# 1.为什么是扩散模型？

生成式AI最里程碑突破其实是GAN。GAN有一个问题是训练不稳定。这就激发研究者开始寻找新的生成模型。那么，为什么扩散模型能够脱颖而出呢？

# 生成式AI假说

谈到生成式AI，本质上都是基于这样的一个假说：

样本(训练数据)是通过某种概率分布抽样出来的。生成式AI算法的目的就是求解这个概率分布。一旦找到这个概率分布，我们就可以随机从这个概率分布中进行采样，生成新的数据，这个过程就是生成过程，或者说是推理过程。

我们重新回看我们的物理世界，按照爱因斯坦的说法：“宇宙最不可理解之处是它是可理解的。”，换成人话就是说，纷繁复杂的宇宙竟然存在基本的物理学原理。通过最基本的物理学原理，物质演化出纷繁复杂的物体。

近代物理学的发展，让我们基本上理解了我们的物理环境的大致原理，即我们所看到的千变万化的现象，都是由最基本的几种力的作用所驱动生成的。

在传统的物理学中，有一门学问就是统计力学。统计力学的本质就是探索微观的粒子之间相互作用，如何形成宏观的现象。

爱因斯坦在1905年发表的布朗运动，在某种程度上揭开了这种神秘的现象背后的数学物理基础。扩散模型也是一种布朗运动。它是物理世界中物质遵循熵增理论的一种解释。

我们说生成式扩散模型为什么会在AIGC中产生如此巨大的作用，从根源看，它实际上是对物理世界生成过程的模拟，也就是说本质上因为遵循了我们物理世界的规律，所以是可行的，也是稳定的。因为我们的物理世界的演化一定是按照某种最优化的方式在进行。