1. AI 绘画的'寒武纪大爆发'：从 DALL·E 到 Stable Diffusion 的演进之路
2022 年，AI 绘画领域经历了显著的技术突破，DALL·E 2 和 Stable Diffusion 的问世彻底改变了行业格局。这股热潮背后是两条清晰的技术发展脉络：一是以 OpenAI 为代表的 DALL·E 系列，采取闭源精品路线；二是以 Stability AI 为首的 Stable Diffusion 家族，坚持开源策略并催生丰富生态。
2. DALL·E 系列：OpenAI 的'精雕细琢'之路
OpenAI 的 DALL·E 系列可以看作是 AI 绘画领域的'贵族'，它走的是一条追求极致效果、但相对封闭的研发路径。它的每一次迭代，都精准地戳中了当时文生图模型的痛点。
2.1 DALL·E：开创性的'文本到图像'尝试
DALL·E 于 2021 年初推出，采用两阶段模型设计。第一阶段使用 VQ-VAE 将 256x256 图片压缩为 32x32 的码本（codebook），类似于将高清图像抽象为色块索引。第二阶段将文本编码与图像色块索引拼接，输入类似 GPT 的自回归模型进行学习。推理时，输入文字后模型逐层预测色块并还原图像。早期 DALL·E 具备较强的概念组合能力，如生成'意大利面刺猬'，但存在分辨率低、细节不足及复杂文本理解偏差等问题。尽管如此，它验证了大规模文本 - 图像对训练模型的可行性。
2.2 DALL·E 2：引入 CLIP，打通文本与图像的语义桥梁
DALL·E 2 引入了 CLIP 和 GLIDE 模块进行技术整合。CLIP 作为跨模态模型，通过海量图文对训练判断文字与图像的语义匹配度。训练分为两步：首先训练先验模型（Prior），根据 CLIP 编码的文本特征预测对应的图像特征；随后使用扩散模型 GLIDE 作为解码器，将图像特征还原为像素图片。该架构使得生成图片的语义与文本高度绑定，且画面质量因扩散模型引入而显著提升。DALL·E 2 在艺术感和合理性上达到新高，但在复杂空间关系处理和精确文字生成方面仍存在局限。
