Jak sztuczna inteligencja tworzy obrazy

W skrócie

• Większość dzisiejszych generatorów obrazów to modele dyfuzyjne. Zaczynają od losowego szumu i w kilkudziesięciu krokach „odszumiają” go tak, żeby obraz pasował do opisu.
• Opis zamienia się w liczby. Koder tekstu, wytrenowany na setkach milionów par obraz–podpis, zapisuje znaczenie zdania jako wektor, którym model kieruje się przy każdym kroku.
• Model nie ma bazy zdjęć. Zapamiętuje zależności („złota godzina” oznacza ciepłe, niskie światło), a nie konkretne pliki.
• Błędy mają powód. Dłonie, liczby i długie napisy są trudne, bo w danych treningowych są rzadko opisane dokładnie.
• Od 2 sierpnia 2026 r. obowiązuje art. 50 AI Act. Realistyczne obrazy prawdziwych osób, miejsc i zdarzeń (deepfake) trzeba oznaczać.

Od szumu do obrazu: dyfuzja

Wyobraź sobie zdjęcie, na które nakładasz coraz więcej szumu, jak w starym telewizorze bez sygnału. Po kilkuset krokach zostaje sam szum. Model dyfuzyjny uczy się tej drogi w odwrotną stronę: patrzy na zaszumiony obraz i przewiduje, jaki szum trzeba usunąć, żeby był odrobinę wyraźniejszy. Pomysł opisali w 2020 r. Jonathan Ho, Ajay Jain i Pieter Abbeel w pracy o modelach DDPM. To ona zapoczątkowała falę współczesnych generatorów.

Generowanie wygląda więc tak: model losuje szum, a potem, krok po kroku, usuwa go. Na każdym kroku „podgląda” opis i usuwa szum w taki sposób, żeby wynik coraz bardziej przypominał to, o co prosisz. Po kilkunastu albo kilkudziesięciu krokach z szumu wyłania się kot na parapecie.

To wyjaśnia rzecz, która zaskakuje wiele osób: ten sam opis daje za każdym razem inny obraz. Punkt startowy, czyli szum, jest losowy, więc droga do wyniku też jest inna. Nie jest to błąd, tylko cecha, dzięki której z jednego pomysłu można dostać kilka wersji do wyboru.

Skąd AI wie, jak wygląda kot

Model uczy się na ogromnych zbiorach obrazów z podpisami. Przykładem jest otwarty zbiór LAION-5B z 2022 r.: 5,85 miliarda par obraz–tekst zebranych z internetu, użyty między innymi do trenowania Stable Diffusion. Komercyjni producenci (Google, OpenAI, ByteDance, Black Forest Labs, Alibaba) nie publikują pełnych list danych, ale zasada jest ta sama.

Kluczowy jest koder tekstu. W 2021 r. OpenAI opisało model CLIP, który nauczył się umieszczać obrazy i zdania w tej samej „przestrzeni znaczeń”: podpis „rudy kot śpi w słońcu” ląduje blisko zdjęć rudych, śpiących kotów. Nowsze generatory używają podobnych albo znacznie większych koderów, często dużych modeli językowych. Dlatego rozumieją dłuższe zdania, zależności („kubek na kamieniu, w lesie”) i coraz lepiej język polski.

Model nie przechowuje zdjęć kotów. Przechowuje miliardy liczb, które razem opisują, jak „kotowatość” łączy się z futrem, światłem i pozą. Ilość danych jest wielokrotnie większa niż rozmiar samego modelu, więc nie da się w nim po prostu „zapisać” zbioru.

Dlaczego to trwa sekundy, a nie godziny

Obraz 1024×1024 piksele to ponad 3 miliony liczb (trzy kolory na piksel). Odszumianie takiej ilości danych kilkadziesiąt razy byłoby powolne. W 2022 r. zespół Robina Rombacha zaproponował dyfuzję w przestrzeni ukrytej (latent diffusion). Obraz najpierw kompresuje się do znacznie mniejszej, „streszczonej” reprezentacji, w niej odbywa się całe odszumianie, a dopiero na końcu dekoder zamienia wynik na piksele. Na tej idei zbudowano Stable Diffusion i większość następców.

Szybkie modele, takie jak Z-Image Turbo, idą o krok dalej: są „destylowane”, czyli nauczone dochodzić do dobrego wyniku w kilku krokach zamiast kilkudziesięciu. Dlatego kosztują w AIObraz 1 kredyt i oddają obraz w kilka sekund.

Co zmieniło się w latach 2024–2026

• Transformery zamiast sieci U-Net. Praca DiT (Peebles i Xie, 2023) pokazała, że architektura znana z modeli językowych dobrze skaluje się w dyfuzji. FLUX, Seedream i Qwen Image korzystają z odmian tej architektury.
• Flow matching. To nowszy sposób uczenia (Lipman i in., 2022), w którym model uczy się prostszej, „prostej” drogi od szumu do obrazu. Wymaga mniej kroków.
• Generatory wbudowane w modele językowe. GPT Image i Nano Banana (Gemini) to modele, w których rozumienie tekstu i tworzenie obrazu są połączone ściślej. Dlatego dobrze wykonują złożone polecenia i edycje typu „zmień tylko kolor kurtki”.
• Edycja zamiast losowania. Modele takie jak FLUX Kontext i Nano Banana przyjmują zdjęcie jako wejście i zmieniają tylko wskazaną część. Kilka lat temu wymagało to ręcznego zaznaczania maski.
• Napisy. Jeszcze w 2023 r. litery na obrazach wychodziły jako bełkot. W naszym teście z listopada 2026 r. wszystkie dziesięć modeli napisało „ŚWIEŻE KWIATY” z polskimi znakami. Zobacz porównanie modeli.

Dlaczego AI myli dłonie, napisy i liczby

Błędy generatorów nie są przypadkowe. Wynikają z tego, jak model się uczył.

• Dłonie mają wiele stawów, często są częściowo zasłonięte, a podpisy zdjęć prawie nigdy nie mówią „pięć palców, kciuk z lewej”. Model widział mnóstwo dłoni, ale rzadko dokładnie opisanych.
• Liczby: „siedem jabłek” wymaga liczenia, a model dyfuzyjny myśli plamami i kształtami, nie sztukami.
• Długie napisy: każda litera to drobny kształt, który musi idealnie trafić. Krótkie hasła są dziś pewne, ale całe zdania wciąż lepiej dodać w programie graficznym.
• Konkretne miejsca: model zna klimat Rynku w Krakowie, ale niekoniecznie każdy gzyms Sukiennic. Do materiałów, w których liczy się wierność architekturze, użyj prawdziwego zdjęcia i edycji.

Prawa autorskie i oznaczanie obrazów AI

Czy obraz z AI jest utworem?

Polska ustawa o prawie autorskim chroni „przejaw działalności twórczej o indywidualnym charakterze”, a w doktrynie i orzecznictwie twórcą może być tylko człowiek. Obraz, który w całości wygenerował model na podstawie krótkiego opisu, zwykle nie jest więc utworem. Podobne stanowisko zajmuje Urząd ds. Praw Autorskich w USA. Inaczej może być, gdy człowiek ma realny, twórczy wkład: komponuje kilka wygenerowanych elementów, maluje na nich albo mocno je przerabia. To nie jest porada prawna. W ważnych sprawach zapytaj radcę prawnego lub adwokata.

Czy mogę używać obrazów komercyjnie?

O tym, co wolno zrobić z obrazem, decyduje regulamin serwisu i prawa osób trzecich. W AIObraz użycie komercyjne jest dozwolone. Nie generuj jednak cudzych znaków towarowych, postaci z filmów i gier ani wizerunku prawdziwych osób bez ich zgody. Te prawa istnieją niezależnie od tego, czy obraz zrobił człowiek, czy model.

AI Act: co obowiązuje od 2 sierpnia 2026 r.

Unijne rozporządzenie o sztucznej inteligencji (AI Act, UE 2024/1689) w art. 50 wprowadza obowiązki przejrzystości, które stosuje się od 2 sierpnia 2026 r.:

• Dostawcy generatorów muszą oznaczać wyniki w sposób czytelny maszynowo, na przykład metadanymi lub znakiem wodnym. Dla systemów działających na rynku przed 2 sierpnia 2026 r. przewidziano okres przejściowy do 2 grudnia 2026 r.
• Osoby i firmy publikujące deepfake, czyli realistyczny obraz istniejących osób, miejsc, przedmiotów lub zdarzeń, który można wziąć za prawdziwy, muszą ujawnić, że został wygenerowany lub zmieniony przez AI. Informacja ma być wyraźna przy pierwszym kontakcie odbiorcy z treścią.
• Dzieła wyraźnie artystyczne, satyryczne lub fikcyjne też wymagają informacji, ale może być ona dyskretna i nie może psuć odbioru dzieła.

Praktyczna zasada: jeśli obraz udaje fotografię prawdziwego świata, na przykład zdjęcie produktu w reklamie, wnętrze w ogłoszeniu albo portret „klienta” na stronie, dopisz, że to wizualizacja lub obraz wygenerowany przez AI.

Co z tego wynika w praktyce

1. Pisz konkretnie. Model kieruje się wektorem znaczeń, więc rzeczowniki i opis światła działają lepiej niż „piękny, profesjonalny”. Wzór i przykłady są w poradniku jak pisać opis obrazu.
2. Generuj kilka wersji. Losowy start oznacza, że druga lub trzecia próba bywa lepsza. Szkice rób w modelach za 1 kredyt.
3. Dobieraj model do zadania. Napisy: Qwen lub GPT Image. Fotorealizm: Seedream lub Nano Banana. Edycja: Nano Banana lub FLUX Kontext.
4. Poprawiaj zamiast losować. Edycja zdjęć AI zmienia tylko wskazany fragment.
5. Oznaczaj realistyczne obrazy. To dziś wymóg prawa, a nie tylko dobry obyczaj.