主体。
CFG（提示词强度）旋钮控制模型对提示词的服从度：常用7-12，值越高AI越严格遵循你的描述，略显刻板；调低到3-5则更灵活，常有意外惊喜。
迭代过程中，橘猫从模糊色块逐渐显形，30步后细节清晰，最终强化背景和毛发质感。
（这一步就是我们在#24期介绍过的，学术界所说的“扩散模型”：从随机噪声逐步去噪，生成目标图像。）
4. 图像解码——从草稿还原高清图
去噪完成后，VAE解码器将潜空间的压缩数据，还原成3×512×512的高清像素图，解码器质量直接决定眼睛、毛发等细节的自然度。
5. 参数如何影响你的猫
Steps（迭代步数）：20-30步满足日常需求，步数越多细节越丰富，精细创作可至50步。
CFG Scale：常用7-12，值越高AI越严格遵循提示词；调低到3-5则更自由，常有意外之喜。
Seed（随机种子）：固定种子可生成相同橘猫（适合系列创作），更换种子则形态不同。
当前水平与瓶颈
当前能做到的：稳定生成2K图像，支持复杂构图，能精准处理“潮湿的皮毛”等抽象描述，可局部修改图像（例如圈出猫的眼睛，说“眼睛再大一点”，AI只改局部）。
仍在攻克的瓶颈：难以实现细微特征控制（如“左耳稍耷拉”），物理规律适配不足（倒影、毛发动态异常），长文本实体易错位，文字渲染易乱码（如“午安”笔画粘连）。
近期里程碑：ChatGPT Images 2.0支持网页搜索生成，Wan-Image优化光照和文字渲染，国产模型在中文理解上更具优势。
未来与领跑者
发展趋势：
短期（1-2年）2K-4K成标配，对话式修改成主流；
中期（3-5年）实现图层级可控生成；长期AI可自主理解物理规律。
行业领跑者：
海外——OpenAI（DALL·E）、Midjourney、Stability AI（Stable Diffusion）；
国内——通义万相、文心一格、千问等。
与你有关
理解技术后，可更高效设计提示词：错误示例“橘猫”（模糊）；优化后“午后柔光下，毛茸茸的橘猫，趴在窗台，背景虚化”（补充感官词汇）。
既然理解了AI画图的原理，那么有两个实际问题值得注意：
1. 提示词技巧：多加具象词汇（材质、光线、情绪），固定Seed保持主体一致。
2. 版权与创作记录：仅输入简单提示词难以主张版权，保留提示词迭代优化记录、调整参数截图、草稿文件——这些是你的“创作指纹”。
溯源与结语
从2020年扩散模型的提出，到2022年Stable Diffusion开源让普通人也能“画猫”，再到今天多模态融合、2K分辨率普及——这条技术路只用了不到六年。
每一次迭代，都不是模型自己变聪明了，而是研究者不断给AI提供更清晰的“路标”：更好的文本编码、更高效的潜空间、更精准的注意力机制。
AI画图是用户（定义需求、优化提示词）与工程师（技术开发）协同的AI辅助创作，每一次提示词输入，都是技术与创意的结合。
关于本文
本文为“AI认知地图”系列之一，不堆砌术语、不制造焦虑，聚焦文生图核心逻辑，帮你看懂AI画图的底层原理。
（本文为编者与AI工具DeepSeek、豆包多次对话获取信息，经人工整合撰写）
（本文插图除标明原创外，为豆包AI助力生成）
