上一路径从已有图像出发：编码器产生表示，解码器把它还原成图像。下一条路径拿掉已有图像，让表示生成器从随机起点产生新的表示，再交给同一个解码器。末端部件没变，表示的来源变了。

这种替换成立有条件。新表示不能只是长度碰巧相同，还要在类型、尺度、空间组织和分布上与解码器所学接口相容。否则，解码器可能收到自己不会解释的输入；一个训练良好的图像解码器并不能保证任意上游输出都合理。

“系统用了 VAE 的解码器，为什么不直接叫它 VAE？” 因为部件身份没有说明整套样本如何产生。若新表示由自回归模型按序产生，整体生成组织就包含自回归；若它由扩散过程逐步更新而来，系统还包含扩散。自动编码器或 VAE 学到的表示与解码能力，可以作为这些系统共享的基础。

这与 N13 的两项检查相连：表示与解码决定哪些细节能够被恢复，上游生成决定怎样在这个空间里产生新组合。它们可以分工，也必须一起接受端到端检验。某个部件可靠，不代表整个接口组合已经可靠。

因此，四种模型不宜理解成轮流淘汰前一代的名单。它们可能改变数据表示、训练反馈、概率组织或使用时的计算过程，回答的层次并不总相同。分析新系统时，先定位它到底换了哪一项、保留了哪一项，比只凭一个缩写归类更有用。

现在已经能把一个新表示变成可见椅子。但若没有一张与它逐一对应的标准答案，怎样告诉生成器哪些地方不像真实样本？下一章让反馈本身也成为一个可学习的部件。