L'idea geniale di partenza
Nel 2020, i ricercatori si sono fatti una domanda apparentemente semplice:
"Se possiamo predire la prossima parola in una frase… possiamo predire il prossimo pixel in un'immagine?"
Questa domanda ha dato vita a DALL-E, Stable Diffusion e Midjourney — i modelli che oggi generano immagini fotorealistiche dal nulla, partendo da una semplice descrizione testuale.
Il collegamento con Einstein: il moto Browniano
Nel 1905, Einstein descrisse il moto Browniano: il movimento caotico e casuale di particelle microscopiche sospese in un fluido. Immagina una goccia di inchiostro in un bicchiere d'acqua — si diffonde lentamente finché l'acqua non diventa uniformemente colorata. Ordine → Caos.
I ricercatori hanno preso questa idea fisica e l'hanno applicata alle immagini.
Come funziona: il forward process (distruzione)
Prendi un'immagine nitida — ad esempio un gatto.
Il modello aggiunge rumore casuale all'immagine, un piccolo passo alla volta, per 1.000 passi.
Al passo 1: il gatto è quasi intatto. Al passo 500: è già irriconoscibile. Al passo 1.000: è puro rumore statico. Caos totale.
Questo processo è matematicamente controllato: sappiamo esattamente quanto rumore aggiungere ad ogni step, seguendo una distribuzione gaussiana.
La magia vera: il reverse process (ricostruzione)
Qui entra in gioco la rete neurale.
L'obiettivo è insegnare al modello a fare il contrario: partire dal caos e ricostruire un'immagine coerente, un piccolo passo alla volta.
Il modello non "memorizza" le immagini. Apprende la struttura statistica del rumore, impara a chiedersi: "dato questo caos, qual è lo stato leggermente meno caotico che probabilmente l'ha preceduto?"
Ripetuto 1.000 volte → emerge un'immagine.
I componenti tecnici
DDPM — Denoising Diffusion Probabilistic Models
È il meccanismo base. Definisce formalmente il processo di aggiunta e rimozione del rumore con equazioni probabilistiche. È lento ma preciso.
CLIP — Contrastive Language-Image Pretraining (OpenAI)
È il "traduttore" tra testo e immagini. CLIP è stato addestrato su centinaia di milioni di coppie (testo, immagine) e ha imparato che "un libro appoggiato al tavolo" e la foto di un libro appoggiato al tavolo sono la stessa cosa in spazi diversi.
Quando scrivi un prompt, CLIP lo converte in un vettore numerico che guida il processo di denoising nella direzione giusta.
DDIM — Denoising Diffusion Implicit Models
Il DDPM originale richiedeva tutti e 1.000 i passi → lentissimo. DDIM ha scoperto che si può saltare la maggior parte dei passi e arrivare a un risultato decente in 20–50 passi. Circa 50 volte più veloce, con qualità quasi identica.
Stable Diffusion — il modello sul tuo laptop
Il problema dei modelli precedenti era la dimensione: lavoravano direttamente sui pixel (es. immagine 512×512 = 786.000 valori numerici da processare).
Stable Diffusion introduce il Latent Diffusion: invece di lavorare sui pixel, comprime l'immagine in uno spazio latente molto più piccolo (tramite un autoencoder), fa tutto il processo di diffusione lì, e poi riespande. Risultato: 8–10 volte meno memoria e calcolo, abbastanza per girare su una GPU consumer.
Il quadro completo in una frase
Il modello impara a distruggere le immagini in modo controllato, e poi usa quella conoscenza al contrario partendo dal rumore, guidato dal testo, ricostruisce immagini nuove che non sono mai esistite.
È uno degli sviluppi più eleganti dell'AI moderna, fisica del 1905, statistica bayesiana e reti neurali profonde, tutto insieme. E funziona sul tuo PC.