從混沌中創造世界：擴散模型的奇妙科學｜AI 如何從雜訊裡創造不存在的臉

先拿一張照片，不斷加入雜訊，直到它徹底消失；再讓 AI 學會把這個過程倒過來。這個看似在「破壞照片」的研究，最後竟成了創造全新影像的方法。 這部 32 分鐘的科學紀錄片，從熱力學第二定律談起，走過 2015 年的原始論文、2020 年的 DDPM、2022 年的 Stable Diffusion，一路延伸到機器人動作、天氣預報、蛋白質設計與工廠數據，也誠實交代擴散模型的限制。 英文旁白，中英雙語字幕。 ⏱ 章節 0:00 序章｜一個違反直覺的發明 1:44 從混沌中創造世界 1:52 第一章｜時間為什麼只朝一個方向前進？ 4:26 第二章｜2015 年，一個不尋常的研究方向 6:48 第三章｜2020 年，教 AI 做一件看起來很簡單的事 8:57 第四章｜真正的魔法：雜訊裡其實沒有藏著照片 12:07 第五章｜一句文字，如何改變雜訊的命運？ 14:11 第六章｜2022 年，擴散模型走出實驗室 16:15 第七章｜當擴散模型開始創造聲音與動作 19:59 第八章｜人工智慧開始預測天氣的不同未來 22:08 第九章｜從生成圖片，到設計生命的積木 24:27 第十章｜工廠裡的擴散模型：創造不存在的數據 26:59 第十一章｜擴散模型究竟有什麼缺點？ 28:53 終章｜從破壞中，學會創造 31:42 片尾名單 📌 一句話看懂 擴散模型先學會「辨認我們親手加入的雜訊」，再從純雜訊出發，一步一步朝真實資料的機率分布修正，創造出從未存在過的新樣本。雜訊裡並沒有藏著一張照片。 📌 你會看到 ・墨水為什麼不會自己聚回一滴：熵與熱力學第二定律 ・DDPM 的訓練方式：加雜訊、猜雜訊、算誤差 ・Score（對數機率密度的梯度）與「在山脈中找路」的比喻 ・文字提示詞與 Classifier-Free Guidance 如何引導生成 ・潛在空間擴散：為什麼 Stable Diffusion 能在個人電腦上跑 ・Diffusion Policy、GenCast、RFdiffusion：機器人、天氣與蛋白質 ・擴散模型的三個限制：速度、正確性、資料 📖 參考文獻（原始論文） Sohl-Dickstein et al. (2015) Deep Unsupervised Learning using Nonequilibrium Thermodynamics：https://arxiv.org/abs/1503.03585 Ho, Jain & Abbeel (2020) Denoising Diffusion Probabilistic Models：https://arxiv.org/abs/2006.11239 Rombach et al. (2022) High-Resolution Image Synthesis with Latent Diffusion Models：https://arxiv.org/abs/2112.10752 Chi et al. (2023) Diffusion Policy：https://diffusion-policy.cs.columbia.... Watson et al. (2023) RFdiffusion：https://www.nature.com/articles/s4158... Price et al. (2024) GenCast：https://doi.org/10.1038/s41586-024-08... Rasul et al. (2021) TimeGrad：https://proceedings.mlr.press/v139/ra... Kotelnikov et al. (2023) TabDDPM：https://proceedings.mlr.press/v202/ko... ⚠️ 畫面說明 畫面左上角標示「實際畫面」「動畫示意」「概念示意」「AI 生成示意」。動畫、3D 與 AI 生成畫面皆為說明用的示意，並非實驗紀錄；片中「從未存在過的人臉」等圖片由 AI 生成。 📷 人物照片來源：Jascha Sohl-Dickstein（sohldickstein.com）、Niru Maheswaranathan（niru.dev）、Surya Ganguli（Stanford HAI）、Ajay Jain（ajayj.com）、Pieter Abbeel（CC BY-SA 4.0，Wikimedia Commons）、Andreas Blattmann（CompVis, LMU Munich） 你覺得擴散模型下一個會改變哪個領域？留言告訴我 👇 #擴散模型 #DiffusionModel #AI #人工智慧 #StableDiffusion #生成式AI #科普 #紀錄片