第2节
AE：先模仿，再创作

在AI绘画早期发展阶段，学者们常常采用“模仿—创作”的思想，先让模型学会模仿，然后再尝试让模型进行举一反三，也就是创作。比较有名的模型是1987年被提出的“自编码器”（Auto Encoder, AE），它会先用一个“编码器”（Encoder）把一张图片“压缩”到一个相对低维的向量（比如128维），然后再用一个“解码器”（Decoder）来尝试把这个向量“复原”成原来的图片。在学术上，我们把这种低维向量叫作图片的“潜在表示”（Latent Representation），之后的各种模型也会经常用到这个概念。

这样一来，当模型“看过”（或者说“学习”）足够多的图片之后，模型就学会了“模仿”，而且是按照它自己的“理解”去模仿：它可以先把一张图片转换成它自己的“理解”（上文提到的低维向量），然后按照这个“理解”（利用解码器）去把图片画出来，此时我们会发现它画出来的图片和原图往往很像。

值得一提的是，AE此时其实是学会了一种“压缩”的方法：它能够（利用编码器）把原先一个非常高维的数据（原始图片），映射到一个低维向量上。这种压缩的思想在本章最后一节将会阐述的Stable Diffusion模型里起到了至关重要的作用。

在模型对图片有了自己的理解，并学会了模仿之后，我们就能让它进行创作了。事实上，因为向量是可以“叠加的”，所以模型对图片的理解也是可以叠加的。比如说，如果我们把模型对图片A的理解（不妨记为A，注意它是一个向量）和对图片B的理解（不妨记为B，注意它也是一个向量）各取一半，并得到一个新的、融合式的理解（也就是计算0.5A+0.5B对应的向量），然后再让模型根据这个理解去把图片画出来的话，我们就能得到一张新的图片。不难想象（至少我们期待）这张图片将会是图片A和图片B的某种融合，模型从而便完成了一次“创作”。这种“创作”过程我们一般会称之为“插值”（Interpolation），亦即在已有的两张图片间创作出一个中间态。

但学者们马上发现了两个问题：

问题1： 无法进行“插值”之外的创作，因为我们不知道AI的“理解”是怎么样的，或者说我们不知道怎么“从零创造”出一个AI的新的理解。用学术一点儿的话来说，就是我们不知道AI学习到的“潜在表示”的分布是怎样的。

问题2： 即使是这种“插值”式的创作，AI也往往不能如我们所愿地、真正地进行两张图片的融合，而是很别扭地把两张图片的像素给糅合在了一起。

不难看出，这两个问题的症结都在于：AI的“理解”太自由奔放了，导致它很不稳定。我们无法手动设计出一个新的理解，两个理解之间的融合可能也不具备太大的意义，那么，解决这个问题的方法也就呼之欲出了：只要对AI的“理解”加以约束就行。

为此，学者们决定使用一种叫“标准正态分布”的东西，并告诉AI：你对图片的“理解”需要大致服从它的规律！

在这种思想的指导下，“变分自编码器”（Variational Auto Encoder, VAE）于2014年应运而生，通过这种模型训练后得到的AI，不仅能够对图片有理解，而且你会发现它对所有图片的理解的集合，大致是服从“标准正态分布”的。这样一来，之前提到的问题就都得到了解决，因为：

可以进行“插值”之外的创作。我们只要从“标准正态分布”里随机取一个数据，它就能作为AI的理解，并让AI根据它进行创作。

“插值”式的创作变得合理了。从“标准正态分布”中任取两个数据进行插值后的数据，仍然是“大致”服从“标准正态分布”的。

严谨一点儿的话，插值完的数据只是服从均值为0的正态分布，但标准差会小一些。实际应用时，这种标准差的误差往往可以忽略，所以实际插值的效果往往都还不错。