你輸入「黑色圓環」，AI 就能產生一張圖。你沒有交給它圓環的照片，它怎麼知道要畫成什麼樣子？

先把這件事分成兩段：模型 (Model) 先用現有圖片練習，之後才用學到的能力產生新圖片。先練習的過程叫訓練 (Training)。我們一路用「黑色圓環」來看。

先看一個點：「把圖片變亂」是什麼意思？

圖片由很多小點組成，每個小點叫像素 (Pixel)。先用黑白圖片來看：每個位置有一個亮度數字，0 是黑色，255 是白色，中間的數字是深淺不同的灰色。

先用亮度加減的例子看清楚變動：假設一個位置的亮度是 100。程式隨機選到 +30，就把這個位置改成 130：它變亮了一點。另一個位置原本是 180，這次選到 −40，就變成 140：它變暗了一點。

這些隨機選出的變動數字，就是這裡說的雜訊 (Noise)。 它們不是圖片上另一層可以撕掉的東西，而是混進圖片數字裡的變動；畫面上看見的是變動後的明暗。

對很多位置都這樣改，原本整齊的深色輪廓就會被打亂。改動小，還看得出圓環；改動大，原本的輪廓越難辨認，看起來就像散亂的亮點和暗點。

先拿一張清楚的圓環圖，製作練習題

程式保留原圖，再製作一張明暗被改動過的圓環圖。因為變動數字是程式自己選的，它知道每個位置改了多少。

接著，把加過雜訊的圖交給模型，讓它猜：各位置加入的雜訊是多少？ 模型還會收到這次的雜訊程度，但不會拿到原圖或正確雜訊作為答案。

把剛才的 100 → 130 放進這道練習題，就能分清誰知道什麼：

模型要猜的是「這個位置混入了多少變動」。假設它猜 +20，程式就能拿真正的 +30 比較：這次猜少了 10。

程式用這些猜測的差距，調整模型裡控制計算的數字。這些數字叫參數 (Parameter)。之後遇到練習題時，模型的計算結果就會受到調整的影響。

注意，只看到 130，無法知道原本一定是 100：也可能原本是 120，只改了 +10。模型需要參考整張圖片的線索，並從很多次練習學習怎麼估計；不保證每次都能猜中程式抽出的數字。

只練一張圓環，就會畫圖了嗎？

不會。上面的圓環只是一題。實際訓練會換很多圖片，也換很多雜訊程度：有的圖只變亂一點，有的幾乎看不出原本內容。

拿圓環來看，一圈深色輪廓、較亮的中央與外圍，彼此有關係。模型透過很多圖片的練習，學到這類圖片規律，估計雜訊時便能利用其他位置提供的線索。雜訊很重時，它也無法確定唯一的原圖；它要根據學到的規律做估計。

所以「學會估計雜訊」在這裡的意思是：看一張明暗被打亂的圖片，估計各位置混入的變動數字。程式再利用這份估計，決定怎麼調整圖片。

那「黑色圓環」這幾個字怎麼起作用？

要讓模型按照描述產生圖片，訓練時也會一起提供圖片的文字描述。例如：

描述先轉成模型能計算的數字，再和加過雜訊的圖一起送進模型。模型經過很多這類練習，學到文字和圖片特徵的關係；描述不同，估計雜訊時參考的資訊也不同。

描述讓模型知道這次要往哪種圖案調整。這個關係是從資料中學來的，不是程式事先寫死「看到圓環，就畫一個圓」，也不是把「圓環」兩字直接變成圖片。

現在才開始：沒有原圖，怎麼產生一張新圖？

訓練完成後，這次只提供「黑色圓環」的描述。程式先替每個位置製作隨機數值，排成一張明暗雜亂的圖。這次沒有拿原圖來改，也沒有記著每個位置應該恢復成多少。

接下來反覆做這三件事：

1. 模型看目前的畫面和「黑色圓環」的描述，估計各位置混入的變動。
2. 程式根據這份估計和本步的更新規則，調整各位置的數值，畫面就會改變。
3. 把改過的畫面再交給模型，繼續估計和調整。

訓練時有原圖，可以製作題目和答案；生成時沒有指定原圖，要靠學到的規律產生新圖。

前面練習了很多圓環圖片及其描述，模型的估計便能反映這類圖片的規律：哪些位置適合形成深色輪廓、哪些位置較亮。程式反覆利用估計更新畫面，逐漸形成符合描述的圖案；不是每一步都已經知道最後要畫哪一張圓環。

這種先練習處理被雜訊打亂的圖片，再從隨機起點逐步產生圖片的做法，是擴散模型 (Diffusion Model) 的代表性流程。

所以它不是找出「亂點背後藏著的那張圓環」。同一份亂點並沒有唯一正確成品；換起點或描述，可能產生不同圖片，也可能畫得不符合期待。

這次使用的是已經練習過的模型。程式反覆改的是正在產生的圖片；通常不會因為這次生成一張圖，就重新調整模型本身。

和產生文字相比，差別在哪裡？

常見的文字生成做法，是根據已經有的內容，選一個新片段接到後面。用方便閱讀的分段來看，就是「黑色」→「黑色圓」→「黑色圓環」。

兩者都反覆使用模型，但改的東西不同。圖片並不是每一步往尾端多接一排點，也不是從左上角開始，一格一格向右畫。

到這裡，先抓住兩件事：模型先拿現有圖片練習；生成時再用學到的規律，從新的亂點開始調整。 文字的常見做法則是把新片段接到後面。

接著可以讀〈AI 是怎麼回答我的問題的？〉，把文字接續接回一次對話。

這是所有圖片生成的方法嗎？

本章用直接看得見的明暗變化說明一種常見流程。實際系統可能先把圖片轉成另一份數字資料，在那份資料上反覆調整，最後才轉回可見圖片；更新規則也不只是把猜到的數字直接減掉。

圖片生成還有其他做法，例如像文字接續一樣，逐步選下一個圖片片段。因此不能把「文字」和「圖片」當成兩種固定不變的生成方法。

想回顧「為什麼程式能製作答案」，可以讀〈沒有人逐筆給答案，AI 也能學嗎？〉。

參考：Hugging Face 擴散模型的訓練與生成、圖片與文字描述的訓練流程、文字生成圖片與條件、DDPM 論文、另一種圖片生成方法的論文。2026-10-05 查核；本章介紹代表性流程，不指定所有產品的架構或訓練配方。