AI生图不是电脑"自己想出来"的。主流的做法是从一张纯噪点开始，一步步把噪声擦掉，每擦一步都参照你给的文字，往你描述的方向靠。身边不少人问过我这个，我平时写代码，不是科班搞这块的，下面是自己扒资料攒出来的理解，尽量不绕术语说一遍。
那它怎么知道往哪擦？因为模型之前看过海量的图文对。看得多了，它就学会了"猫"这个词大概对应什么样的像素分布，别的词也一样。所以你写下描述，其实是在给每一步去噪指方向。反过来说，你的描述越接近它学过的那种表达，出图就越准；说法离它见过的东西越远，它能参照的就越少。
还有个常被问的现象：同样的词，换个种子结果就不一样。原因在起点。种子不同，最开始那张噪声图就不一样，从不同的起点一路擦下来，哪怕文字指的方向相同，走到的画面也会不同。
以上都是我自己的理解，哪里说得不准欢迎拍，懂行的朋友帮忙纠正。