GAN与Diffusion生成范式差异：从对抗博弈到去噪回归的技术演进

生成模型的核心分野：判别与生成

生成模型的核心目标在于学习数据背后的整体分布，并据此生成此前不存在的新样本。与判别模型负责识别和分类不同，生成模型回答的是如何从噪声、潜变量或条件输入中生成图像、视频、声音和动作。判别式模型关心类别边界，只需识别样本差异；生成式模型则关心数据分布，需要学习样本整体结构并据此生成新数据。GAN与Diffusion是过去十余年最具代表性的两条路线，前者以生成器和判别器的对抗博弈为核心，后者以加噪和去噪过程为核心。

生成模型演进：五条脉络交织发展

生成式建模并非只有GAN与扩散两条路径。回溯十余年发展，大致可归纳为五条相互交织的脉络：VAE代表显式概率和潜变量建模，训练稳定但生成保真度有限；GAN以对抗训练替代显式似然，点燃高真实感图像生成；自回归路线把图像当作token序列逐步预测，似然清晰但逐元素生成速度较慢；DDPM重塑扩散范式，通过加噪再去噪实现稳定训练；得分匹配与流匹配进一步把扩散、得分模型和连续生成路径纳入统一视角。2022年后，扩散与Transformer结合的DiT证明生成路线也可接入规模化骨干，并支撑图像、视频和世界模型方向发展。

GAN机制：对抗博弈逼近数据分布

GAN由生成器与判别器两个网络组成，两者在训练中形成对抗关系。判别器不断提高真假样本区分能力，生成器则据此提升样本质量。理论上，当生成分布与真实分布完全重合、判别器无法区分时，博弈达到均衡。然而，模式崩溃是GAN的典型失败形态——生成器可能只生成少数几类容易通过判别器的样本，导致多样性不足。训练不稳定是GAN规模化应用的核心约束：对抗训练要求两网络保持相对平衡，任一方过强都可能导致梯度信号失效、训练震荡或停滞；同时GAN缺乏清晰的似然收敛指标，调参和复现难度较高。

从DCGAN到StyleGAN，GAN经历了经典演进。DCGAN确立较稳定的卷积GAN结构；BigGAN借助大规模训练提升条件生成保真度；StyleGAN通过风格化生成器实现人脸属性细粒度控制。GAN的优势在于一次前向即可生成图像，采样极快，可支撑实时与交互式应用；在人脸等特定领域生成质量锐利、细节丰富。但其训练脆弱、对超参敏感、易模式崩溃，分布覆盖不全，跨数据集迁移与可控编辑能力弱于扩散。

Diffusion机制：去噪学习重塑生成范式

扩散模型将生成过程拆分为连续的去噪步骤：先在前向过程中逐步向图像加入噪声，直至接近纯噪声；再训练网络学习反向去噪，从噪声逐步恢复样本。前向过程按固定方差表，在数百到上千步中向图像持续加入高斯噪声，最终将任何图像转化为近似标准噪声的随机点；反向过程需要模型学习每一步的去噪方向，预测噪声成分并据此还原上一阶段状态。

扩散与GAN的根本差异在于训练目标。GAN依赖对抗博弈，扩散则将生成问题转化为稳定的去噪回归任务，因此更不易出现模式崩溃，分布覆盖更充分，训练也更易复现。其代价是采样需要多步迭代，推理速度显著慢于一步式GAN。为提升效率，DDIM把采样改写为确定性过程，可跳步采样；Latent Diffusion转向潜空间执行扩散，显著降低计算开销；CFG无分类器引导则通过在训练时随机丢弃条件、采样时对比有条件与无条件的预测来增强可控性。

四维度对比：速度、稳定性、多样性与可控性

采样速度方面，GAN一步前向生成，天然适合实时与交互场景；扩散多步迭代，原生推理较慢，虽经DDIM、蒸馏、流匹配等技术压缩步数，但"多步"仍是其原生特征。训练稳定性方面，GAN博弈难稳、易震荡崩溃；扩散目标清晰、过程平滑、易复现调参。样本多样性方面，GAN易模式崩溃、覆盖不全；扩散逐步去噪机制使其更易覆盖完整分布。可控性方面，GAN原生较弱、多依赖潜空间反演等额外技巧；扩散凭借CFG、inpainting、ControlNet等手段实现丰富控制。

主线转移与路线分工

当前图像和视频生成的通用主线已转向Diffusion及其流匹配变体，Stable Diffusion、DALL-E2、Sora等均体现这一趋势。但路线迁移并不意味着GAN完全退出：GAN思想仍在对抗蒸馏、一步生成和扩散提速中回流；一致性模型、整流流、流匹配等方法也在持续改善采样效率。在语言生成仍以自回归建模为主，图像与视频生成以扩散为主，流匹配和整流凭借更简洁的理论路径加速渗透，三类路线相互借鉴但分工逐步明确。

扩散成为主流后的三个演进方向

流匹配与整流通过更直接的生成路径降低采样成本，使用ODE学习从噪声到数据的近似直线路径，Stable Diffusion 3以整流和多模态DiT为架构基础。一致性模型与蒸馏将多步生成压缩为少步甚至一步生成，LCM-LoRA等已将高质量生成压缩到2-4步。DiT证明将扩散主干替换为Transformer后，模型质量可随算力和参数规模提升而持续改善，体现出scaling规律，直接启发Sora等视频生成大模型设计。此外，对抗蒸馏将GAN的对抗损失用于扩散模型压缩，使GAN思想更多作为扩散提速工具发挥作用。

产业落地：从数字AI到物理AI

数字AI侧形成"扩散/流匹配+Transformer/DiT"的统一技术栈，竞争焦点从单纯架构转向数据、工程化、成本和产品体验。物理AI侧，生成式世界模型用于合成长尾驾驶场景、仿真训练和机器人动作生成，但若进入安全闭环，还必须补足动作条件化、长时域一致性和可靠评估。生成模型由内容生产走向物理世界，约束显著变硬。智能驾驶作为最先跑通闭环的代表场景，值得重点关注。