Vous tapez « un chat astronaute flottant dans l’espace, style aquarelle », et quelques secondes plus tard, une image complète apparaît — une image qui n’a jamais existé auparavant, nulle part. Comment une machine passe-t-elle du texte à une image cohérente? La réponse est plus surprenante qu’on pourrait le croire : elle part du bruit.
Un sculpteur qui dégage une forme à partir d’un bloc flou
Imaginez un artiste à qui on demande de sculpter un chat à partir d’un bloc de marbre — mais au lieu de marbre, il commence avec un nuage de brouillard complètement informe. À chaque étape, il retire un peu de brouillard, en se demandant constamment : « qu’est-ce qui, dans ce nuage flou, ressemble le plus à un chat astronaute? » Répété des dizaines de fois, ce processus fait progressivement émerger une image nette et cohérente à partir du chaos initial.
C’est essentiellement ce que fait une IA générative d’images, avec une technique appelée la « diffusion ». Le processus part littéralement d’une image de bruit aléatoire — un peu comme la neige statique d’une vieille télévision — et la « nettoie » progressivement, étape par étape, en se laissant guider à chaque étape par votre description textuelle.
D’où vient sa connaissance de ce à quoi ressemble un chat
Pour savoir quoi « dégager » du bruit, le modèle a été entraîné à l’envers au préalable : on lui a montré des millions d’images réelles (accompagnées de leur description), auxquelles on a ajouté du bruit graduellement jusqu’à obtenir de la statique complète. Le modèle a appris, à travers ce processus répété des milliards de fois, à reconnaître quels motifs visuels correspondent à quels mots — « chat », « aquarelle », « espace » — et donc comment inverser le processus pour faire apparaître une image cohérente à partir de rien.
Pourquoi les mains sont parfois étranges
Vous avez peut-être remarqué que les images générées par IA ratent parfois les mains, avec un nombre de doigts incorrect ou des positions impossibles. C’est une conséquence directe de la méthode d’apprentissage : les mains apparaissent dans d’innombrables positions et angles différents dans les images d’entraînement, ce qui rend le motif beaucoup plus difficile à généraliser correctement qu’un visage, par exemple, dont la structure est beaucoup plus constante d’une photo à l’autre. Les modèles récents se sont nettement améliorés sur ce point précis, mais l’imperfection illustre bien que le système ne « comprend » pas anatomiquement ce qu’est une main — il reproduit des motifs statistiques.
Ce que ça soulève comme questions
Cette technologie pose des questions bien réelles, en particulier :
- Les droits d’auteur : les images utilisées pour l’entraînement proviennent souvent d’internet, incluant des œuvres d’artistes qui n’ont jamais consenti à ce que leur style serve à entraîner un modèle commercial
- La désinformation : la même technologie qui produit un chat astronaute peut produire une fausse photo convaincante d’un événement qui n’a jamais eu lieu
- L’authenticité : plusieurs plateformes développent maintenant des filigranes numériques invisibles pour identifier les images générées par IA, bien que ces systèmes restent imparfaits
En bref : Une IA génère une image en partant d’un bruit aléatoire qu’elle « nettoie » progressivement, guidée par votre description textuelle, jusqu’à faire émerger une image cohérente. Elle a appris à faire ça en étudiant des millions d’images réelles associées à leur description — ce qui explique à la fois ses capacités impressionnantes et ses erreurs caractéristiques (comme les mains).