从 GAN 到 Diffusion：AI 生图技术的十年进化史

2014 年，AI 生成的图片像素模糊、勉强能看出是人脸。2024 年，AI 生成的照片已经能骗过绝大多数人。这十年发生了什么？

故事从一场博弈开始

2014 年，Ian Goodfellow 在蒙特利尔的一个酒吧里和朋友讨论生成模型时灵光一闪：如果让两个神经网络互相博弈会怎样？

一个网络（生成器）负责生成假图片，另一个网络（判别器）负责区分真假。生成器的目标是骗过判别器，判别器的目标是识破生成器。两者在对抗中不断进化——就像伪造者和鉴定师的军备竞赛。

这就是 GAN（Generative Adversarial Network，生成对抗网络）。它在2014-2020年间统治了图像生成领域。

GAN 时代（2014-2020）：辉煌与痛苦

关键变体的演进

DCGAN（2015）：首次将 CNN 引入 GAN，用转置卷积替代全连接层。这是 GAN 第一次能稳定地生成像样的图片。

ProGAN（2017）：NVIDIA 提出渐进式训练——从 4×4 开始逐步增长到 1024×1024。先学粗糙结构再学细节，就像画家先构图再精修。这让 GAN 首次生成了 1024 分辨率的逼真图片。

StyleGAN（2018-2019）：同样来自 NVIDIA，引入了”风格映射网络”，让生成过程可以在不同层级独立控制——粗糙层控制姿态，中间层控制五官，精细层控制肤色和发色。StyleGAN 生成的人脸达到了肉眼难辨的程度（thispersondoesnotexist.com 就是它的作品）。

GAN 的两大致命问题

模式崩塌（Mode Collapse）：生成器找到少数能骗过判别器的”安全答案”后就不再探索了。就像一个学生发现老师只考几种题型后，就只背那几个答案——多样性丧失殆尽。训练在人脸数据集上的 GAN 可能只会生成几种固定的面部特征组合。

训练不稳定：生成器和判别器的平衡极其脆弱。判别器太强，生成器得不到有效梯度（”不管画什么都是零分，没有方向”）；判别器太弱，生成器学不到真正的数据结构。就像跷跷板——稍有偏差就会崩溃。

VAE：结构化的潜在空间

VAE（Variational Autoencoder，变分自编码器） 走了一条更”温和”的路线：

1. 编码器把图像压缩到一个连续的潜在空间
2. 解码器从潜在空间中采样点来重建图像
3. KL 散度正则化保证潜在空间平滑可插值

VAE 训练稳定、潜在空间有良好结构（可以在两张脸之间平滑过渡），但生成的图像通常模糊。原因是数学上的必然：VAE 优化像素级重建误差，面对不确定性时倾向于取平均——就像把多张可能的图片叠加，结果自然模糊。

GAN 用对抗损失直接惩罚”不真实”，所以输出锐利但不稳定。VAE 用重建损失保证”不偏离”，所以输出稳定但模糊。这是模式寻找 vs 模式覆盖的经典 trade-off。

扩散模型为何胜出（2020-2023）

2020 年，Jonathan Ho 等人的 DDPM 论文让扩散模型走向实用。2021 年，”Diffusion Models Beat GANs on Image Synthesis”正式宣告扩散模型在图像质量上超越 GAN。

三个核心优势：

1. 训练稳定性：GAN 的对抗训练容易崩溃。扩散模型的训练目标是简单的 MSE 去噪损失——没有对抗动态，训练过程”无聊但可靠”。

2. 模式覆盖：模式崩塌在扩散模型中不存在。它天然覆盖数据分布的所有模式，多样性极高。

3. 可扩展性：扩散模型的性能随计算和数据的增长表现出优异的 scaling behavior——这和 LLM 的发展路线完美契合。

自回归图像模型：用语言模型的方式生图

DALL-E 1（2021）

OpenAI 走了一条完全不同的路：像生成文本一样生成图像。

1. 用离散 VAE 把图片编码为 32×32 的 token 序列（每个 token 从 8192 的词汇表中选）
2. 把文本 token 和图像 token 拼接成一个长序列
3. 用 120 亿参数的 GPT 模型自回归地预测下一个 token

DALL-E 1 证明了语言模型范式可以迁移到图像领域，但推理速度极慢（需要逐个生成数千个 token），且存在错误累积。

Parti（2022）

Google 的 Parti 把自回归方法推到 200 亿参数，在复杂场景生成上表现出色。但同样受制于生成速度——最终，扩散模型因为推理效率更高而在实际应用中胜出。

Flow Matching（2023-2024）：最新范式

扩散模型也有痛点：需要很多采样步骤（20-50 步），噪声调度要精心设计，理论框架（SDE）复杂。

Flow Matching 提出了更优雅的替代：为什么不直接学习从噪声到数据的最短路径？

核心思想：

• 定义一个连续的流，把噪声分布直线映射到数据分布
• 网络学习一个”速度场”，指导样本沿着最优传输路径移动
• Rectified Flow 让路径尽可能直——直线路径意味着只需很少步数就能到达

到 2024 年底，Flow Matching 已取代 DDPM 成为主流范式。Stable Diffusion 3 和 Flux 都采用了 Rectified Flow。

总结：每一代解决前一代的痛点

技术	核心思想	优势	痛点
GAN (2014)	对抗博弈	锐利输出	训练崩溃、模式崩塌
VAE (2013)	概率编码解码	训练稳定、可插值	输出模糊
DDPM (2020)	逐步去噪	稳定+高质量+多样性	采样慢
自回归 (2021)	逐 token 生成	Scaling law 有效	推理极慢
Flow Matching (2023)	直线最优传输	少步骤+简洁+高效	相对较新

下一篇预告

我们知道了扩散模型胜出的原因，但还没真正理解它怎么工作。一个模型怎么能从纯噪声中”凭空”生成一张逼真的图片？答案是：它不是凭空创造，而是像修复师一样——一层一层地揭开覆盖在画作上的灰尘。下一篇，我们深入扩散模型的数学原理。