GPT-4o 的圖像生成嘗試，以及幾點感受

4o 剛剛更新多模態的新功能，圖像生成有了全新的體驗。

簡單分享下圖像生成的效果先。

這是之前參加活動的一張照片：

這是 4o 生成的，換成另外兩個人的：

中間的文字明顯還有錯漏。這個先不管。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。

用宮崎駿的風格處理：

用 Jojo 的風格處理：

接下來，命題切換，試著讓兩個人進入西游記。（提示詞也只是簡單說，讓兩個人在西游記的場景里）

繼續卡通化：

同樣的，可以讓兩個人進入太空，有科幻感受：

可以進一步做成 3D 的效果：

你可能會說，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：多模態的理解能力大大加強。

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

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

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

多模態有多么強大的威力呢。

比如我直接把之前三五環遠程錄制的時候，讓嘉賓參考的說明書丟給 4o，就給我吐出來了這個：

中文顯示依然有問題。且不說這個，排版和圖示，已經到了能夠簡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：

對于輸入的內容足夠理解，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，沒有一個能實現簡單的一句話：「讓哪吒和孫悟空用現代武器戰斗」。只有 4o 能呈現符合邏輯的圖像：

幾點感受分享。

第一，Prompt 的學習，徹底沒有意義了。過去都說，AI 不太好理解，因此 Prompt 的知識庫很重要，怎么學習用 Prompt 很重要。DeepSeek R1 等推理 AI 證明了，AI 對自然語言的理解還在不斷進步。文生圖如此。其它領域也都如此。Manus 也是如此（）。

第二，所謂 AI 的工作流，也許就閉環在每個 AI 場景里了。

可以用前面的兩個人物形象，讓 4o 直接生成四格漫畫：

臺詞水平還需提升。但是這個漫畫開始有了「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，用什么辦法畫場景等等（）。最后會在 AI 產品里直接完成。

第三，底層技術成熟，應用場景越來越關鍵。能夠把工作流閉環在某個場景里，是真的能提供生產力的，真的能輸出價值的。AI 不再只是小部分人的玩具。2025 年真的會是場景之年。

最后一句話的感受是：所有過去我們覺得 AI 偶爾會奏效的場景，AI 遲早會穩定地、準確地輸出。

用這句話，4o 也給了我一張圖。