2022 年春天，DALL·E 2 展示的一批图片让“文本生成图像”从有趣实验变成了大众能够理解的产品形态。只要写下“宇航员以写实风格骑马”之类的描述，系统就能给出构图完整、风格明确的图像，还可以编辑局部或扩展画面。
最值得注意的不是某一张图有多逼真，而是自然语言第一次成为图像软件的主要操作界面。
扩散模型在做什么
可以把扩散模型粗略理解成一个反复“去噪”的系统。训练时，模型观察图像逐渐被噪声破坏的过程，并学习如何逆向恢复。生成时，它从随机噪声出发，在文本条件的引导下，一步步把噪声整理成符合描述的画面。
DALL·E 2 还借助 CLIP 所学习到的图像与文本关系，让“红色椅子”“水彩风格”“黄昏的城市”落进相近的语义空间。模型并不是从素材库里找一张现成图片，而是在学习到的分布中组合出新的像素结构。
这种解释也指出了它的边界：模型对世界的掌握来自统计关系，不是真正的物理理解。手指数量、文字拼写、物体遮挡和空间关系当时经常出错，提示写得更长也不一定能解决所有问题。
Prompt 为什么迅速变成一门手艺
传统图像软件要求用户知道图层、蒙版、曲线和笔刷；生成模型把入口换成了语言。但“会说话”不等于“会描述”。主体、环境、镜头、光线、材质、风格和比例的组合，都会影响结果。
于是人们开始研究提示词，像调参数一样反复改变措辞。我的看法是，Prompt Engineering 的本质不是背诵神秘关键词，而是把脑中的模糊想象拆成机器可区分的约束。这个能力与写需求、设计 API 其实相通：目标越清晰，反馈越可观察，迭代就越有效。
创作从一次完成变成候选搜索
生成式工具把第一张草图的成本降得非常低。设计师可以先快速探索二十个方向，再选择两个深入；产品经理可以在需求阶段就展示视觉意图；没有绘画基础的人也能把一个念头变成可讨论的画面。
但便宜的候选并不会自动产生好作品。结果越多，选择、统一风格、处理细节和理解受众就越重要。创作者的工作会从“亲手制造每个像素”，部分转向“建立意图、筛选候选、编辑细节并对最终表达负责”。
这与自动生成代码很相似：生成降低了空白页面的压力，也容易制造大量看起来不错却缺乏目的的内容。真正的效率来自更快抵达一个明确目标，而不是一小时生成了多少张图。
我的理解：自然语言会成为通用控制层
DALL·E 2 预示的不只是设计工具变化。过去，人必须学习软件预设的菜单和工作流；生成模型让软件开始理解人的目标，再调用内部能力完成操作。
这种模式后来扩展到文字、代码、音频和视频。它降低了专业工具的入口，却不会消灭专业知识，因为判断透视是否正确、品牌是否一致、版权和偏见是否可接受，仍需要经验。
我更愿意把生成式 AI 看成“高带宽草稿机”。它拓宽了一个人可以尝试的范围，但作品是否值得留下，依然取决于人对问题、语境和审美的理解。
参考资料
本文是 2026 年整理断更期时写下的回顾，发布日期按事件所处阶段归档。