从噪声中“雕刻”世界——生成式计算机视觉的魔法与裂缝

如果说识别是让机器“读懂”图像，那么生成式计算机视觉做的是一件听起来更反直觉的事：让机器从一片虚无中造出图像。

今天 Midjourney、Stable Diffusion 乃至 Sora 背后的核心技术，叫做扩散模型。它的原理有一种近乎禅意的简洁：先破坏，再重建。训练时，模型反复观看“一张清晰图像被逐步添加随机噪点、最终变成一片纯噪声”的过程，学会辨认每一个破坏步骤。生成时，模型从一团纯粹的随机噪声出发，根据文本提示，一步步“预测并去除”噪点，像雕塑家从大理石中凿出形象一样，从混沌中“雕刻”出画面。

扩散模型在二维图像上的成功已经足够惊人，但视频生成把它推向了另一个量级的难度。视频不是“很多张图片”，一秒钟包含 24 到 30 帧，一段 10 秒的视频就有数百帧。真正的挑战不在于每一帧是否清晰，而在于帧与帧之间是否连贯：人走路时手臂和腿的摆动要符合运动规律，人物在画面中移动时背景的透视要随之变化，物体不能无缘无故地变形或消失。早期的视频生成走的是“先生成关键帧、再插值过渡”的串行路线，结果往往闪烁、断裂、短得可怜。目前的主流路线是时空扩散模型：把视频视为“空间 × 时间”的三维数据，让模型在去噪的同时，同时学习画面内容和运动规律，端到端地生成连贯的视频。

Sora 之所以引发震动，不仅因为它生成的画面逼真，更因为它似乎“学会”了一些物理直觉。OpenAI 的研究者用“世界模型”来描述这种能力：模型在训练中接触海量视频，逐渐内化了“抬起左脚时重心会偏移”“车驶过水坑时水花会飞溅”“玻璃破碎不会自动复原”之类的规律。它没有被告知任何物理公式，却在神经网络中构建了一种直觉性的世界模型。

支撑这一切的，还有架构层面的迁移。2020 年提出的 Vision Transformer 将图像切分成固定大小的图块，像处理句子中的单词一样，用自注意力机制捕捉图块之间的关系。这种原本为语言设计的架构，在视觉任务中展现出与卷积网络不同的优势，也为视频这种长序列、强关联的数据提供了更自然的建模工具。

然而，裂缝同样明显。扩散模型生成的“真实”，是统计意义上的真实，而非因果意义上的真实。它可以让一个人凭空多出一只手，也可以让一个物理上不可能的场景看起来天衣无缝。当生成的图像和视频越来越难以与真实区分，计算机视觉就不再只是一个技术问题：它开始动摇“眼见为实”这个人类社会运转了数千年的默认前提。