旋钮里的去噪：用一台旧电视理解扩散模型
一台 1987 年的电视，和 2026 年的 AI
伦敦的一个展厅里，摆着一台 GoldStar CMX-4200 13 寸 CRT 电视，生产于 1987 年。它的外壳泛黄，屏幕微微凸起，天线是那种老式的金属拉杆。观众走过来，随手拨弄天线——画面从一片雪花逐渐变清晰，一只渡渡鸟的轮廓浮出来，发出低沉的鸣叫。
这不是复古电器展，而是一个 AI 艺术装置。屏幕上播放的渡渡鸟不是真实影像，而是 Stable Diffusion XL 生成的 AI 图像。观众拨弄天线的过程，实际上是在控制扩散模型的去噪步骤——天线角度对应去噪进度，从纯噪声到清晰图像。
这是 2026 年 Sihwa Park 的作品 Diffusion TV，一篇发表在 arXiv 上的论文兼艺术装置。它做了一件罕见的事：把扩散模型最核心的数学过程——去噪——变成了一次物理体验。
被隐藏的中间状态
扩散模型的原理，用一句话说就是"从噪声中雕刻图像"。模型从一张纯噪声开始，逐步去掉噪声，最终浮现出有意义的图像。这个去噪过程通常需要 20-50 步，每一步都会产生一个中间状态——从混沌到半成型到清晰。
但这些中间状态在常规使用中是隐形的。你用 Midjourney 生成一张图，看到的是最终结果，中间那 50 步从噪声到图像的演化过程被完全跳过。即使有些工具能展示去噪过程，那也只是一个进度条或一个快进动画——你看着它变清晰，但你无法"介入"这个过程。
Park 的洞察是：去噪过程本身就是值得体验的。扩散模型不只是一个"输入提示词、输出图片"的黑盒，它的中间状态蕴含着模型"思考"的痕迹——从混沌中逐渐浮现结构的过程，和人类创作时的"从模糊到清晰"有某种共鸣。
但如何让观众"体验"去噪？屏幕上的动画太被动了。Park 选择了更直接的方案：让观众用手控制去噪进度。
天线即去噪旋钮
Diffusion TV 的技术架构出人意料地朴素。一台 1987 年的 CRT 电视，一台 Raspberry Pi 5 作为控制器，一个 HDMI 转 RF 的调制器把数字信号变成电视能接收的模拟信号。
关键的交互设计在天线上。电视的拉杆天线通过 3D 打印的连接器固定在一个旋转编码器上。观众转动天线的水平角度，编码器把角度转换成连续的控制信号，映射到去噪步骤的索引——转到最左边是第 0 步（纯噪声），转到最右边是最后一步（完全清晰的图像）。
电视的 VHF 调谐器旋钮也没闲着——它连着一个磁性编码器，用来切换"频道"。Diffusion TV 有三个频道：
Past 频道：16 种已灭绝动物。渡渡鸟、袋狼、旅鸽、巨狐猴……每种动物都用 Stable Diffusion XL 生成图像，用 Stable Audio Open 生成声音。观众看到的是 AI 对已逝生命的想象——这些物种的真实影像大多不存在，AI 的生成本身就是一种"数字复活"。
Present 频道：14 种现存濒危动物。雪豹、苏门答腊猩猩、长江白鳍豚……这些物种还活着但正在消失。AI 生成的图像和声音来自真实的保护数据，但经过了风格化处理。
Future 频道：12 种"推测物种"。这些动物完全不存在——它们是 ChatGPT o3 根据环境变化趋势"预测"会出现的物种。有适应海洋酸化的珊瑚共生体、有进化出塑料代谢能力的细菌群落、有在北极冰盖融化后出现的新型两栖哺乳动物。
三个频道形成了一条时间线：过去（已失去）、现在（正在失去）、未来（可能到来也可能不会）。观众在频道间切换，就像在时间轴上滑动。
为什么用旧电视
Park 选择 CRT 电视不是随意的怀旧。论文中有一个概念叫"媒体考古学"（media archaeology）——旧技术不是过时的遗物，而是理解新技术的镜子。
CRT 电视有几个特性让它成为扩散模型的完美隐喻：
1. 物理旋钮的具身性。 触屏上的滑块是抽象的——你的手指在玻璃上滑动，数字在后台变化。但天线的旋转是物理的——你能感受到金属的阻力，看到天线的角度变化，听到旋钮的咔嗒声。这种身体参与让"控制去噪进度"从一个抽象操作变成了一个具身体验。
2. 雪花噪声的视觉共鸣。 CRT 电视的雪花屏和扩散模型的初始噪声在视觉上高度相似——都是无意义的随机像素。当观众看到雪花屏上的渡渡鸟从噪声中浮现，他们不仅在"看 AI 生成图片"，也在经历一个"从信号到意义"的过程。这和调电视找信号的体验天然共鸣——你转天线，信号从模糊变清晰，就像你转旋钮，图像从噪声变清晰。
3. 频道切换的时间隐喻。 电视换台是一个有物理感的动作——咔嗒一声，一个世界消失，另一个世界出现。Park 把三个频道设计成 Past/Present/Future，让换台变成了时间旅行。这比在屏幕上点"上一个/下一个"有更强的仪式感。
体验式 AI 可解释性
Diffusion TV 不只是一个艺术作品，它代表了一种 AI 可解释性的新路径。
传统的 XAI（Explainable AI）试图用技术手段解释 AI 的决策过程——注意力热力图、梯度可视化、特征归因。这些方法对研究者有用，但对普通公众来说门槛太高。你把一张注意力热力图给一个不懂深度学习的人看，他看到的只是一张彩色斑点图，不知道该从中获得什么理解。
Park 的论文引用了一个概念叫"体验式 AI"（experiential AI）——不通过技术解释，而通过物理体验来传达 AI 的工作原理。观众不需要知道什么是"去噪步骤""DDPM""latent space"，他们只需要转动天线，就能"感受到"扩散模型的核心机制：从噪声到图像是一个渐进过程，每一步都在去掉一点噪声、增加一点结构。
这和"可触碰 AI"（tangible AI）的理念一脉相承。不是所有理解都需要通过语言和数学——有时候，让身体先理解了，大脑自然会跟上。一个孩子转动 Diffusion TV 的天线，看到渡渡鸟从雪花中浮现，他不需要任何数学知识就能直觉地"懂"扩散模型在做什么。这种理解是前语言的、具身的，但恰恰因此更深刻。
艺术作为桥梁
Diffusion TV 最值得关注的不是它的技术实现——Raspberry Pi + 旋转编码器 + Stable Diffusion，任何有经验的创客都能做出来。它的价值在于提出了一个问题：AI 的内部过程，能不能通过艺术体验来传达？
当前 AI 可解释性的主流路径是"更精细的技术可视化"——更清晰的注意力图、更准确的特征归因、更可解释的神经元。这条路对研究者有效，但有天花板：它永远在用"看"来理解 AI，但 AI 的工作方式不全是视觉的。
Park 的装置提出了另一条路：用"做"来理解 AI。转动天线就是在做去噪，切换频道就是在做条件生成。观众不是在"看"AI 的解释，而是在"操作"AI 的过程。这种从"看"到"做"的转换，可能是打破 AI 黑盒的更有效方式。
当然，Diffusion TV 只是一个起点。它的交互还比较简单——一个旋钮控制一个维度（去噪进度）。更复杂的模型（如 LLM 的思维链、RL 的探索过程）能不能也用类似的方式具身化？这还是一个开放问题。但 Park 至少证明了：旧电视的天线旋钮，可以成为理解最前沿 AI 的接口。
有时候，理解新事物最好的方式，不是造一个更新的工具，而是找一个足够旧的、足够熟悉的、足够"上手"的东西。
---
*论文：Diffusion TV: Experiencing Diffusion Models through Tangible, Embodied Interaction* *作者：Sihwa Park* *arXiv: 2609.05404* *项目页：sihwapark.com*