導論：把資料、分布、粒子串成一張圖
「From Noise to Data」系列的起點。這一篇不講任何方法，只做一件事：把之後每篇都會用到的三個詞——data、distribution、particle——接成同一張圖。看懂這張圖，後面每一篇都會有地方可以掛。
你打開一個生成模型，輸入一句話，幾秒後出現一張你從沒看過、卻意外合理的圖。它沒有從哪裡「抄」，卻又真的像那一類資料。這是怎麼「無中生有」的？要回答這個問題，得先把三個聽起來不太相干的詞接起來。先別急著看公式——這一篇只想讓你把畫面建立起來。
先換個角度：你手上其實只有一堆資料
一張圖、一段聲音、一個分子，攤平之後都只是一長串數字。一張 28×28 的灰階圖就是 784 個數字；一張彩色照片是「寬 × 高 × 3」個數字。先記住這件事：手上的每一筆 data，都能寫成一長串數字。
把資料放進一個空間
把那一長串數字的每一個，當成一根座標軸上的值，這筆資料就成了一組座標——也就是一個 Euclidean space（我們日常熟悉、有「遠近」和「距離」概念的那種空間） 裡的一個點，其中 就是數字的個數。
這個空間的「距離」是有意義的：兩張很像的貓照片會落在附近，貓和卡車則離得很遠。既然每一筆資料都是空間裡的一個點，我們之後乾脆把它當成一顆可以移動的點——一顆 particle。一整張圖＝一顆 particle（一個高維點），一群圖＝一團 particle 雲。用 2D 來畫只是為了看得見，真實維度高得多。
看不見的那一層：哪裡密、哪裡稀
把一大堆真實資料的點都丟進這個空間，它們不會均勻散開，而是擠成幾團。「像貓」的地方點很密，「不像貓」的地方幾乎沒有點。這個「哪裡密、哪裡稀」的規律，就是那個你看不見、卻真實存在的 distribution，記成 。
圖：哪裡密、哪裡稀。 點擠成幾團（modes）的地方密度高，對應到「像真實資料」的樣本（清楚的貓）；團與團之間幾乎沒有點的空白處，對應到「不像任何真實資料」的東西（一團雜訊）。這張圖是示意圖，貓與雜訊都是手繪示意，不是模型實際輸出。
一句話：data 是你看得到的幾顆點，distribution 是這些點背後那一整團雲的密度——哪裡濃、哪裡淡。
生成模型真正想學的，不是把那幾顆點背起來，而是學會這團雲哪裡濃、哪裡淡——這樣它才能在「濃」的地方，產生新的、沒看過、但合理的點。（想分清「density」和「機率」？可以看 機率密度是什麼。）
把三個詞接成一句話
data（你有的點）、空間裡的 particle（把點當成會動的東西）、distribution（整團點的密度）——接起來就是整個系列的核心圖像：
生成 = 拿一團「容易做出來的點」，把它們慢慢搬動，直到整團的密度和 data 一樣。 搬動 particle，就是在改變 distribution 的形狀。
那團「容易做出來的點」，慣例上用一團 Gaussian noise——你可以先把它當成「一團毫無結構、好製造的圓形點雲」。（為什麼起點偏偏挑 Gaussian？先當它是個方便的選擇就好；真正的理由牽涉到比較深的數學，留到願意深入時再談。）
下面的 demo 就是這張圖在動：拖時間 ，看一團圓形點雲被搬成不同的目標形狀。但要提醒一件事：這裡的目標形狀（月牙、螺旋那種）是我們特意挑來、方便你看的——真實資料活在好幾萬維的空間裡，分布的形狀根本沒辦法這樣畫出來，也不會長得這麼乾淨。這個 2D 例子唯一的目的，是讓「搬動一團點、改變整團密度」這件事看得見。
同一件事，兩副鏡頭
之後你會看到兩種描述「怎麼搬」的講法，先知道有這兩副鏡頭就好：
- 搬運：盯著 particle 在空間裡怎麼移動（這條系列主要用這一副）。
- 加噪 / 減噪：先把乾淨資料弄髒成 noise，再學怎麼一步步修回來。
它們不是兩件事，是同一個過程的兩種看法——之後會交替使用。
先消化一下
這條路會怎麼走
帶著這張圖，系列接下來會：先把「搬」的兩個視角講清楚（盯著一顆 particle 走，vs 在每個位置擺一支箭頭的向量場），再看「整條路」怎麼設計（probability path），然後看模型在每一步到底學什麼訊號（denoising、score、velocity），最後收成一句話——這些訊號其實是同一件事的三種語言。
- 想要更深、更數學的版本？每個觀念在 Diffusion & Flow Models 課程 都有完整推導。
- 覺得缺一點數學工具（distribution、gradient、ODE…）？可以先去 Math Intuitions 補直覺，再回來。
下一步
下一篇 生成模型其實在學什麼？ 把上面「學的是分布、不是背樣本」這件事講清楚，並給你一組讀任何生成模型論文都能用的三個問題。