2015 年 Google 发布 DeepDream 神经网络「做梦」算法，AI 第一次生成「可被艺术展览」的图像。10 年后 OpenAI 发布 Sora 把视觉生成从「静态图片」推到「动态视频」——AI 视频生成从「2 秒低清 256×256」到「60 秒高清 1080p」只用了 5 年。视觉生成 AI 经历了「GAN 对抗生成 (2014-2019) → 自回归 Transformer (2020-2022) → 扩散模型 (2022-2025) → 多模态统一 (2024-2026)」的范式转移，每次转移都让 AI 创作从「玩具」变成「工业级生产力工具」。
一、GAN 时代：对抗生成的「第一次浪潮」（2014-2019）
2014 年 Ian Goodfellow 发表 GAN（Generative Adversarial Network）论文——这是「AI 生成图像」的开端。GAN 用「生成器 + 判别器」的对抗训练让机器能生成新图像：生成器试图骗过判别器，判别器试图识别真伪。2015 年 Google 工程师 Alexander Mordvintsev 用 GAN 训练了一个 Inception V3 神经网络做出「DeepDream」——这是第一张「AI 艺术作品」，被 Google 在 2016 年旧金山 Gray Area 基金会艺术展上首次展出，AI 艺术正式进入主流艺术界。
2017-2018 年 GAN 变种爆发：CycleGAN（图像风格转换）、StyleGAN（高分辨率人脸生成，1024×1024）、BigGAN（ImageNet 类别条件生成）。StyleGAN 生成的「This Person Does Not Exist」网站 2019 年上线，单月访问 400 万次——但这些图像仍存在「模式崩塌」(mode collapse) 和「训练不稳定」问题。
2017 年 7 月 Obvious Art 团队用 GAN 创作了《Edmond de Belamy》——这是首幅被传统拍卖行（佳士得）拍卖的 AI 艺术作品，2018 年 10 月以 43.25 万美元成交（估价 7000-10000 美元，超估价 40 倍）。这次拍卖标志着 AI 艺术获得传统艺术市场认可，但也引发争议——「AI 创作的艺术是否算艺术？」至今没有共识。
二、CLIP 时代：文本-图像对齐的工程突破（2020-2021）
2020 年 OpenAI 发布 CLIP（Contrastive Language-Image Pre-training）——用 4 亿图文对训练，让模型学会「图像和文本的语义对齐」。CLIP 是后续所有视觉生成模型的「视觉编码器」基础，2020 年论文被引用 8000+ 次，2021 年 CLIP 衍生品（如 OpenCLIP、ChineseCLIP）成为开源多模态标配。
2021 年 1 月 OpenAI 发布 DALL·E（实际版，基于 CLIP + Diffusion，120 亿参数），首次让普通人能通过文本生成「非真实但合理」的图像。同年 Google 发布 Imagen（基于 T5-XXL 文本编码器 + Diffusion）、Meta 发布 DALL·E 简化版 Make-A-Scene。Stable Diffusion 2022 年由 Stability AI 开源——这是「AI 视觉生成」平民化的关键节点。
2022 年 Stable Diffusion + Midjourney 爆发：Stable Diffusion 在 GitHub 3 个月获得 50K stars，Midjourney 在 Discord 单月 1000 万用户，AI 生成图像从「研究项目」变成「生产力工具」。Adobe / Canva / Figma 2022 年内全部集成 AI 生成图像功能。Getty Images 因版权问题起诉 Stability AI——这是 AI 艺术与版权的第一次正面冲突。
三、扩散模型时代：从 DALL·E 2 到 Stable Diffusion XL（2022-2023）
2023 年 Midjourney V5（逼真度大跃进）、DALL·E 3（与 ChatGPT 集成）、Stable Diffusion XL（开源 1024×1024）、Adobe Firefly（商业合规）四足鼎立。同年 Adobe 报告：83% 创意专业人士把 AI 工具集成到日常工作流；Getty Images 因版权问题起诉 Stability AI。
扩散模型（Diffusion Model）的核心原理是「加噪 → 训练 → 去噪」：模型先学习「给图像加噪声直到变白噪声」的逆过程，再学会「从白噪声逐步去噪」生成新图像。这种「去噪」过程在数学上等价于「学习数据分布的梯度场」——比 GAN 更稳定、生成图像质量更高、训练更可控。
2023 年「AI 图像与摄影边界」开始模糊：Midjourney V5 生成的「教皇穿白色羽绒服」照片在 Twitter 上获得 1500 万浏览量，被多数人误认为是真实摄影。2023 年 5 月 Getty Images 起诉 Stability AI 训练数据侵权，2024 年 11 月英国法院部分支持 Getty 主张，判赔 150 万英镑。AI 视觉生成的法律框架在 2023-2025 年逐步建立。
四、视频生成时代：Sora 触发「视频 AI 军备竞赛」（2024）
2024 年 2 月 OpenAI 发布 Sora——把视觉生成从「静态图片」推到「动态视频」。Sora 生成的视频长度 60 秒、分辨率 1080p、连贯性极强（物体运动轨迹合理、场景变化平滑），引发全球科技行业「AI 视频生成」军备竞赛。
Runway Gen-3、Luma Dream Machine、Kling、Pika、Stable Video Diffusion 等 10+ 个产品同月发布。Adobe / Blackmagic / Apple Final Cut Pro 2024 年内全部集成 AI 视频生成功能。Sora 的核心突破是「时空一致性」——让 60 秒内的物体运动保持物理合理（不「变形」不「闪现」），这是 2023 年所有视频 AI 的共同痛点。
2024 年中国视频 AI 快速跟进：快手可灵（Kling）2024 年 6 月发布，单视频长度 2 分钟、分辨率 1080p；字节即梦（Jimeng）2024 年 8 月发布；阿里通义万相 2024 年 10 月发布。截至 2025 年 6 月，可灵月活突破 1000 万（仅次于 Midjourney 1500 万）。
五、统一多模态时代：从 DALL·E 到 GPT-4o 的统一表征（2024-2026）
2024 年 5 月 OpenAI 发布 GPT-4o——首次把文本、图像、音频、视频统一在同一个 Transformer 里训练。GPT-4o 可以「看图说话」+「听懂指令」+「实时语音对话」+「生成图像」——这是「统一多模态」的第一步，标志着「单模态模型」时代结束。
Gemini 1.5 Pro（2024）支持百万 token 上下文视频理解、Claude 3.5 Sonnet（2024）支持图像理解 + 工具调用、Gemini 2.0（2024）支持实时视频流处理。Meta Llama 4（2025）首次把文本、图像、视频、音频在同一个 Transformer 里训练——AI 视觉生成从「独立模态」变成「统一表征」。
AI 视觉生成 AI 历经「GAN（2014-2019）→ 自回归 Transformer（2020-2022）→ 扩散模型（2022-2025）→ 多模态统一（2024-2026）」的三次范式转移，每次转移都让 AI 创作从「玩具」变成「工业级生产力工具」。2025 年全球 AI 视觉生成市场达 250 亿美元，预计 2027 年突破 1000 亿美元。AI 视觉生成的核心矛盾从「能不能生成」转向「能不能在版权 / 伦理 / 真实性框架下使用」——2025 年欧盟 AI Act 把 AI 生成内容标记为「强制披露」，中国 2024 年《生成式 AI 服务管理办法》要求「AI 生成内容必须可识别」。
