一、AIGC
AI-Generated Content，简称AIGC。AI应用虽然火爆，但真正让普通人感觉到的，其实就是AIGC。至于其它更高深的应用比如军事、科研上，反而普通人的感知并不强烈。至少现在大家刷抖音，AI生成的图像和视频有比比皆是。
从大模型的角度来看，AIGC主要是依靠生成对抗网络 (GAN)、扩散模型、大语言模型等深度学习技术来实现现有数据学习后的新内容生成。
二、扩散模型
从上面的分析可以看到，扩散模型是实现AIGC的底层技术支撑之一。那么什么是扩散模型呢？ Diffusion Model，扩散模型。它是AI底层生成技术的重要模型，它通过学习逆扩散去噪的过程，从随机噪声中生成数据的深度生成模型。
作为一种新兴的技术，它借鉴了原来自回归的传统方式的经验，迅速应用于各个应用领域。需要说明的是，扩散模型和大语言模型有各自擅长的领域。Transformer模型更适合于离散数据而扩散模型则更适合于处理连续空间的数据。正如前面所讲，它们都是生成式AI的重要技术，区别在于建模的方式有所不同。
现在的趋势是多模态模型融合二者的优势，在AIGC中起到更好的作用。
三、分析
扩散模型一般为成两步：
- 正向扩散过程
所谓正向扩散，就让模型在学习过程中，如何逐步向目标（清晰图片或完整文字等）添加噪声，直到它变成包含一团完全的随机噪声的目标 - 反向去噪过程
反向去噪则是指模型从包含随机噪声的目标，学习如何一步步地"去噪"，并最终还原出清晰的图像或通顺完整的文字
说个不太恰当的比喻，它有点类似于把一滴墨水滴到清水中，形成一个污水；然后再反向分离墨水和清水的过程。可以理解扩散模型是一个前向加噪反向去噪的过程。它不依赖固定的顺序，而是并行的、整体的输出。看到这个后，就明白它的优势在哪里了吧。
四、应用场景和特点
扩散模型在AIGC领域应用非常广泛，主要包括：
- 图形图像生成处理
这个是最为广泛的应用之一，生成新图像（海报、室内效果、绘画等等）、去背景、换风格等等 - 视频生成处理
可以通过文本和图等来生成相关的视频，进行视频的后期处理如风格、补帧等等 - 音频和语音生成处理
可以基于需求生成合成语音（现在小说的朗读语音）、音频处理（聒噪）、音频修复等等 - 3D建模
可以提供3D建模、运动补全及轨迹生成等等 - 科学研究应用
在科学研究中材料研究、分子研究等等都有重要的作用
对于扩散模型来说，它的优点主要是训练相对稳定、生成的目标质量好、可控性强；缺点是生成过程较慢（计算成本高）、受随机性影响较大、对细节把握受限。另外，它还受限于版权和法律例规以及相关的安全风险责任等等。
五、主流库和应用
对于扩散模型来说，现在最主流的库是Hugging Face Diffusers。它可以应用于使用文字、图形来生成新的图像或进行图像处理（局部重绘等），也可以用来进行音视频的生成。
而在应用领域中，推荐使用ComfyUI，其通过PyTorch-CUDA 针对NVIDIA GPU进行了深度优化。当然，它也可以使用AMD的GPU来进行相关的AIGC。
其它还有很多的库，如k-diffusion、OpenAI guided-diffusion等等，有兴趣可以自行查阅。
六、总结
AI技术的应用，已经开始向普通大众普及。作为开发者介于普通应用与AI技术底层的桥梁，有着至关重要的作用。如何能够更好的理解和利用底层技术，向用户输出更容易更简单快捷的AIGC应用是未来发展的一个重要方向。
另外，推荐一下CSDN上的AMD的AI开发者计划，确实不错。有时间的话还是看一看，整体还是不错的。