Cosa sono i modelli diffusion: come l'AI genera le immagini

Scrivi una frase e ottieni un'immagine che non è mai esistita. Dietro Midjourney, Stable Diffusion, DALL·E e Flux c'è la stessa famiglia di modelli: i diffusion. Capire come funzionano non è un esercizio teorico — spiega perché certi parametri esistono, perché a volte l'immagine ignora metà del prompt e perché certi errori ricorrono sempre uguali. In questo articolo te lo racconto senza matematica.

Cos'è un modello diffusion

Un modello diffusion è un sistema che impara a trasformare rumore casuale in un'immagine coerente, rimuovendolo un po' alla volta. Il testo che scrivi serve a guidare quella rimozione verso un risultato piuttosto che un altro.

Il nome viene dalla fisica: la diffusione è il processo per cui una goccia di inchiostro si disperde nell'acqua fino a sparire. L'idea alla base del modello è imparare a invertire quel processo.

Come viene addestrato

L'intuizione è più semplice di quanto ci si aspetti, e si svolge in due tempi.

Fase 1 — si distrugge l'immagine. Si prende una foto vera e le si aggiunge un po' di rumore. Poi ancora un po'. E ancora, per centinaia di passaggi, finché non resta che rumore indistinguibile da uno schermo di televisore mal sintonizzato.

Questo si fa a tavolino e non richiede intelligenza: aggiungere disturbo è banale.

Fase 2 — si insegna a tornare indietro. Al modello viene mostrata un'immagine parzialmente rovinata e gli si chiede: "quale rumore è stato aggiunto qui?". La risposta corretta è nota, perché è stato il sistema stesso ad aggiungerlo. Sbagliando e correggendosi su miliardi di esempi, il modello impara a stimare il disturbo presente in qualunque immagine.

Il risultato è un modello che sa una cosa sola: dato qualcosa di rumoroso, sa dire quale parte è rumore. Ripetendo quella stima decine di volte a partire da rumore puro, emerge un'immagine.

Ed è qui il punto che colpisce: il modello non "disegna". Non parte da una tela bianca aggiungendo elementi. Parte da una tempesta di pixel casuali e progressivamente toglie ciò che non appartiene all'immagine, come uno scultore che leva il marmo in eccesso.

Dove entra il testo

Un modello addestrato così genererebbe immagini plausibili ma casuali. Perché obbedisca a una descrizione serve un secondo pezzo.

Il prompt viene convertito in numeri — embedding, la stessa rappresentazione matematica del significato che usano gli LLM. A ogni passo di pulizia, quei numeri orientano la stima: "il rumore da togliere è quello che allontana l'immagine dal concetto di gatto nero su un divano".

Il meccanismo che collega parole e regioni dell'immagine è l'attention, lo stesso ingranaggio che sta dentro l'architettura Transformer.

I parametri, e perché esistono

Conoscere il meccanismo rende immediatamente comprensibili le manopole che trovi in ogni strumento.

Seed. Il rumore iniziale non è davvero casuale: è generato da un numero, il seed. Stesso seed, stesso prompt, stessi parametri → immagine identica. È ciò che permette di riprodurre un risultato o di variarne un dettaglio mantenendo il resto.

Step (o sampling steps). Quanti passaggi di pulizia effettuare. Pochi (10-15) danno immagini approssimative; molti (40-50) rifiniscono. Ma il rendimento cala in fretta: oltre una certa soglia raddoppiare gli step raddoppia il tempo senza migliorare granché. Il punto di equilibrio sta di solito tra 20 e 35.

CFG scale (guidance). Quanto il modello deve aderire al prompt. Valore basso: più libertà creativa, meno fedeltà. Valore alto: obbedienza al testo, ma con immagini spesso sature e artefatte. È un compromesso reale, non un "più è meglio".

Sampler. L'algoritmo che decide come procedere a ogni passo. Cambia velocità e resa, ma è il parametro su cui vale meno la pena arrovellarsi.

Negative prompt. Ciò che non deve comparire. Funziona spingendo attivamente la generazione lontano da quei concetti — non è un filtro applicato dopo.

Il trucco che ha reso tutto praticabile

I primi modelli lavoravano direttamente sui pixel: costosissimo, un'immagine ad alta risoluzione richiedeva hardware da laboratorio.

La svolta è stata operare in uno spazio latente: una rappresentazione compressa dell'immagine, molto più piccola dei pixel ma che ne conserva il contenuto semantico. La diffusione avviene lì dentro, e solo alla fine un decoder riporta il risultato a immagine vera.

È da qui che viene il nome Stable Diffusion — "latent diffusion" — ed è il motivo per cui oggi un modello del genere gira su una scheda video da gaming invece che su un data center. Se vuoi provarci, il ragionamento è lo stesso di far girare un LLM in locale.

Perché sbaglia le mani (e il testo)

I difetti ricorrenti non sono bug: discendono direttamente dal funzionamento.

Le mani. Il modello non ha un concetto di "mano con cinque dita". Ha visto milioni di mani in pose, angolazioni e occlusioni diverse, e ne ha ricavato una nozione statistica di aspetto plausibile. Non conta le dita, perché non conta nulla. I modelli recenti sono molto migliorati, ma per statistica accumulata, non perché abbiano imparato l'anatomia.

Il testo. Stesso motivo. Le lettere sono trattate come forme visive, non come simboli con un significato. Ecco perché per anni le insegne nelle immagini AI erano scritte in un alfabeto quasi-latino inventato.

I dettagli ignorati del prompt. Con richieste lunghe e piene di vincoli, la guida diventa un compromesso tra decine di spinte diverse. Alcuni elementi vincono, altri si perdono. È il motivo per cui prompt più corti e mirati spesso funzionano meglio di elenchi infiniti di aggettivi.

Le proporzioni impossibili. Coerenza globale e coerenza locale sono due cose diverse: il modello ottimizza la plausibilità di ogni regione, senza una verifica d'insieme.

Diffusion e LLM: due mestieri diversi

Vale la pena non confonderli, perché il ragionamento pratico cambia.

	LLM	Diffusion
Genera	Testo, un token dopo l'altro	Immagini, per raffinamenti successivi
Procedimento	Sequenziale	Iterativo sull'intera immagine
Riproducibilità	Difficile da fissare	Esatta, col seed
Errori tipici	Fatti inventati	Anatomia e testo sbagliati

In entrambi i casi resta il limite di fondo: sono sistemi che producono il risultato più plausibile, non quello verificato. Sono le allucinazioni nella loro versione visiva.

A cosa serve saperlo

Molto concretamente:

• Il seed è il tuo strumento di lavoro. Trovata un'immagine quasi giusta, fissa il seed e cambia solo il dettaglio da correggere.
• Alzare gli step non risolve un prompt debole. Se il risultato è sbagliato nel contenuto, il problema è la guida, non la rifinitura.
• Il CFG alto non è "più preciso". Oltre una certa soglia degrada l'immagine.
• Prompt mirati battono prompt lunghi. Vale lo stesso principio del prompt engineering sul testo.
• Le mani e le scritte vanno sistemate a mano, o rigenerate su quella porzione, non sperando in un tentativo fortunato.

In sintesi

I modelli diffusion generano immagini imparando a fare il contrario di ciò che è facile: sanno riconoscere il rumore, e applicando quella capacità decine di volte a partire da rumore puro fanno emergere un'immagine, guidati dal significato del prompt.

Non disegnano e non capiscono la scena: stimano, passo dopo passo, cosa rimuovere. Da questo discendono sia i parametri che trovi negli strumenti — seed, step, CFG — sia i limiti ricorrenti su mani, testo e prompt affollati.

Sapendolo, smetti di procedere per tentativi e inizi a usare gli strumenti sapendo su quale leva agire.

Se vuoi orientarti tra gli strumenti disponibili, ho messo a confronto i principali in migliori tool AI per creare immagini.