把一句描述丢进输入框,等一会儿,屏幕上出现几张图。这件事本身已经不稀奇了。稀奇的是接下来那半小时:你盯着其中一张,气氛对了,但角落的字是歪的,桌上的东西少了半边。改一句提示词再生成一轮,气氛又跑了。
于是有个略显反直觉的结论:图像生成卡住人的地方,正在从“生成”挪到“生成之后”。
说清楚要什么,比画出来更难
模型不缺想象力。给一个模糊的方向,它常常能给出看着挺像那么回事的结果。麻烦在于,人对自己想要什么,通常只有一个大概。脑子里那幅画面是整体的、模糊的、带情绪的;提示词是线性的、离散的、讲逻辑的。把前者翻译成后者,中间会掉很多东西。
所以很多人会经历同一个循环:生成、看一眼、觉得不对、但说不清哪里不对、换几个词再试。真正被消耗的不是算力,是这种“说不清”。
成本从手上挪到了眼睛里
过去做一张图,时间主要花在绘制上——构图、铺色、反复调整。现在时间花在筛选和描述上:从一堆候选里挑,判断哪张能改、哪张只能重来。体力活少了,判断活多了。
这也解释了一个常见现象:初次接触图像生成的人往往觉得惊艳,用上一段时间反而变慢。不是因为工具变差,而是因为要求变具体了。第一张图只要“像”就够,第十张图要的是“对”。
那些看着对、细看不对的地方
目前的图像生成在整体观感上已经相当能打,短板集中在细节:文字容易糊成一团,手部结构容易含糊,物体之间的遮挡关系、光影方向偶尔对不上。这些错误有个共同点——远看没问题,近看全是问题。
麻烦的是,判断这些恰恰需要人自己有一双受过训练的眼睛。如果你不知道一张照片的光该从哪来,就很难看出生成图哪里错了。工具把“做”的门槛降下来了,却没有把“看”的门槛一起降下来。
- 整体构图和氛围,通常可以放心交给模型;
- 文字、标识、需要精确对应现实的部分,仍需人工兜底;
- 涉及具体产品或人物的图,核查成本可能高于重做。
手艺没有消失,只是挪了位置
有一种担心是:图像生成会让审美和手艺变得不值钱。我的看法偏乐观一些,但乐观得有前提。能被一句话描述清楚的东西,确实更容易被批量生产;而那些说不清、只能靠一次次修改逼近的东西,仍然需要人待在循环里。
换句话说,图像生成改变的不是“会不会画”,而是“知不知道为什么这么画”。前者可以外包,后者不行。
所以真正值得练的,可能不是提示词的写法——那东西更新太快——而是两件更慢的事:把模糊的感觉拆成具体条件的能力,和在一堆“差不多”里挑出“就是它”的眼力。工具会继续变,这两件事大概不会。