AIGC是什么？——AI当艺术家
AIGC（AI Generated Content）是AI生成内容。包括：文字生成（ChatGPT写文章）、图像生成（Midjourney画插画）、视频生成（Sora做电影）、音频生成（Suno写歌曲）、代码生成（GitHub Copilot写代码）。
AIGC vs 传统AI：传统AI是“判别式”——给定图片，判断是猫还是狗。AIGC是“生成式”——给定文字，生成图片。生成式AI需要学会“创造”而不是“分类”。
核心技术：扩散模型（Diffusion Model）。扩散模型是图像生成的核心。它的原理非常巧妙：
- 前向扩散（Forward Diffusion）：给一张清晰图片逐步加噪声，直到变成纯噪声。就像把一幅画逐渐喷上油漆，直到完全看不清。
- 反向扩散（Reverse Diffusion）：训练一个神经网络，学会从噪声中逐步恢复图片。就像给一个模糊的画慢慢擦除油漆，恢复清晰。
- 生成新图片：随机生成纯噪声，然后用反向扩散逐步恢复，最终得到一张全新图片。
类比理解：雕塑家。想象一个雕塑家：他先有一块大理石（噪声），然后逐步雕刻（反向扩散），最终雕出大卫像（清晰图片）。
条件生成：在反向扩散时，加入“条件”（如文字描述），让模型按条件生成。例如：“一只猫在月球上” → 模型生成对应的图片。
AIGC主要应用：
| 应用 | 代表工具 | 技术 | 特点 |
|---|---|---|---|
| 文生图 | Midjourney, DALL-E, Stable Diffusion | 扩散模型 | 根据文字描述生成图像 |
| 图生图 | Stable Diffusion img2img, ControlNet | 条件扩散 | 根据输入图片+文字生成新图 |
| 文生视频 | Sora, Runway, Pika | 时空扩散 | 根据文字生成视频片段 |
| 文生音乐 | Suno, Udio, AIVA | 音频扩散 | 根据文字/风格生成音乐 |
Stable Diffusion与LoRA：可定制图像生成
Stable Diffusion（SD）是开源文生图模型的代表。2022年发布，开源免费，社区庞大。SD的核心架构：U-Net + VAE + CLIP文本编码器。
U-Net：扩散模型的核心网络。输入是带噪声的隐空间表示，输出是去噪后的表示。U-Net的“U”型结构：先下采样（编码），再上采样（解码），中间有跳跃连接。
VAE（变分自编码器）：把图片压缩到隐空间（latent space），再在隐空间做扩散。为什么不在像素空间？像素空间太大（512x512x3=786,432维），隐空间小（64x64x4=16,384维），计算快50倍。
CLIP文本编码器：把文字描述转换成向量，引导图像生成。CLIP训练了4亿张图片-文字对，学会把“一只猫”和猫的图片映射到同一个向量空间。
LoRA（Low-Rank Adaptation）：轻量级微调技术。只训练少量参数（通常是原模型的0.1%~1%），就能让模型学会特定风格或人物。例如：用20张自己的照片训练LoRA，就能让SD生成你的各种风格照片。
LoRA原理：不修改原模型的权重W，而是添加一个低秩矩阵ΔW = A×B。A和B很小，参数量极少。公式：W' = W + α/r × A×B。其中r=4~64（秩），α=1（缩放系数）。
参数表：
| 参数 | 含义 | 典型值 | 太大/太小 |
|---|---|---|---|
| 扩散步数 | 去噪迭代次数 | 20~50 | 太少→质量差；太多→慢且可能过平滑 |
| CFG Scale | 文字引导强度 | 7~12 | 太低→不跟文字；太高→artifact |
| 分辨率 | 生成图片尺寸 | 512x512, 1024x1024 | 太大→显存不足；太小→细节不足 |
| LoRA秩(r) | 低秩矩阵大小 | 4~64 | 太大→过拟合；太小→表达能力不足 |
代码实战：用Diffusers生成图片
例子：计算扩散模型的参数量
Stable Diffusion v1.5的参数量计算：
U-Net: ~860M参数（主要计算量） VAE Encoder: ~34M VAE Decoder: ~35M CLIP Text Encoder: ~123M 总计: ~1.05B参数 训练数据: LAION-5B (50亿图文对) 训练成本: 约256张A100 GPU训练约20天 电费: 约$150,000
推理成本：
512x512图片, 50步: - A100: ~2秒 - 4090: ~3秒 - Mac M2: ~30秒 - CPU: ~5分钟 1024x1024图片, 50步: - A100: ~5秒 - 4090: ~8秒 优化后 (FP16 + xformers): - 4090: 512x512约1.5秒
结论：生成一张图的成本约$0.001~$0.01（取决于硬件）。Midjourney每次生成4张图，订阅$10/月约200张，每张成本约$0.05。
练习：AIGC
Q1：扩散模型的前向扩散和反向扩散分别做什么？为什么需要两步？
Q2：为什么SD用VAE把图片压缩到隐空间，而不是直接在像素空间做扩散？
Q3：LoRA的ΔW = A×B，为什么叫低秩？如果r=4，原矩阵W是512×512，A和B的维度分别是多少？
Q4：CFG Scale=7.5是什么意思？如果CFG=2和CFG=20分别会怎样？
Q5：训练SD需要50亿图文对，但我的数据集只有1000张图。如何用LoRA训练自己的风格？
查看答案
A1：前向扩散：给图片加噪声直到变成纯噪声（不需要学习）。反向扩散：从噪声恢复图片（需要训练神经网络）。两步结合：前向定义了从清晰到噪声的过程，反向学习了这个过程的逆过程，从而能从随机噪声生成新图片。
A2：像素空间太大（512x512x3=786,432维）。隐空间小（64x64x4=16,384维），计算快50倍。VAE负责像素↔隐空间的转换，扩散在高效的隐空间进行。
A3：低秩是因为A×B的秩最多为r（远小于矩阵维度）。如果r=4，A是512×4，B是4×512。参数量从512×512=262,144降到512×4+4×512=4,096，减少64倍。
A4：CFG=7.5表示文字条件的影响力是无条件生成的7.5倍。CFG=2：文字引导弱，图片可能不跟文字描述。CFG=20：文字引导极强，但可能产生artifact（颜色过饱和、重复图案等）。
A5：用LoRA！冻结SD的所有参数，只训练A和B矩阵。1000张图足够训练一个LoRA（通常需要10~100张）。训练参数：学习率1e-4，epoch 10~20，秩r=4~8。训练时间：4090约30分钟~2小时。