Slik fungerer AI-bildegenerering: Forklart uten fagspråk

TL;DR (Kort oppsummert)

Når du ber en KI om å lage et bilde, starter den ikke med et blankt lerret slik en kunstner gjør. Den starter med ren, tilfeldig støy, en visuell “snø” uten mening, og fjerner den gradvis, steg for steg, til et bilde som matcher beskrivelsen din trer frem. Denne teknikken kalles en diffusjonsmodell, og den ligger bak nesten alle store bildeverktøy i dag, fra Midjourney og DALL-E til Googles Imagen. Modellen har lært mønsteret ved å gjøre det motsatte millioner av ganger under trening: ta ekte bilder, ødelegge dem gradvis med støy og lære nøyaktig hvordan den støyen ble lagt til, slik at den kan reversere prosessen på kommando. Denne artikkelen forklarer ideen uten matematikk eller fagspråk.

Det korte svaret: fra støy til bilde

Tenk deg et gammelt TV-apparat uten signal, full av grå snø-støy på skjermen. Nå tenk deg at noen langsomt, over hundrevis av små steg, justerer den støyen slik at et gjenkjennelig motiv gradvis dukker opp, litt som et bilde som fremkalles i et mørkerom. Det er, i grove trekk, hva en diffusjonsmodell gjør når den lager et bilde fra teksten din.

Prosessen har to hovedaktører:

Teksten din (prompten) er selve kompasset. Modellen har lært å knytte ord til visuelle mønstre. “En rødhåret hund på en strand i solnedgang” styrer dermed hvilken retning støyen skal renskes i, steg for steg.
Selve rensingen skjer i mange små runder, ofte 20 til 50 steg. I hvert steg gjetter modellen litt av støyen bort. Den sammenligner resultatet med hva teksten beskriver og gjør et nytt, litt bedre steg. Etter det siste steget sitter du igjen med et ferdig bilde.

Det er verdt å presisere: modellen “husker” ikke noe konkret bilde fra treningen og limer det inn. Den har lært et generelt mønster for hvordan visuell støy henger sammen med visuelle motiver og bruker det mønsteret til å bygge noe helt nytt hver gang.

Hvordan lærte modellen dette i utgangspunktet?

Her kommer det litt kontraintuitive: modellen lærte å lage bilder ved å bli trent på å ødelegge dem.

Under treningen tar utviklerne millioner av ekte fotografier og illustrasjoner. De legger til støy over dem, litt etter litt, i mange steg, helt til bildet er ren snø. Deretter trenes modellen på å gjette, for hvert lite steg, akkurat hvor mye støy som nettopp ble lagt til. Gjør den dette presist nok, millioner av ganger på tvers av millioner av ulike bilder, lærer den seg det generelle mønsteret. Mønsteret handler om hvordan man reverserer prosessen fra støy tilbake til et sammenhengende bilde, ifølge IBMs egen tekniske forklaring av diffusjonsmodeller.

Når modellen først kan dette, snus prosessen om ved bruk: i stedet for å ødelegge et ekte bilde, starter den med bare støy, ingen ekte bilde i bunnen, og bruker det lærte mønsteret til å bygge et helt nytt bilde fra grunnen av, styrt av teksten din.

Teksten kobles inn i prosessen gjennom en egen språkmodell-komponent, som er trent til å forstå hva ord som “akvarell”, “close-up” eller “cyberpunk” faktisk betyr visuelt. Det er derfor bildegeneratorer stadig blir bedre til å forstå stilbeskrivelser, komposisjon og spesifikke detaljer i prompten din, jo bedre denne koblingen mellom tekst og bilde er trent.

Hvorfor akkurat denne metoden, og ikke noe enklere?

Før diffusjonsmodeller ble vanlige, brukte de fleste bildegeneratorer en annen teknikk. Den kalles generative motstandsnettverk (GAN). To modeller “konkurrerte” mot hverandre: en som prøvde å lage falske bilder, og en annen som prøvde å avsløre dem. GAN-er kunne lage overbevisende bilder raskt, men slet med mangfold og stabilitet. Resultatene ble ofte ensartede eller forvrengte ved kompliserte motiv.

Diffusjonsmodeller viste seg å være mer stabile å trene. De ga også et bredere spekter av resultater, ifølge en grundig teknisk gjennomgang fra AI Summer. Ulempen er hastighet. Fordi bildet bygges opp i mange små steg i stedet for ett, tar det som regel lenger tid å generere et bilde med en diffusjonsmodell enn med en GAN. Nyere versjoner har blitt betydelig raskere ved å redusere antall nødvendige steg. Den grunnleggende “steg for steg”-ideen er likevel fortsatt kjernen i teknologien.

	GAN	Diffusjonsmodell
Metode	To modeller konkurrerer: én lager, én avslører falske bilder	Fjerner støy steg for steg over mange runder
Stabilitet i trening	Kan slite med mangfold og stabilitet	Mer stabil å trene
Hastighet	Raskere å generere	Historisk tregere, men nyere versjoner har redusert stegene kraftig

De mest kjente verktøyene som bruker denne teknikken i dag inkluderer Stable Diffusion (en åpen kildekode-modell mange andre verktøy bygger videre på), OpenAIs DALL-E-familie og Midjourney. Alle bruker samme grunnleggende prinsipp, selv om detaljene i hvordan de er trent og hvilke data de har lært av, skiller seg fra hverandre.

Vanlige spørsmål

Kopierer AI-en et ekte bilde når den lager et nytt?

Nei, ikke i vanlig forstand. Modellen lagrer ikke enkeltbilder fra treningsdataen sin og limer dem sammen. Den har lært et statistisk mønster for hvordan visuelle motiver henger sammen med beskrivelser. Ut fra det mønsteret bygger den et nytt bilde fra ren støy. Spørsmålet om hvor grensen går mellom “å lære et mønster” og “å gjenbruke opphavsrettsbeskyttet materiale” er likevel omstridt. AIFokus har en egen, dypere artikkel om nettopp treningsdata og opphavsrett, se Se også under.

Hvorfor bommer AI-bilder fortsatt på ting som hender og tekst?

Hender har mange, varierende posisjoner. De er derfor vanskelige å representere konsistent i treningsdataen. Tekst i bilder krever i tillegg at modellen forstår bokstaver som eksakte symboler, noe diffusjonsprosessen historisk har vært svak på. Nyere modeller har blitt merkbart bedre på begge deler, men feilene stammer fra den samme grunnleggende mekanikken, ikke fra en enkeltstående “bug”.

Er diffusjonsmodeller det samme som ChatGPT-teknologi?

Nei. ChatGPT og lignende tekstmodeller bygger på en annen arkitektur (transformer-modeller som forutsier neste ord i en tekst). Diffusjonsmodeller er bygget for å forutsi og fjerne støy i bilder (og etter hvert også video og lyd). Noen nyere systemer kombinerer begge teknikkene i samme produkt, men de løser to ulike, grunnleggende problemer.

Oppsummering og kilder

AI-bildegenerering fungerer ved at en diffusjonsmodell starter med tilfeldig visuell støy og fjerner den steg for steg, styrt av tekstbeskrivelsen din, til et sammenhengende bilde trer frem. Modellen har lært denne prosessen ved å bli trent på det motsatte: å legge støy til millioner av ekte bilder og gjenkjenne mønsteret i hvordan det ble gjort. Det er derfor resultatet er nytt hver gang, ikke en kopi av noe modellen har “sett” før.

Det viktigste å huske:

Bildegenerering starter med ren støy, ikke et blankt lerret, og bygges opp i mange små steg
Modellen er trent ved å lære å reversere en prosess der ekte bilder gradvis ble ødelagt med støy
Teksten din styrer hvilken retning støyen “renskes” i, gjennom en egen tekst-til-bilde-kobling
Diffusjonsmodeller erstattet i stor grad en eldre teknikk (GAN-er) fordi de gir mer stabile, varierte resultater
Stable Diffusion, DALL-E og Midjourney bruker alle samme grunnprinsipp, med ulike treningsdata og finjusteringer

Kilder brukt i denne artikkelen:

Sist oppdatert: August 2026

Se også: Hva er generativ AI? Slik fungerer modellene for det bredere bildet, Hva er treningsdata, og hvorfor er det omstridt hvor KI-modeller henter den fra? for opphavsrettspørsmålet rundt hva modeller faktisk har lært av, og Klarer du fortsatt å se forskjell på ekte bilder og AI-bilder? Dette sier forskningen for hvorfor bildene denne teknologien lager blir stadig vanskeligere å avsløre.