关键的不是「生成」，是「抽样」
大部分解释讲到「它能创造新内容」就停了，但有用的部分是「怎么造」。训练时，模型拟合的是一份分布：什么样的像素排布、声波、词序列是合理的。生成就是在你的提示词引导下，从这份分布里取出一个点。
由此有三个后果，每一个都会影响你的干活方式：
- 随机性是设计本身，不是故障。 跑两次就是抽两次样。提示词能做的是把抽样范围收窄，永远收不成一个点，只有固定种子才行。
- 模型追求的是「像」而不是「对」。 它的目标是让结果看起来像训练数据，所以一只结构自信但有六根手指的手，对它来说是完全合理的样本。这就是 AI 幻觉的来源。
- 中间没有检索这一步。 没有任何素材被从库里粘贴过来。所以指名要一个具体的真实物件时几乎拿不到准确形态，也所以「给一张参考图」远比「用文字描述那张图」有效。
你真正会接触到的几类模型
不需要记研究地图，只要认识日常工具背后的四类引擎。
- 扩散模型。 目前几乎所有在跑的图像和视频模型。从噪声出发，每一步去掉一点噪声，全程受提示词引导。界面上那些参数（步数、引导强度、重绘幅度、种子）就是它的旋钮。
- 自回归 Transformer。 文本为主，图像和音频也在往这边走。根据前面所有 token 预测下一个。对话模型、以及帮你改写或反推提示词的那个大模型，都在这一类。
- GAN。 在开放式生成上基本被取代了，但在放大、人脸修复这类「一次成型」的窄任务上仍是默认选择，因为快。
- 流匹配与一致性模型。 现在的主攻方向是把三十步压到一到四步还保持画质，这也是准实时预览能成立的前提。
真实工作流里会变的东西
用生成式 AI 更像导演，而不像操作软件。软件对同一输入给同一输出，而采样器给的是一族输出。相应地要调整几件事：
按「批」算预算，不要按「条」算。 单次运行等于抛硬币。一次跑四到八张再挑，通常比一次贵模型单跑一张更划算。
提示词失效时，把控制手段挪出提示词。 文字是一个很弱的方向盘。同一个问题改三轮提示词还在，说明该换结构性手段：参考图、首帧、蒙版、控制图，或者微调。
记录能让你回到现场的四样东西。 模型名、模型版本、种子、原样提示词。少了这四样，你喜欢的那个镜头就找不回来了，而模型版本是真的会下线的。
把成本当成创作决策的一部分。 每次生成都在烧算力。抽多少张、在什么分辨率下筛、什么时候才进放大，这些迭代策略本身就是手艺的一部分。
边界在哪
生成式 AI 最弱的地方，恰好是成片要求最严的地方：招牌上的准确文字、跨镜头的角色一致性、手和关节、物理因果，以及任何需要「为真」而不只是「像真」的内容。这些都不是把提示词写长能解决的，只能靠约束抽样，或者干脆把这部分放到后期合成里做，让模型去干它真正擅长的事：快速给出一个成立的世界。