GPT-4o 的圖像生成嘗試，以及幾點(diǎn)感受

4o 剛剛更新多模態(tài)的新功能，圖像生成有了全新的體驗(yàn)。

簡(jiǎn)單分享下圖像生成的效果先。

這是之前參加活動(dòng)的一張照片：

這是 4o 生成的，換成另外兩個(gè)人的：

中間的文字明顯還有錯(cuò)漏。這個(gè)先不管。照片里看不太出破綻。

換成女性的效果：

依然還有問題，左邊的人臉，胡子過于明顯了。不過其它的地方，還是足以以假亂真。

用宮崎駿的風(fēng)格處理：

用 Jojo 的風(fēng)格處理：

接下來，命題切換，試著讓兩個(gè)人進(jìn)入西游記。（提示詞也只是簡(jiǎn)單說，讓兩個(gè)人在西游記的場(chǎng)景里）

繼續(xù)卡通化：

同樣的，可以讓兩個(gè)人進(jìn)入太空，有科幻感受：

可以進(jìn)一步做成 3D 的效果：

你可能會(huì)說，這種 AI 圖，以前見得多了。4o 有什么不一樣呢？

最大的不一樣就是：多模態(tài)的理解能力大大加強(qiáng)。

舉個(gè)例子，Midjourney 的確能夠畫出非常有質(zhì)感的圖。比如這是前幾天畫的：

可是，這都是碰運(yùn)氣碰出來的。想讓這里面的某些元素發(fā)生變化，比如讓戰(zhàn)士不是拿劍，而是拿棍，比登天還難。

更不用說，直接跟 Midjourney 講，要有西游記的場(chǎng)景。Midjourney 甚至不知道什么是西游記。同樣畫出前面西游記場(chǎng)景的提示詞，在 Midjourney 里會(huì)是這樣：

多模態(tài)有多么強(qiáng)大的威力呢。

比如我直接把之前三五環(huán)遠(yuǎn)程錄制的時(shí)候，讓嘉賓參考的說明書丟給 4o，就給我吐出來了這個(gè)：

中文顯示依然有問題。且不說這個(gè)，排版和圖示，已經(jīng)到了能夠簡(jiǎn)單修改就可用的程度。

我把半拿鐵的 logo 給它，讓它改成西游篇的 logo，它給我的是這樣的：

對(duì)于輸入的內(nèi)容足夠理解，也就是，我們用自然語言就能控制 AI 幫助我們畫圖。這件事兒意義很大。

我前陣子試過用所有的 AI 繪圖工具，沒有一個(gè)能實(shí)現(xiàn)簡(jiǎn)單的一句話：「讓哪吒和孫悟空用現(xiàn)代武器戰(zhàn)斗」。只有 4o 能呈現(xiàn)符合邏輯的圖像：

幾點(diǎn)感受分享。

第一，Prompt 的學(xué)習(xí)，徹底沒有意義了。過去都說，AI 不太好理解，因此 Prompt 的知識(shí)庫很重要，怎么學(xué)習(xí)用 Prompt 很重要。DeepSeek R1 等推理 AI 證明了，AI 對(duì)自然語言的理解還在不斷進(jìn)步。文生圖如此。其它領(lǐng)域也都如此。Manus 也是如此（）。

第二，所謂 AI 的工作流，也許就閉環(huán)在每個(gè) AI 場(chǎng)景里了。

可以用前面的兩個(gè)人物形象，讓 4o 直接生成四格漫畫：

臺(tái)詞水平還需提升。但是這個(gè)漫畫開始有了「邏輯」。

過去我們用各種各樣的 AI 工具搭建的工作流，例如怎么畫漫畫，可能要一二三步怎么做，還要用什么手段保持一致性，用什么辦法畫場(chǎng)景等等（）。最后會(huì)在 AI 產(chǎn)品里直接完成。

第三，底層技術(shù)成熟，應(yīng)用場(chǎng)景越來越關(guān)鍵。能夠把工作流閉環(huán)在某個(gè)場(chǎng)景里，是真的能提供生產(chǎn)力的，真的能輸出價(jià)值的。AI 不再只是小部分人的玩具。2025 年真的會(huì)是場(chǎng)景之年。

最后一句話的感受是：所有過去我們覺得 AI 偶爾會(huì)奏效的場(chǎng)景，AI 遲早會(huì)穩(wěn)定地、準(zhǔn)確地輸出。

用這句話，4o 也給了我一張圖。