On prête à Michel-Ange cette idée que la sculpture existe déjà dans le bloc de marbre, et qu'il suffit de retirer le superflu pour la révéler. Les IA qui génèrent des images fonctionnent étrangement de cette manière. Elles ne posent pas des traits sur une page blanche : elles partent d'un bloc de chaos, un écran de neige télé, et retirent progressivement le désordre jusqu'à ce qu'une image émerge. Ce procédé s'appelle la diffusion, et il est aussi contre-intuitif qu'efficace.
Vous tapez une description, et quelques secondes plus tard, une image apparaît. Le résultat est si fluide qu'on imagine spontanément une machine qui dessine, trait après trait, comme le ferait un illustrateur très rapide. La réalité est complètement différente, et bien plus surprenante. Voici ce qui se passe réellement.
Le principe : apprendre à retirer le bruit
La plupart des générateurs d'images modernes reposent sur des modèles de diffusion. Pour comprendre leur fonctionnement, il faut d'abord comprendre comment on les entraîne, car c'est là que réside l'astuce.
Pendant l'entraînement, on prend des millions de vraies images, et on les détruit progressivement en y ajoutant du bruit, c'est-à-dire des pixels aléatoires, étape par étape, jusqu'à ce qu'il ne reste qu'un chaos gris sans aucune information. On demande alors au modèle d'apprendre l'opération inverse : à partir d'une image légèrement bruitée, deviner à quoi elle ressemblait juste avant. Répété des milliards de fois, cet exercice lui apprend une compétence très particulière, celle de débruiter.
Vient ensuite la magie. Pour générer une image nouvelle, on ne part d'aucune photo. On lui donne du pur bruit aléatoire, un écran de neige, et on lui demande de le débruiter comme il a appris à le faire. Le modèle retire un peu de désordre, puis encore un peu, et à chaque passage une forme se précise. Au bout de quelques dizaines d'étapes, une image cohérente émerge du chaos, une image qui n'a jamais existé auparavant.
Où intervient votre description ?
À ce stade, une question se pose : si le modèle ne fait que débruiter, comment sait-il qu'il doit faire apparaître un chat astronaute plutôt qu'un paysage de montagne ?
C'est le rôle de votre texte, qui sert de guide à chaque étape du débruitage. Votre description est convertie en une représentation mathématique, et à chaque passage, le modèle oriente son débruitage dans la direction qui correspond le mieux à cette description. Comme un sculpteur qui aurait une image mentale précise et retirerait la matière en conséquence. Cette capacité à relier des mots à des formes visuelles vient de la multimodalité, ce mécanisme que nous avons expliqué dans notre article sur les IA multimodales.
Ça intrigue souvent : pourquoi obtenez-vous une image différente à chaque essai avec exactement le même texte ? Parce que le point de départ, ce bruit aléatoire initial, change à chaque fois. C'est ce qu'on appelle la graine (seed). Un bruit de départ différent conduit à une image différente, même avec la même description. Si vous fixez la même graine et la même description, vous retrouvez exactement la même image. C'est le hasard du point de départ qui crée la variété, pas une créativité au sens humain.
Pourquoi les mains ont longtemps posé problème
Vous vous souvenez peut-être des images IA aux mains à six doigts, devenues un mème. Ce défaut célèbre s'explique très bien par ce fonctionnement. Le modèle n'a pas de connaissance conceptuelle du corps humain, il n'a jamais appris qu'une main compte cinq doigts. Il a seulement appris à quoi ressemble statistiquement une zone de pixels correspondant à une main. Or les mains apparaissent dans mille positions différentes, souvent partiellement cachées, ce qui rend leur régularité statistique très floue.
Les modèles récents ont largement corrigé ce défaut, grâce à plus de données et de meilleures architectures. Mais l'anecdote reste éclairante : elle rappelle que ces systèmes manipulent des régularités visuelles, pas une compréhension du monde. Ce même écart explique aussi pourquoi ils peinent parfois sur le texte à l'intérieur d'une image, ou sur la cohérence physique d'une scène complexe.
Ce qu'il faut retenir
Une IA générative d'images ne dessine pas, elle révèle. Elle part d'un chaos de pixels et le sculpte progressivement, guidée par votre description, jusqu'à faire émerger une image qui n'a jamais existé. C'est un procédé statistique, pas un acte créatif au sens humain, mais son résultat est devenu si convaincant que la distinction est désormais invisible à l'oeil nu, comme le montrent les modèles de production professionnelle que nous avons décrits avec Seedream et Seedance.
Comprendre ce mécanisme change la façon dont on utilise ces outils. Cela explique pourquoi la précision de votre description compte tant, pourquoi le hasard joue un rôle, et pourquoi certaines choses restent difficiles à obtenir. Et cela pose, en creux, une question que nous avons explorée ailleurs : quand une machine fait émerger une image du bruit en suivant des régularités apprises sur des millions d'oeuvres humaines, où commence la création, et où finit la restitution ?