Знакомый маркетолог на прошлой неделе показал мне картинку: рыжий кот в круглых очках читает газету на веранде японского дома, за окном цветёт сакура. Он получил её за двадцать секунд одной строчкой текста. Вопрос, как работают нейросети для генерации картинок, мне задают почти на каждой встрече, и я отвечаю одно и то же: никакой магии там нет. Есть математика, натренированная на миллионах изображений. Сейчас разложу весь процесс по шагам, чтобы вы поняли, что происходит между вашим промптом и готовой картинкой.
Нейросеть не рождается художником: сначала миллионы уроков
Любая генеративная модель начинает жизнь как мешок случайных чисел. Внутри формулы с коэффициентами, и вначале они настроены как попало. Показываете такой сети учебную картинку с восьмёркой - на выходе абракадабра. Специальный алгоритм чуть-чуть подкручивает коэффициенты, чтобы следующий ответ был ближе к правильному. Эту процедуру повторяют миллионы и миллиарды раз на разных данных.
С текстовыми моделями работало ровно так же. GPT обучали на текстах из интернета: у текста откусывали хвост разной длины, а сеть пыталась его продолжить. Алгоритм подстраивал веса так, чтобы продолжение совпало с настоящим. Через миллиарды итераций модель прочитала огромную часть интернета и научилась предсказывать, что должно идти дальше. Картинные генераторы устроены похожим образом, только вместо слов они учатся восстанавливать изображения.
Для ощущения масштаба: обучение первой публичной версии Stable Diffusion заняло порядка 150 тысяч GPU-часов. Это месяцы работы тысяч видеокарт, а результат вы получаете за десять секунд. Вся прелесть нейросетей в том, что дорогая учёба делается один раз, а потом миллионы людей пользуются готовой моделью почти бесплатно.
Три поколения генераторов: от GAN до диффузии
Первый прорыв случился в 2014 году с изобретением GAN, генеративно-состязательных сетей. Там работают два алгоритма: генератор рисует подделку, а дискриминатор пытается отличить её от настоящей фотографии. Классическая метафора: фальшивомонетчик против полиции, и оба становятся лучше с каждым раундом. Именно на GAN работал знаменитый сайт This Person Does Not Exist, где каждая перезагрузка страницы показывала портрет несуществующего человека. GAN выдавали впечатляющие лица, но обучать их было мучительно, сети то и дело разваливались.
В 2015 году группа исследователей из немецкого университета придумала Neural Style Transfer - остроумный способ применять уже обученные сети. Они брали большую модель, обученную распознавать картинки, подавали на вход фотографию и обрывали вычисления на промежуточном шаге. Скажем, на десятом из двенадцати. Оказалось, что сырые промежуточные значения хранят информацию о формах и стиле изображения. Так научились переносить живопись Ван Гога на любые фото.
Нынешний стандарт, диффузионные модели, пришёл позже и победил по качеству и стабильности. На них работают DALL-E, Stable Diffusion, Midjourney, Nano Banana и практически всё, что вы видите в соцсетях под хештегом про ИИ-арт. Дальше буду объяснять именно на их примере.
CLIP переводит ваш текст на язык математики
Первое звено конвейера генерации, модель CLIP, создана OpenAI. Её специальность связывать смысл текста и смысл изображения в общем математическом пространстве. Когда вы пишете «собака играет с мячом на пляже», CLIP разбирает фразу и превращает её в числовой код, эмбеддинг, который отражает смысл описания целиком, а не отдельные слова.
Дальше этот код работает как инструкция для рисующей сети. CLIP выступает переводчиком между тем, что вы написали, и тем, что модель должна нарисовать. Без него генератор рисовал бы случайные картинки, потому что сам по себе он не понимает человеческий язык.
Отсюда практический вывод, который я повторяю всем новичкам. Модель понимает текст через зрительные образы из обучающих данных. «Кадр в стиле фильм нуар» сработает отлично, потому что у нуара чёткий визуальный словарь: контрастные тени, мокрый асфальт, шляпы. А абстрактное «что-то загадочное и атмосферное» переводится в код так себе, и результат будет лотереей.
Почему модель знает, как выглядит сакура и нуар
Всё, что генератор рисует, он взял из обучающего корпуса. В десятках миллионов картинок с подписями сакура встречается тысячи раз под разными углами и при разном свете, и статистика этих совпадений зашита в весах. Рисуя, модель не копирует конкретную фотографию, а воспроизводит усреднённый, обобщённый образ, собранный из тысяч примеров. Отсюда способность рисовать то, чего не существует: кот с крыльями получится, потому что модель знает кота и знает крылья по отдельности.
Та же логика объясняет и слепые зоны. Редкие объекты, у которых мало примеров в данных, генерируются хуже и с ошибками. Если запросить экзотический прибор с верфи XIX века, результат будет менее уверенным, чем с обычной кружкой на столе.
Латентное пространство: сеть рисует эскиз, а не холст
Ключевой трюк современных генераторов в том, что они не трогают пиксели напрямую. Картинка 1024 на 1024 точки содержит больше миллиона пикселей, у каждого три цветовых канала. Обрабатывать такой массив на каждом шаге генерации дорого и медленно. Поэтому сеть трудится в сжатом латентном пространстве: компактный набор чисел хранит суть будущей картинки.
Обрабатывать маленький набор чисел в сотни раз проще, чем миллионы пикселей, поэтому генерация занимает секунды, а не минуты. На качестве это почти не сказывается, потому что суть изображения, композиция, объекты, свет, прекрасно помещается в компактный код.
Проведу аналогию с живописью. Художник сначала делает карандашный эскиз на половине листа: там уже заданы композиция, позы, направление света. Потом он переносит эскиз на большой холст и прописывает детали красками. Латентный код и есть такой числовой эскиз, с которым возится генеративная сеть всё время рисования.
VAE распаковывает код в готовое изображение
Когда сеть закончила рисовать в сжатом виде с учётом инструкций от CLIP, вступает VAE, вариационный автоэнкодер. Он берёт латентный код и распаковывает его обратно в полноценное изображение с цветами, деталями и текстурами. По сути VAE это декодер, превращающий конспект в готовую картину.
Здесь же корень известной болезни ранних генераторов, кривых рук. В латентном коде точное количество пальцев жёстко не фиксируется, сжатое пространство описывает руку обобщённо. На этапе распаковки VAE достраивает мелочи приблизительно, и иногда получается пять с половиной пальцев. Новые модели справляются с этим сильно лучше, но механика ошибки именно такая.
Диффузия: картинка рождается из шума
Сам процесс генерации называется диффузией, и он красиво устроен. При обучении сети показывали пары: чистая фотография и её же версия с добавленным шумом. Модель училась убирать шум небольшими шагами, миллионы раз на разных изображениях. При генерации берётся чистый случайный шум, и сеть за 20-50 шагов превращает его в осмысленную картинку. На каждом шаге она сверяется с кодом вашего промпта от CLIP.
По духу это работа скульптора: в глыбе мрамора уже спрятана статуя, остаётся отсечь лишнее. Диффузионная модель делает то же самое с шумом, только отсекает его по инструкции, которую вы написали в текстовом поле.
Есть деталь, которую стоит знать для практики: стартовый шум фиксируется параметром seed. Один и тот же промпт с тем же зерном даст практически идентичный результат, с другим зерном получите совершенно новую картинку. Когда генерация удалась, сохраняйте seed: это шанс воспроизвести удачу и аккуратно доработать её промптом.
Отдельная суперсила диффузии в редактировании. Можно загрузить готовую фотографию, задать силу изменения и попросить поменять только фон или только цвет куртки, сохранив человека нетронутым. Модель проходит те же шаги удаления шума, но стартует не с чистого шума, а с частично зашумлённого вашего изображения. Так работают функции inpainting и img2img во всех крупных редакторах.
Почему нейросети ошибаются: вероятность вместо уверенности
Нейросети приблизительны по природе. Распознающая сеть скажет «здесь корова» с вероятностью 0,97, а не со стопроцентной гарантией. Покажете ту же картинку дважды, вероятности будут отличаться на тысячные доли. Генерация устроена так же: результат всегда статистически правдоподобен, а не точен, отсюда неожиданные артефакты в деталях.
Второе свойство: нейросети закрыты. Мы не можем сказать, по каким критериям программа решает, что на картинке человек. Всё происходит автоматически, разработчик задаёт лишь структуру и формулы. Примерно как с человеческим мозгом: вы узнаёте собаку, даже если впервые видите незнакомую породу, но словами объяснить механику распознавания не сможете.
Хороший промпт это техзадание, а не поэзия
Из этих двух свойств следует простая практика: чем чётче структура запроса, тем предсказуемее результат. В обсуждениях на Reddit новички регулярно жалуются на «лотерею» в генерации, а опытные пользователи отвечают одно: модель не читает мысли, она читает текст. Я делю промпт на пять слоёв.
- Объект: кто или что в кадре, с конкретными признаками вроде цвета и позы.
- Окружение: место, фон, время суток, погода.
- Стиль: фотореализм, акварель, кадр из аниме, постер 60-х.
- Свет и оптика: контровой свет, мягкий рассеянный свет, широкий угол, крупный план.
- Формат: вертикаль, квадрат, широкоэкран.
Ещё один рабочий приём, негативный промпт. Через специальное поле вы перечисляете то, чего в кадре быть не должно: лишние пальцы, размытость, водяные знаки. Модель учитывает запрет при каждом шаге очистки шума, и процент брака падает заметно.
Пример из моей практики. Для обложки одной статьи я написал: «девушка в красном пальто стоит на заснеженной улице вечером, неон вывесок отражается в лужах, кинематографичный кадр, малая глубина резкости, вертикаль 3:4». Шесть генераций, три хорошие, одну взял в работу. Пятнадцать минут вместо часа переписки с дизайнером. Такой результат дали именно конкретные зрительные якоря в каждом слое промпта.
Где попробовать флагманские нейросети из России
Теория без практики мертва, а практика упирается в доступ. Большинство топовых сервисов из России напрямую не работают: нужны иностранная карта, зарубежный номер и терпение. Я решил это для себя просто: пользуюсь 3GPT от 3SELLER. Это ИИ-роутер, который даёт прямой доступ ко всем флагманским моделям нейросетей из России за 149 рублей, без иностранных карт.
Внутри собраны последние флагманы: Chat GPT 6 Astra, Chat GPT 5.5, Chat GPT 6.1 Sol, Claude Fable 5, Claude Fable 5.1, Claude Opus 5.5, а за изображения отвечает Nano Banana. Есть генерация видео. Пополнить баланс можно российской картой, через СБП или криптой, регистрация занимает пару минут. Получить доступ ко всем флагманским моделям нейросетей из России можно на официальном сайте 3GPT.
Практический расклад по задачам: тексты и анализ документов я отдаю моделям Claude Fable 5.1 и Chat GPT 6.1 Sol, визуалы делает Nano Banana, ролики собираю через генерацию видео. Все модели живут в одном интерфейсе, переключение занимает секунду, и это главное отличие роутера от набора разрозненных подписок.
Для повседневных задач в бизнесе и работе это закрывает почти всё: продающие тексты, структуры лендингов, деловая переписка, разбор документов. Создавайте и обрабатывайте максимально реалистичные изображения, собирайте видеоролики, генерируйте голос для озвучки. Раньше на такой набор требовалось три сервиса и две зарубежные карты, теперь один тариф и одна кнопка.
Готовые ИИ-агенты: когда не хочется писать промпты
В 3GPT есть фишка, о которой мало кто знает. Кроме обычного чата с моделями, там собрана библиотека готовых ИИ-агентов под конкретные задачи: выбираете агента и сразу начинаете общение. Модель агента можно менять прямо в чате, диалог при этом не пересоздаётся.
Для работы с картинками это удобно так: агент уже настроен под задачу, скажем на маркетинговые визуалы, и вам не нужно с нуля осваивать промпт-инженерию. Задали контекст, получили варианты, переключились на модель, которая лучше рисует, и продолжили в том же диалоге.
Начните с одного эксперимента сегодня
Откройте 3GPT, возьмите любой предмет на своём столе и опишите его по схеме из статьи: объект, окружение, стиль, свет, формат. Сгенерируйте четыре варианта с разными seed и сравните, как меняется сцена при неизменном тексте. Через час таких экспериментов устройство нейросетей перестанет быть абстракцией. Вы своими глазами увидите, как из строки текста и случайного шума рождается картинка, ради которой ещё пять лет назад наняли бы дизайнера с портфолио.