前言

在最近的數個星期
AI 界的發展可謂到了令人目不暇給的程度

DeepSeek R1 免費開源橫空出世
NVIDIA 發佈了多項 AI 工具使圖像渲染及模擬變得更容易
Gemini 把「用口P圖」帶到大眾視野

這些都盡是些可以改變業界發展的消息
而在近日又有一則令人興奮的消息
其重要性絕不亞於前面提及的消息

那就是 Open AI 最近推出了一項圖像生成功能
我們先看看官方的示例

4o 先是應用戶要求生成一張圖

然後用戶要求對圖片件出修改

我們可以看到
不但能像 Gemini 一樣「用口P圖」
更在圖像一致性及文字生成方面取得非常好的效果

---

特點

這次 Open AI 特別強調了 4o 圖片生成的幾個特點
它們分別是

角色一致性 (Character Consistency)
在不同的圖像成生中也可以保持角色的一致性

文字生成 (Text Rendering)
可以正確的在圖像中寫上文字

風格重塑 (Upload and Restyle)
保留圖片原有的資訊並改整體的風格或是改變圖片的一部份

細節控制 (Detailed Direction)
4o 能接收大量關於圖片的細節描述並完全跟從

透明圖層 (Transparent Layers)
生成有透明圖層(例如透明背景)的圖片

---

實際應用

在網絡上已經湧現了大量使用 4o 成生的圖片
其強大的功能使它被迅速傳播

下面就是幾個例子

把「狂草」畫作變為風景畫

　

生成產品海報

　

把 meme 圖改變為不同的風格

　

把草圖變換為漫畫

　

---

技術突破

有接觸圖像生成的看客們都應該知道
要保有指定元素在不同圖像中的一致性是非常困難的
若是想生成文字更是要靠運氣
很容易就會出現「咒文」滿天飛的問題

這是因為現時流行的 diffusion 模型的隨機性非常高
而我們看看 Open AI 這次推出的圖像生成
跟 diffusion 模型的從隨機到確定不同
它是從上而下的成生
這代表它很可能不是使用 diffusion 模型
(或是只參與了部份前期工作)

以前的圖片生成就像是隨便倒一把沙
再慢慢的把沙推到一起變成更清晰的圖像
充滿了隨機性

4o 的圖片生成就像是一個畫家
跟從着你的指示
有意識的從上而下作畫

說實話
我還是有點好奇 4o 圖像生成的技術原理的
期望日後會有更多的技術細節被公開吧

---

結語

現時 AI 的發展瞬息萬變
各家互相競爭
前浪後浪可說是拼個你死我活
好不容易取得的優勢
轉眼間又被趕過
就連我們這些一般用戶
稍不留神也都變得落後於人

目前這項圖像生成工具只提供給 GPT 的用戶
但依現時的 AI 發現趨勢來看
它的這優勢也很快會被抺平吧

技術難關不停被攻克
發展步伐不停加速
人類自傲的能力變得容易被取代
昔用用於分辦 AI 的方法也變得不再適用

發展是令人興奮和期待的
其帶來的隱憂也是不容忽視

要怎樣應用、反制和預防
也就成了你和我不得不學習的必修課了

---

參考資料

https://openai.com/index/introducing-4o-image-generation