跟著一顆粒子走：Lagrangian 視角

導論已經把「一個樣本＝空間裡一顆會動的 particle」講清楚了。這一篇只多做一件事：把鏡頭收到其中一顆粒子身上，看它怎麼隨時間移動。

再看一次那段 diffusion 動畫：一團雜訊慢慢浮現出圖案。把畫面放慢、再放慢，會發現它不是「啪」一下換好的，而是每一幀都在小幅移動。這正是理解 diffusion、score、flow matching 的共同入口。

跟著一顆點走：Lagrangian 視角

我們已經知道，每個樣本都是空間裡一顆會動的 particle，生成就是讓一整群粒子從「noise 的位置」移動到「data 的位置」。現在把鏡頭收到單獨一顆身上：盯著它、一路記錄它從哪走到哪。這個「站在粒子身上、隨它一起移動」的視角，叫 Lagrangian。

這一篇只談 Lagrangian。下一篇 Vector Field 才談「在每個位置擺一支箭頭」的場視角（Eulerian）。先把這兩件事分開，後面就不會混。

最重要的圖像

生成，就像讓一團 noise 粒子各自移動，直到整群排成資料分布的形狀。

用一個小例子看見它

一開始，平面上是一團圓形高斯粒子雲。目標分布是兩叢（雙峰）。

現在做一件事：在每一顆點上貼一個小標籤。我們不只看最後整團長什麼樣，而是一路盯著同一顆點——它原本在左下角，中途往上彎，最後停進右邊那一叢。這條被標籤記錄下來的路，就是這顆粒子的軌跡。

只要每顆粒子都照著自己的軌跡走，整團的「外形」就會從圓形慢慢變成雙峰。關鍵在於：Lagrangian 視角追蹤的是一顆粒子的旅程，而整群的分布變化，是這些個別旅程疊加出來的結果。「跟著其中一顆走」——這就是 Lagrangian。

把圖像翻成數學

把一顆粒子的位置寫成時間的函數 $x_t$ （或 $x(t)$ ）。它的移動由一個常微分方程（ODE）決定：

\frac{d x_t}{d t} = v_t(x_t), \qquad t \in [0, 1].

這裡 $v_t(x)$ 是一個時間相依的速度場：它告訴位在 $x$ 、時間為 $t$ 的粒子，下一瞬間往哪走、走多快。給定起點 $x_0 \sim p_0$ ，沿這條 ODE 積分到 $t = 1$ ，就得到生成的樣本

x_1 = x_0 + \int_0^1 v_t(x_t)\, d t.

當每顆粒子都這樣移動，整群的分布也隨時間演化：

p_0 \;\longrightarrow\; p_t \;\longrightarrow\; p_1, \qquad p_0 = \mathcal{N}(0, I), \quad p_1 \approx p_{\text{data}}.

注意這裡有兩個層次：個別粒子的軌跡 $x_t$ （微觀），和整群的分布 $p_t$ （宏觀）。兩者由同一個 $v_t$ 串起來。先記住一句話就好：移動粒子，就是在移動分布。它們之間的精確關係，留到 continuity equation 那篇。

讀到這裡，先別急著這樣想

最常見的兩個直覺需要稍微修一下。先用一題暖身：

另一個要修的是：生成不一定要「一步完成」。很多強大的方法恰恰相反——它們把轉換拆成許多小步，讓粒子一點一點挪過去，因為這樣每一步要學的「局部問題」會變得簡單、穩定。最後一個小提醒：這裡的「粒子」不是物理粒子，而是樣本在資料空間 $\mathbb{R}^n$ 裡的位置；對圖片來說，一顆粒子就是一整張圖（一個高維向量），我們用 2D 畫只是為了看得見。

還有另一副鏡頭（之後會用到）

剛說的「拆成許多小步」還藏著另一個看法。這一篇用的是搬運的鏡頭：盯著粒子在空間裡的位置怎麼移動。之後的 Denoising 會換上另一副鏡頭看同一段過程——不盯位置，而盯資料被破壞與修復的程度：先把乾淨資料加一點噪聲弄髒，再讓模型一步步去噪修回來（diffusion 的去噪觀）。

兩副鏡頭描述的是同一個動態，只是各自方便：搬運讓你看清「往哪流、流多快」（vector field、ODE）；加噪／減噪讓你看清「每一步要修掉多少、為什麼小步比一步容易」。剛才那句「每一步的局部問題更簡單」，在去噪鏡頭下會變得很具體——一張稍微加噪的狗照片仍看得出是狗、所以好修，純噪聲卻太曖昧、難一步還原。這正是 Denoising：生成可以被看成局部修復要展開的。

為什麼研究者在乎這個視角

「樣本即粒子、生成即移動」這個視角之所以重要，是因為它把 diffusion、score-based models、flow matching 全收進同一個畫面：不管它們的公式長得多不一樣，骨子裡都是「讓一群點，沿著某種規則，從 noise 的位置移動到 data 的位置」。一旦你習慣用「粒子怎麼動」來想，這些方法的差別就只剩下「用什麼規則移動」——而那正是後面幾篇要拆解的。

下一步

我們一直說粒子「沿著某種規則移動」，但那個規則到底長什麼樣、又是誰提供的？下一篇 Vector Field 把規則畫成「空間裡每個位置的一支箭頭」——這就是模型真正要學的對象。

參考文獻

Chen, R. T. Q., et al. Neural Ordinary Differential Equations. NeurIPS 2018.
Song, Y., et al. Score-Based Generative Modeling through Stochastic Differential Equations. ICLR 2021.