雾隐斋的洗画人
一、一张灰纸，说是幅名画
金陵城外有个雾隐斋，专修一种别人不肯接的活——被"雾"吃掉的画。
这毛病城里人都听过。一幅画放久了、受了潮气，画面上会起一层灰翳，像蒙了层雾。今天薄薄一层，明天又薄薄一层。
一年不管，山水还看得清；十年不管，只剩个影子；几十年没人管——整幅画就糊成一张匀匀的灰纸，什么都没有了。
这天来了位裴老爷，抱着个锦盒，手一直抖。
打开——一张灰扑扑的纸，边角都脆了。
"这是……一张白纸？"徒弟阿墨凑近看。
"《寒江独钓》，"裴老爷声音发颤，"我祖上传下来的，周朴的真迹。"
阿墨愣住了。周朴的画，青州拍出过八百两一幅。可眼前这张，灰蒙蒙一片，别说钓翁孤舟，连一条线都找不着。
"裴老爷，"阿墨陪着小心，"这雾落得太厚了。满城的裱画师傅都会说同一句话——没救了。"
"所以我才来雾隐斋。"裴老爷把锦盒往前一推，"陆师傅在么？"
二、雾是怎么落上去的，我比谁都清楚
里屋出来一位老者，姓陆名迟，人称陆师傅。他捏起那张灰纸，对着光看了半晌，放下了。
"能揭。"
阿墨忍不住问："师父，您连一根线都没看见，怎么知道底下是《寒江独钓》，还是别的什么？"
"我不知道。"陆师傅倒了杯茶，"我也不去猜。"
"不猜原画，那您揭什么？"
"我揭雾。"陆师傅呷了口茶，"别的师傅修画，靠的是'猜原作'——猜这儿该有座山，那儿该有条船，照着猜出来的样子往回描。猜错一笔，全盘皆错。"
"我不猜。我这辈子只下过一样功夫——我懂雾。"
他招手让阿墨跟进里屋。三面墙，摞着三百本册子。
"我年轻时干过一件傻事。"陆师傅拍了拍那些册子，"我花了三十年，把好画一张一张，亲手弄脏。"
"弄脏？"
"对。我从市集上收来几千幅寻常画——不是名作，就是些山水花鸟。每一幅，我用极细的灰粉，一层，一层，往上扑。扑一层，我就把它脏成什么样，原样画下来；再扑一层，再画一遍。"
"直到那画也变成一张灰纸。"
阿墨倒吸一口气："几千幅画，每幅几百层……"
"三百本册子，记的全是这个。"陆师傅眼睛亮起来，"我记的不是画，是雾。第一层雾落上去，画会变成什么样；再落一层，又变成什么样。几千幅脏下来，我闭着眼都知道——一层雾，长什么模样。"
"既然我知道'干净的画，加一层雾，会变成什么脏样'——那反过来：给我一张脏画，我就能认出最上头那层雾，把它揭掉。画，就干净了一层。"
三、一层一层揭，绝不贪多
陆师傅动手了。
他拿一柄极软的羊毫，蘸一种药水，在灰纸上极轻地一拂。拂完，纸还是灰的。
阿墨凑近了看，半天，才觉出好像——好像灰得"匀"了那么一丁点？说不清。
"师父，这就揭了一层？"
"揭了一层。"
"可我什么都没看见。原画呢？"
"急什么。八百层雾，你指望揭一层就见着钓翁？"
阿墨手痒，"师父，让我来。我使点劲，一把揭到底——"
没等陆师傅拦，他抢过笔，狠狠一拂。
灰纸上"啪"地破了一块，露出底下一团乱糟糟的墨渍，比原先更不像画了。
陆师傅叹气："雾积了几十年，八百层。你想一笔揭到底，手底下哪有那个准头？劲大一分，画就毁一分。"
"那到底怎么揭？"
"一层一层。每次只揭薄薄一层，每一层都揭得稳稳当当。八百层，我就揭八百次。"
阿墨挠头："这也太慢了。"
"慢才稳。"陆师傅又拂了一笔，"一步只走一小步，走岔了也就岔一点点，下一步还能救回来。你要一步登天，一脚踏空，就再没底了。"
揭到第几十层，阿墨看出点门道，又想不通，就问了那个憋了半天的问题：
"师父，您揭雾的时候，心里是不是想着原画长什么样？照着原画往回还原？"
陆师傅摇头："错了。我要是去想原画，准出岔子——我压根不知道原画长啥样。"
"那您到底在想什么？"
"我只看一样东西：最上面这一层雾，长什么样。"
他指着灰纸："你看这一片，灰里透着一点冷；那一片，灰里透着一点暖。这不是原画的冷暖——是雾自己的深浅。我认得雾。我把这层雾照原样'描'出来，再从脏画上轻轻一减，剩下的，就是揭掉一层的画。"
"您全程不管原画？"
"不管。原画长啥样，等八百层雾揭完，它自己就出来了。我一步都不用去猜它。"
"我只管一件事——每揭一层，让手底下这张画，朝着'更像一幅真画'的方向，挪那么一点点。八百步挪下来，它就到了。"
阿墨似懂非懂，只觉得师父这话里，藏着一个他还没够着的道理。
四、无中生有
揭《寒江独钓》，整整揭了三个月，八百次。
当最后一层雾拂去，锦盒里那张灰纸，成了一幅寒江独钓图——孤舟、蓑翁、一江寒水，落款"周朴"。裴老爷当场老泪纵横。
消息传开，来了个不服气的人：城里另一位裱画名家，冷师傅。
冷师傅存心要拆台。他不拿旧画，而是当场取一张全新的白宣，抓起陆师傅那种灰粉，胡乱扑了几百层——扑得又匀又厚，压根不是照着任何一幅画弄脏的。就是一张纯粹的、底下什么都没有的灰纸。
"陆师傅，"冷师傅皮笑肉不笑，"这一张，你也揭一幅出来瞧瞧？"
阿墨心里�—沉：这纸底下根本没有画，师父这回要栽了。
陆师傅接过灰纸，看了一眼，什么也没说，坐下就揭。
一层。一层。又一层。
怪事发生了。灰纸上，竟一点一点浮出东西来——先是几道淡淡的线，接着是一座山的轮廓，然后是山脚一间茅屋，屋前一株老松……
八百层揭完，一幅《松屋秋色》端端正正躺在案上。笔意天成，像哪位古人失传的真迹。
冷师傅脸都白了："这……这纸底下明明什么都没有！你从哪儿变出来的？！"
陆师傅把笔一搁：
"我说过，我从头到尾就没揭什么'原画'。我只是一层一层，把雾揭掉。雾底下原本有没有画，我不管——我只管，每揭一层，都让它更像一幅真画。"
"你这张纸，本来什么都不是。可我揭着揭着，它就不得不变成一幅画了——因为我这双手，只认得'一幅画该长什么样'。灰纸想赖着不变？揭到最后，由不得它。"
阿墨在旁边听得浑身发麻。他忽然想通了那件憋了三个月的事——
师父修画，和师父凭空造画，是同一双手，同一门功夫。
修一幅被雾吃掉的旧画，是从"有"里头，一层层把雾拂开，让它回来。
凭空造一幅新画，是从"无"里头，一层层把雾拂开，让它出现。
两件事看着天差地别。可在陆师傅手里，是一模一样的八百次拂拭。
那天收工，阿墨给师父点上灯。
"师父，我总算懂了。您三十年弄脏那几千幅画，不是白费功夫。"
"嗯。"
"您弄脏画，是为了学会怎么把画变干净。您把'变脏'这条路，来来回回走了几千遍，闭着眼都熟。回过头，'变干净'这条路，不过是把它反着走一遍。"
陆师傅点点头，望着案上那幅凭空揭出来的《松屋秋色》，眼神飘得很远。
"阿墨，天底下的能耐，多半是这么来的。你想学一件顶难的事——比如无中生有画出一幅画——直接学，学不会，太难了。"
"可你要是摸透了它是怎么一点点毁掉的，你就懂了怎么一点点把它救回来。"
"破坏是明摆着的，还原是藏起来的。可还原，不过是把破坏反着走一遍。"
灯下，那柄羊毫还沾着灰。窗外起了夜雾，一层，一层，轻轻落在金陵城上。
陆师傅看着窗外，忽然笑了："你看这满城的雾。落得下，就揭得开。"
技术解读
扩散模型（Diffusion Models）是当前图像、视频、音频生成领域最主流的技术路线。从 Stable Diffusion、DALL·E 2 到 Midjourney、Sora，背后共同的数学骨架都是它。
这个思路最早由 Sohl-Dickstein 等人于 2015 年在《Deep Unsupervised Learning using Nonequilibrium Thermodynamics》中提出，灵感来自非平衡热力学中的扩散过程。真正让它变得实用的是 Ho、Jain、Abbeel 三人 2020 年的《Denoising Diffusion Probabilistic Models》（简称 DDPM），几乎同时期 Song 与 Ermon（2019）从"得分函数"角度给出了另一条等价的路径。2022 年 Rombach 等人的潜空间扩散（Latent Diffusion）把它推向了大规模落地。
扩散模型的核心思想有一种朴素的美感：与其教模型一步画出一张图（太难），不如教它一步步"去噪"。 先定义一个固定的、逐步给图像加噪声的"前向过程"，直到图像变成纯粹的高斯噪声；然后训练一个神经网络去学习这个过程的逆——从噪声里，一步一步，把图像还原出来。而一旦学会了"去噪"，从一团纯随机噪声出发反复去噪，就能凭空生成一张全新的、合理的图像。
核心概念回顾
| 概念 | 通俗解释 |
|---|---|
| 前向扩散过程（Forward Process） | 固定规则地、逐步向数据加入高斯噪声，经过 T 步后把一张图彻底变成纯噪声。这个过程没有可学习参数，是"已知的破坏" |
| 反向去噪过程（Reverse Process） | 从纯噪声出发，逐步去除噪声、恢复出图像。这一步是神经网络"学"出来的本事 |
| 噪声预测（ε-prediction） | DDPM 的关键设计：网络不直接预测"干净的原图"，而是预测"当前这一步被加进去的噪声"，再从含噪图中减掉它 |
| 时间步 T（Timesteps） | 加噪/去噪被拆成的步数，DDPM 中通常 T=1000。步数越多，每一步的变化越小、越好学 |
| 马尔可夫链（Markov Chain） | 每一步去噪只依赖当前这张含噪图的状态，不需要回顾更早的步骤 |
| 训练目标（Loss） | 极其简单：让网络预测的噪声，与实际加入的噪声之间的均方误差最小 |
| 采样 / 生成（Sampling） | 从纯高斯噪声起步，迭代 T 步去噪，最终得到一张全新样本 |
| 得分函数（Score） | ∇ₓ log p(x)，指向"数据更可能出现"的方向。每一步去噪本质上是沿这个方向挪动 |
| 噪声调度（Noise Schedule βₜ） | 控制每一步加多少噪声的时间表，直接影响生成质量 |
| 条件生成 / 引导（Guidance） | 按文本、类别等条件来引导去噪方向，如文生图；classifier-free guidance 可增强对提示词的服从 |
故事中的隐喻对照
| 故事元素 | 映射的技术概念 | 解释 |
|---|---|---|
| 雾隐斋（修被雾吃掉的画） | 扩散模型 | 一套从"噪声"中恢复或生成图像的框架 |
| 一层层落上的"雾" | 高斯噪声 | 前向过程中逐步累加、最终淹没图像的噪声 |
| 陆师傅三十年亲手把好画弄脏、逐层记录 | 前向扩散过程 + 训练 | 因为"加噪"是已知规则，逆转它才可学；模型正是从大量加噪样本里学去噪 |
| "我不去想原画，只判断最上面这层雾" | 噪声预测（ε-prediction） | DDPM 不预测原图，只预测当前步的噪声，再减去——这是它最关键的重参数化 |
| 一层一层揭，绝不一把揭到底 | 迭代式反向去噪（T 步） | 把"噪声→图像"的难题拆成许多小步，每步是一次可学习的小高斯转移 |
| 阿墨一把揭到底，画毁了 | 单步生成之难 | 想一步从噪声跳到清晰图像极难学好，故必须多步小改 |
| 八百层雾 / 揭八百次 | 时间步数 T（约 1000） | 扩散被拆分的步数 |
| 揭当前这层只看当前这张脏画 | 马尔可夫性质 | 每步去噪只依赖当前状态，不回溯历史 |
| "每揭一层，让它更像一幅真画" | 得分函数（Score） | 每步沿数据分布对数概率的梯度方向移动，趋向高概率区域 |
| 弄脏的分寸（薄一层还是厚一层） | 噪声调度 βₜ | 控制每步加噪量的时间表 |
| 冷师傅的纯灰纸里揭出全新的《松屋秋色》 | 无条件生成 / 采样 | 从纯高斯噪声出发迭代去噪，凭空生成从未存在过的新图 |
| 裴老爷报出画名"寒江独钓" | 条件生成 / 文本引导 | 按提示引导去噪方向，如文生图与 classifier-free guidance |
| 在几千幅寻常画上练出的通用眼力 | 学到的是数据分布，而非死记单图 | 模型学到整个数据流形的结构，故能生成无穷多合理新样本 |
为什么这个故事对应扩散模型？
"加噪已知、去噪靠学"是扩散模型的双过程骨架。 陆师傅"弄脏画"是一套固定规则（前向过程，无参数），而"揭雾"才是真本事（反向过程，神经网络学出来）。DDPM 正是靠一个已知的破坏过程，为学习它的逆过程提供了源源不断的训练样本。
"只判断最上面这层雾、不去想原画"精确对应 ε-prediction。 DDPM 最关键的技巧，是让网络预测被加入的噪声，而非直接预测干净图像。陆师傅反复强调"我不猜原画，只认最上层的雾"，说的正是这件事——预测噪声，再从含噪图中减去。
"一层一层揭，绝不一把揭到底"是扩散优于单步生成的根本原因。 把"纯噪声→清晰图像"这个几乎不可能一步学会的映射，拆成 T 个微小的、每步只需去掉一点点噪声的可学习转移。阿墨一把揭毁了画，正说明了单步跨越之难。
从纯噪声凭空生成新画，是扩散模型"生成"的本质。 冷师傅的灰纸底下本没有画，陆师傅却揭出一幅全新的《松屋秋色》——这对应从 N(0, I) 采样出一团噪声，再迭代去噪，生成一张训练集里从未出现过的图像。生成与修复，在数学上是同一套去噪流程。
训练来自"逆转已知的破坏过程"，无需人工标注。 因为知道画是怎么被一层层弄脏的，才学得会怎么一层层变干净。这是一种自监督：不需要有人告诉模型"正确答案长什么样"，加噪—去噪的配对自己就构成了监督信号。
报出画名对应条件引导。 裴老爷说出"寒江独钓"，让修复有的放矢，对应文本/类别条件生成与 classifier-free guidance——同样一套去噪流程，可以被一个条件"牵引"着走向特定的结果。
在几千幅寻常画上练出的眼力，对应学到整个数据分布。 陆师傅练的不是某一幅名画，而是"画该长什么样"这件普遍的事。模型学到的也不是记住训练图，而是数据流形的结构，因此能生成无穷多张合理却全新的图像。
后记：扩散模型最动人的地方，在于它把"创造"这件看似神秘的事，还原成了一件可以一步步做的手艺——你不必一口气想出一幅完整的画，你只需要学会，在任何一片混沌里，认出那"多出来的一层雾"，然后轻轻拂掉它。破坏是喧哗的、显而易见的；还原是安静的、藏在暗处的。可数学告诉我们，还原不过是把破坏反着走一遍。于是从一团纯粹的随机里，只要你认得"它该长什么样"，一幅画就会不由自主地浮现出来。金陵城的夜雾还在落，一层，一层——落得下的，就揭得开。
