早上九点，设计组的群里有人发来一张图，说“先按这个方向试试”。十分钟后，又进来一张。两张都不算能用，但都不难看。麻烦的是，没人能一句话说清它们差在哪里。
这是图像生成走进日常之后很常见的一幕。工具把“做出来”这一步变得极轻，轻到只需要一句话；而围绕一张图的讨论，反而变重了。
第一稿变便宜之后，贵的部分露了出来
以前从想法到第一稿，中间隔着找参考、画草图、被否掉、再画一遍，时间主要花在手上。现在这段被压得很薄，工作重心自然往下游挪——挪到判断上。判断并不免费，它要的是经验、共识，还有愿意为选择负责的人。
具体变贵的大概是三件事：
- 把“我想要的感觉”翻译成别人也能执行的描述；
- 在一堆看起来都合理的方案里挑一个，并说清理由；
- 为挑中的那张兜底，包括它出错的时候。
描述和看见，本来就不是一回事
用文字描述画面，和用眼睛判断画面，是两种能力，平时混在一起，不容易察觉。真要在两者之间搭一座桥，才发现桥面很窄。提示词写得再长，也常常落在“氛围”“质感”“干净一点”这类词上，而它们对不同的人指向不同的东西。
图像生成在这里起到的，更像放大器的效果。它非常配合，你怎么说它就怎么给，于是含糊的地方不会被纠正，只会被固化成一张具体的图。接着就是循环：改词、重新出图、再看。几轮之后，人开始怀疑是自己表达有问题，还是工具没听懂。多数时候是前者，但在过程中很少有人愿意先承认这一点。
可控性是慢慢长出来的，不是一个开关
现在常见的生成方式，大多从一个满是噪点的画面开始，一步步去掉噪声，最后落到一张图上。这个过程带着随机性，所以同一句描述得到不同结果，是机制的一部分，不是坏掉。指望它像打印机一样稳定，迟早会失望。
真正在推进的地方是局部控制：指定哪一块区域、保留哪一条线、让第二张延续第一张的脸。与此相关的另一个难点是一致性——单张图好看不算难，让十张图看起来出自同一个人的手，很难。这一点往往就是它在实际项目里卡住的位置。
有些活，它确实不合适
需要精确尺寸和出血的排版、需要留下可追溯修改记录的稿件、素材来源要经得起追问的场合，把图交给生成模型都算不上省事。这些不是技术暂时没做到，而是这类任务的答案必须能被人逐条解释。
回到开头那两张图。它们最后没有被用上，但那场会比平时短——争的不再是“做成什么样”，而是“我们到底要什么”。图像生成带来的最实际的变化大概就在这里：它把一部分问题从手上挪回了嘴上。