Why More Data Cannot Replace Prior Structure - Alexander Mattick

Alexander Machik 直言：能量模型（EBM）生成任务没人真用，扩散模型和流匹配才是主流，EBM只适合极少数物理建模场景。

能量模型曾被视为生成式 AI 的底层通用解法，但如今几乎没人用它做生成任务。Alexander Machik 用通俗例子解释，为什么扩散模型和流匹配能取代 EBM 成为主流，背后不仅是推理速度和训练方式的差异，更是适用场景的根本不同。读完你会明白，为什么“理论万能”的模型，实际落地时却被更专用的方案轻松超越。

能量模型（EBM）最早用来描述复杂概率分布，但现在做生成任务几乎没人选它。

• 能量函数的思路：用一个函数给每种状态打分，能量越低越可能出现，像物理里粒子喜欢呆在低能量状态。
• 推理速度慢到没法用：训练时省事，但生成样本得不停采样、拒绝、再采样，尤其高维数据下速度慢得离谱。
• 实际只适合极窄场景：Machik 说，除非你做物理建模，否则 EBM 没啥意义，生成任务用扩散或流匹配更靠谱。

扩散模型和流匹配成了生成式 AI 的主力，速度快、效果稳，能自然处理连续数据。

• 扩散模型的套路：先把样本加噪声变成纯噪声，训练时学会一步步“去噪”，生成时反向走流程，比 EBM 快很多。
• 流匹配的做法：把生成过程看成“从高斯分布流向目标分布”，用向量场一步步推过去，既能采样也能算概率，流程可逆。
• 连续数据天然适配：图像、音频等连续数据没法像文本那样拆成小块，扩散和流匹配能直接处理，生成效果稳定。

很多人觉得能量模型能套一切任务，但实际落地时几乎没人真用。

• 能量模型只是个泛标签：只要你预测“未归一化的强度图”都能叫能量模型，但这标签太宽泛，没啥实际指导意义。
• 自监督和对比学习也在变：过去流行“拉近相似、推远不相似”，现在更常见把数据压进固定分布（比如高斯），比单纯对比更稳定。

“能量模型理论上什么都能做，但实际落地时，扩散模型和流匹配才是真正好用的生成工具。”

• 选生成模型时别迷信“理论万能”，实际推理和训练成本才关键，优先考虑扩散模型或流匹配。
• 连续型数据（如图像、音频）直接用扩散或流匹配，别硬套能量模型，省时省力效果好。