很久以前，AI 只會當裁判。你給牠一張照片，牠能說「這是貓」，卻永遠畫不出一隻貓。牠很會分辨，這叫判別式模型。直到有人問了一個更大膽的問題：「能不能教牠，畫出一隻從沒存在過的貓？」
這一問，難度完全不同。要畫貓，機器不能只知道「貓和狗的差別」，牠得真正搞懂「一隻貓是怎麼長出來的」——那些藏在無數貓照片背後的模式、結構、機率。能做到這件事的，就叫生成式 AI。於是，一群想教機器「做夢」的英雄接連登場。他們走了兩條路：一條學畫畫，一條學說話。
① VAE ·「把夢畫成地圖的人」
第一位英雄 VAE 覺得，一張貓照片有上百萬個像素，太複雜了。牠想到一個聰明辦法：先把整張貓濃縮成幾個關鍵數字——毛色、胖瘦、姿態——記在一張小小的「地圖」上；要用的時候，再照著地圖重新畫回來。這張地圖，就是傳說中的潛在空間。
VAE 成功了，這是頭一次有機器能無中生有。但牠有個毛病：畫出來的貓總是有點糊，像隔著一層毛玻璃。牠開了個好頭，卻把「怎麼畫得更清楚」這個難題，留給了下一位。
② GAN ·「偽鈔犯與警察的對決」
第二位英雄 GAN，就是衝著「畫不夠清楚」來的。牠不信規矩，只信鬥爭。牠把自己拆成兩個角色關進同一個房間：一個是偽鈔犯，拼命造假貓；一個是警察，拼命抓假貓。偽鈔犯每被抓一次就學乖一點，警察眼力也越練越毒，兩個人你追我趕、互相逼強，直到有一天——偽鈔犯畫的貓，連警察都分不出真假了。
GAN 畫的貓銳利又逼真，補上了 VAE 的短板。但牠也帶來新麻煩：那場對決很容易失控——翻來覆去只會畫同一張臉（模式崩潰）。牠很強，卻很難馴服。牠的子孫 WGAN、StyleGAN，一輩子都在替牠收拾這個脾氣。先讓「畫畫」這條路停在這，鏡頭要轉到另一條完全不同的路了。
③ 說書人與牠的「千里眼」（自迴歸 × Transformer）
這條路上的英雄不畫圖，牠說話。說書人（自迴歸模型）的本事是接龍：看著前面已經說出口的每一個字，猜下一個最合理的字，說出來，再接著往下猜。一個字、一個字，一整段話就這麼流了出來——你今天看 ChatGPT 回話時，字一個個往外冒，那就是牠。
但說書人早年有個大毛病：記性差，話說到後面就忘了前面。直到牠遇上神隊友 Transformer，替牠裝上一雙千里眼，叫「自注意力」。從此，說書人每吐一個字，都能同時回望整段上文，一眼看出「這一刻哪個字最該被關注」；而且能一次看全、平行運作，模型才能越養越大。這裡要記牢：Transformer 不是另一種「畫法」，牠是一具「引擎」。說書人是玩法，Transformer 是心臟，引擎 × 玩法，才成就了大語言模型。
④ Diffusion ·「從混沌裡雕出畫的雕刻家」
還記得畫畫那條路的兩難嗎？VAE 穩，卻糊；GAN 清晰，卻難馴。最新一位英雄，安靜的雕刻家 Diffusion，兩者兼得。牠的手法乍聽瘋狂：先拿一張清晰照片，一步一步灑上雜訊，灑到整張變成純雪花；然後反覆訓練自己：看著半糊的畫面，認出「這一步被灑了什麼雜訊」，再把它擦掉。
學成之後，牠隨手抓一團毫無意義的雪花，一刀一刀去噪，最後從混沌裡雕出一張前所未見的圖。你說一句「戴帽子的太空貓」，牠就往那個方向雕。關鍵是牠沒有 GAN 那種暴脾氣——活兒是沉穩地「預測雜訊、再擦掉」，不是你死我活的對決，所以又穩、又清晰、又聽話。牠一舉登基成影像新王：Midjourney、DALL·E、Stable Diffusion，還有能生影片的 Sora，全是牠的江山。唯一的缺點是慢。
尾聲 · 牠們從不是對手，而是隊友
雕刻家嫌自己在百萬像素上雕太累，忽然想起第一位英雄 VAE 那張「潛在空間地圖」，上門求助：「你先幫我把圖壓進地圖，我在小地圖上雕，雕完你再幫我還原成大圖。」VAE 一口答應。於是，原本各走各路的英雄們，被人們一塊塊疊了起來：
- Stable Diffusion ＝ VAE（壓縮）＋ Transformer（讀懂你的文字）＋ Diffusion（雕出圖）
- ChatGPT ＝ Transformer（千里眼）＋ 自迴歸（說書人）
- Sora ＝ Transformer ＋ Diffusion（合稱 DiT）
你以為這是一場「四選一」的擂台，到頭來才發現——牠們根本不是對手，而是四塊積木，被一塊塊疊成你今天每天在用的那些神奇產品。第一位留下了地圖，第二位留下了逼真，說書人與千里眼給了機器語言，雕刻家給了機器最美的畫筆。這，就是機器學會做夢的故事。
一句話速查
- VAE：壓進潛在空間再還原（好插值，但偏糊）。
- GAN：生成器 vs 鑑別器對抗（銳利，但訓練不穩）。
- 自迴歸：逐一預測下一個 token（ChatGPT／Claude 的生成核心）。
- Transformer：自注意力「引擎」，承載上述方法（不是生成法）。
- Diffusion：加噪再去噪，從雪花雕出圖（現在影像／影片主流）。
記住一句話：VAE／GAN／自迴歸／Diffusion 是四種「長法」，Transformer 是驅動它們的「引擎」；真實產品往往是它們疊起來的積木。