让工具画一间雨夜便利店，招牌、玻璃反光、湿漉漉的路面往往很快就有模有样。可一旦画面里有人握着伞，手指的数量和关节方向就可能把整张图拉回现实。图像生成让人兴奋的地方，是“什么都能画”；让人皱眉的地方，却是“画得对不对”。
一双手暴露的裂缝
手部之所以常被拿来说事，不只是因为观众敏感。它姿态空间大，遮挡关系多，日常图像里的样本分布也不那么均匀。模型学到的接近统计意义上的“像”，不一定是结构意义上的“对”。所以远看成立，近看却可能露馅。类似的还有杯口与液面、镜面反射、衣褶走向：它们不是装饰，而是画面可信度的接缝。
这也解释了为什么很多图在第一眼很抓人，第二眼却经不起推敲。图像生成难的地方不在产出一张漂亮的图，而在让细节之间互相说得通。光从左边来，阴影就不该往右倒；桌上有一杯水，杯底就该有折射。模型可以一次给出很多候选，但这些候选是否成立，仍要由人来判断。
改一笔，整张图都在动
实际使用中，另一个麻烦往往不是从零生成，而是局部修改。想把人物左手从口袋移到伞柄，手指变了，袖口褶皱、伞柄角度、手臂阴影也跟着变。一次生成像快速铺色，连续修改却像在湿纸上改字，稍不留神就留下接缝。图像生成在单张出图上进步明显，但前后镜头的一致性、同一角色的多角度延展，依旧需要额外约束。
- 构图阶段：适合快速试探氛围、配色和视角，把抽象描述变成可讨论的草图。
- 局部替换：要提前想清楚光源、材质和遮挡关系，否则改动会牵动整张图。
- 系列延展：角色、道具和场景需要可复用的描述与参考，不能只靠每次重新抽卡。
把它放回工作流
把图像生成放回工作流，位置会清楚一些。它适合做前期发散：同一个主题给出几种不同气质的方向，帮人跳出惯性。也适合做低风险示意图：不涉及真实人物、品牌标识和新闻场景时，用来沟通想法。可一旦进入正式交付，尤其是需要准确传达信息、承担责任的画面，人的审校就不能省。手指、文字、镜面、透视，这些地方值得逐个检查，而不是只凭缩略图拍板。
我不太赞成把它说成“替代”或“颠覆”。换个说法：它把画图的门槛降下来，也把判断的门槛抬了上去。工具负责提供候选，人负责决定哪一个候选可以出门。图像生成的价值，不在于一次给出完美答案，而在于让人提早看见问题的形状。