小朋友都能懂的人工智能⓹ -不可思议的大模型
小朋友都能懂的人工智能⓻ 无名故事与GPT4训练
小朋友都能懂的人工智能⓼无名故事与GPT4推理
小朋友都能懂的人工智能⓽ Hi AI, Database is all you need
小朋友都能懂的人工智能⓾大白话数据库
无名在山中悟道，领悟了一滴墨汁晕开的玄机，从而获得了惊人的绘画能力。这背后的原理究竟是什么?原来墨汁在水中的扩散遵循高斯分布，这个过程在理论上是可逆的。而AI绘画采用的扩散模型(Diffusion Models)也是如此，通过在原图中逐步添加噪点直到看不出原图，然后再让AI从噪点反推回原图，就像墨汁晕开的逆过程。这种作画方式不仅效率更高，还能创造出更加多样化的作品。文章用通俗易懂的例子和故事生动地讲解了扩散模型的原理，揭示了AI绘画的神奇之处。想了解更多AI绘画的奥秘，就让我们一起跟随L老师的脚步，一起探索吧!无名悟道带来希望
L：话说有了老智的统筹和无名的助力，大模型村的粮食生意可谓风生水起，不过老智的成功也吸引了不少强有力的对手进场，在竞争压力下，大模型村的业务规模逐步下滑，村民们着急地为此事组织会议研讨。不过老智却显得信心满满，因为他刚从无名那得知一个好消息。
会上，不少村民们指出，业务下滑的主要原因是宣传投入太少了，相比而言竞争对手在各大搜索、视频、社交等平台均有大量图文、视频的宣传投放。也有人提出反对意见，认为大模型村抽不出更多的人手来加大宣传投入，还是把精力放在提升产品质量上好，短期业务下滑不用担心，酒香不怕巷子深。
老智不慌不忙的说，”你们说的都对，咱们就既重质量，又重宣传，还不增加人手吧。”。此言一出，村民们都有些发懵，去哪找这么好的事啊？老智猜到了大家的心事，于是领着众人来到一座山中房屋前。这一刻，大模型村命运的齿轮将再次转动。
A：这么神秘啊！
L：开门的正是无名，一见面老智就紧紧的抱住无名，兴奋的问，“你真的参透了其中的玄机？”。无名肯定的点点头。老智激动地又蹦又跳，好一会儿才停下来。看着一头雾水的村民们，老智拿了一瓶墨汁，将其中一滴倒入一杯装满清水的杯子中，随着墨汁的扩散，整杯清水转眼间化为黑水，然后给村民们进行了解释。
原来，老智带无名在龟谷治疗失忆期间，一位神秘人向老智展示了一滴墨汁晕开的过程，并告诉老智只要无名能参透其中玄机，无名将在语言以外的绘画、视频等方面继续突破，从而成为全能战士。满怀期待的老智就安排无名在这安静的山中小屋中去参透，没想到真被无名给悟出来了！
L：是的，果然如神秘人所说，无名参透了墨汁后，立即领悟了作画的真谛。接下来是无名的表演时刻。他让大家提任意的要求，他都能在几秒内完成绘画，且无论需求贴合度和绘画质量都让人无可挑剔，引发众人阵阵惊呼。可以说，一滴墨汁成就一代画师。
村民们意识到，有了无名的这种逆天能力，大模型业务真可以做到”既重质量，又重宣传，还不增加人手“，老智所言不虚啊，大家之前的焦虑瞬间一扫而空。
A爸：这....无名也太厉害了吧，这背后是什么原理啊？
L：别着急，咱们也来参透参透。大家都知道墨汁晕开就是一种扩散过程，墨汁最终会和水融为一体。现在我问大家一个问题，谁可以让这杯黑水回到一开始刚刚扩散的样子？
L：是的，但是我们还是可以找到一点规律的。墨汁滴入水中是一种随机的扩散过程，为了寻找扩散的规律，我们可以把扩散的过程拍摄下来，然后分成一帧一帧的图片，仔细观查这些图片，我们会发现每一张图片与上一张图片比起来，墨水的微粒都会更散开一点点。其实这里是有数学规律的，即扩散满足高斯分布。L：举个例子，如果你把全世界人的身高做一个统计，以横轴代表每一个身高区间，纵轴代表身高处于这一身高区间的人数，就构成了一个直方图，大致的形状如下。
大部分人都处于虚线所示的中间区域，越靠近两边人数就越少，但是下降的速度也会变得平缓，这就是高斯分布，又称之为正态分布或钟型分布。L：叫高斯分布是因为这是德国数学家高斯发现的数据分布规律；而正态英文"normal"，原意是"正规的、常规的、正常的"，表示这种分布在数据分析中频繁出现，太常见了，很多大数据量大分布都符合这个规律，比如身高、体重、收入等等；至于为啥叫“钟型分布”，大家注意看这个图，两端逐渐向下延伸，中间高两端低，看起来像不像寺庙里的大钟？L：这一滴墨汁的微粒，在下一个时间点出现的位置，在概率上是遵循高斯分布的。如果时间间隔足够小，它在上一个时间点曾经所在的位置，也是近似高斯分布的，这可不得了，意味着这从计算上是可逆的。如果我们知道在某一个时间点微粒在水中的位置，是有可能反推出上一个时间点微粒点位置的。L：现在大家知道了，虽然我们不能反演墨汁的扩散过程，但是反推大量的微粒运动过程是可能的。接下来重点来了，AI的训练和作画过程也是如此，这种方案是有一个专业的术语，称之为扩散模型(Diffusion Models)。墨汁即原图，扩散即噪点
L：假设我们有一张猫的原图。然后我们逐渐的在图中添加噪点，其实就是像素上的色值，根据高斯分布逐渐扩展的过程。每次散开一些，我们就保留一张当前的图片。直到最后，完全变成一片看不出来的噪点，如下图所示。
这个时候我们告诉AI，这片什么也看不出来的噪点原来是什么，让它把原来的样子画出来，大家觉得AI可以做到吗？
L：是的，如果是让AI一步到位，直接从这张完全看不清的照片中得到猫的原图，确实不行。
不过，有了墨汁扩散的经验后，AI就有办法解决了，它不需要一次生成出最初的图片，它只需要生成出最后一张图片之前的那张图片就可以了。A爸：哦，我明白了！您之前说过一滴墨汁的微粒，在下一个时间点出现的位置，在概率上是遵循高斯分布的。如果时间间隔足够小，它在上一个时间点曾经所在的位置，也是近似高斯分布的。如此说来，在足够小的连续时间间隔内，最后一张超级模糊的图片是可以根据高斯分布，往前反推出略微清晰的图片的，就这样一步一步直到最后完全清晰。L：A爸说的太好了！AI调整噪点的分布，将它调整后的分布跟我们给它的图片进行比对，经过不断的反复尝试，直到收敛成正确的分布，下图用钟型曲线来给大家做一个示意，比如紫色的高斯分布曲线为AI的尝试，黄色的高斯分布曲线为实际曲线，经过多次尝试匹配，一次比一次更靠谱，直至紫色和黄色的完全重叠，收敛成功！请大家仔细看下图的过程。
正确收敛后顺利过关！你们看，略微清晰的图片出来了吧，如下图所示。
接着继续这样类似的操作一张一张图片进行下去，最终，来到最初的图片。
AI在经过无数张类似的图片训练后，AI终于学会了如何省时省力的画画了，从一堆噪点中反向扩散出一张画了，变成画猫高手了，如下图所示。A爸：真想不到，这画猫和墨汁的扩散过程真是有异曲同工之妙啊。L： 是的，黑色的水就是全都是噪点的图，每次迭代反向扩散就是根据当前墨水的状态，推测前一个阶段水的状态，最后得到墨水没有散开前的样子就是图像最原始的那只可爱的猫。
两者从本质上是一样的，只要是随机扩散，就遵循高斯分布。有规律，机器就能通过无数次的训练去学习和加以应用。
A爸：还真是挺有趣的！不过，我还是有一个疑问，AI绘画为啥要采用这种扩散模型，正常的一笔一笔画出来的方式不好吗？
AI为何要采取扩散模型来绘画
L老师：A爸这个问题问的好！我给大家讲个小故事吧。有甲乙两位画师展开山水画决赛比试，画师甲来到赛场，撸起袖子拿起画笔，一笔一画一点一滴在画纸上勾勒出山谷、树木、飞鸟、河流、船只、行人....逐渐填满了整张巨幅画纸。而画家乙迟到了，到赛场时作画时间已所剩无几，怎么办？只见画师乙不慌不忙将一桶颜料往画纸上泼去，颜料在画纸上四处晕开，瞬间布满了整张画纸。然后画师乙开始因地制宜修修补补，像山的地方就修成山，并擦拭出树木花草；像水的地方就画成水，并补上船只、飞鸟....就这样，画师乙不仅没有超时，居然比画师甲还更早提交了作品。故事说到这里，大家想到AI采用扩散模型绘画的原因了吗？
A爸：画师甲是常规作画，而画师乙就是采用扩散模型作画，我是不是可以理解为扩散模型的作画效率更高，所以AI选择了扩散模型。L老师：扩散模式作画的效率更高，A爸说出了一个关键点，非常好！大家还有什么补充的吗？A：L老师，我觉得画师乙画的虽快却意义不大，这么粗暴的画法肯定作品很丑，一定比不过画师甲的。L：哦，故事还没结束，我继续往下说吧。两位画师提交作品后，评委们进行了现场打分，最终画师乙获胜，拿到了全国画王的荣誉称号。
L：其实画师乙的这种作画模式并非情急之下的应对之策，他每日都在不断的泼墨擦拭作画，已经坚持了数十年，并完成了成千上万幅作品。经过长时间的训练，画师乙对这种作画方式的分寸已经拿捏地恰到好处，已经到了一种炉火纯青的境界。C：L老师，我忽然想到，泼洒四处的颜料需要逐步完善，一点一点形成最终作品，而无法一步到位就搞定了。而您前面提的猫的图片也是如此，从模糊逐步走向清晰，而非一步到位直接生成清晰原始图。A：L老师，如果说画师乙通过刻苦训练，掌握这种神奇的作画模式，我是可以理解的，也相信画师乙的这种看起来很随意的作画模式，能击败一笔一划精雕细琢作画的普通人。不过画师甲可是能进决赛的大画家，不至于落败吧。
L：小A啊，其实你的话中已经蕴藏了答案，就是“随意”这两个字，正是这种随意导致作品更具有多样性，评委们见惯了各种循规蹈矩的作品，当看到画师乙的作品时，会有不一样的感觉。假设让画师甲继续再画几张山水画，他输出的每一张依然精美，却大同小异。而画师乙则由于泼墨的随机性，导致每一张会有较大差异，也就是说画师乙的绘画天然能创造出给人觉得不一样的、没见过的、耳目一新的作品。这就是画师乙获胜的主要原因。L：关于效率我做一个补充，如果画师甲和画师乙是两个团队的话，画师乙的成员们就可以并行操作了，大家在整张画纸上共同调整优化，如果平时团队就这么一起训练的，那配合起来更是天衣无缝了。而画师甲的画图方式需要按顺序一笔一划地绘制，实现并行就困难了，画师甲的助手估计只能帮忙端端水，递递笔来打打下手了。A爸：听起来很有道理啊，看来扩散模型还真是好处多多啊！
L：实际上扩散模型的好处远不止效率高和多样性这两点。L：今天时候不早了，关于扩散模型的其他好处我们下次再说。其实AI绘画是非常复杂的，比如让AI画“一只戴眼镜，喝着咖啡的，正在读书的小猫”。那AI得识别我们的这个指令，那怎么才能让AI听懂呢？AI能通过扩散模型最终形成这样一只可爱的猫咪，可是猫、眼镜、咖啡、书到底长什么样，AI是否是保存了一个巨大的图片库吗？
大家细品一下，是不是觉得还有很多的疑问，没关系，都会整明白的，今天就到这里，咱们下回分解。
预告：《超融合数据库》即将出版，关注梁老师公众号，敬请期待。
梁敬彬约 10 分钟