现在最好的图像质量，和几年后图像质量可能相差不大，实际在于模型能力下限的提升。

未来的交互一定是多模态的，识别用户的意图特别关键。

这是一篇 Nano Banana 背后核心团队成员的专访，信息量很大。

在 Nano Banana 正式上线后的近一个月以来，社交平台上充满了各种「邪修」玩法和探索。Nano Banana 的热度甚至一度冲击了图像、修图类产品的股价。

Nano Banana 为什么好用？读懂背后的「how」特别重要。Nano Banana 核心团队是如何思考和做图像模型的？基于图像模型的能力，衍生出来的应用会有哪些特点？

在一期播客节目中，Nano Banana 核心团队研究员 Nicole Brichtova 和 Oliver Wang，围绕基于模型打造产品时遇到的挑战、如何思考解决「空白画布难题」以及如何与其他图像编辑产品进行交互等话题进行了分享。

TLDR:

• 图像模型未来的趋势可能和 LLM 的发展很像，从单纯的创意工具变为信息查询工具。

• 未来，模型应该会变得更主动、更智能，能根据用户的问题，灵活运用文本、图像等不同模态进行交互。

• 如何把 LLM 中的「世界知识」融入到图像模型，让生成的图像能真正帮到用户，是未来图像模型非常重要的一个应用方向。

• 用户对于模型一步到位生成「成品」的期待是不切实际的。

• 模型产品的交互界面（UI）设计目前是仍是被低估的。如何把各种模态整合起来，让普通人更容易使用这些模型、了解模型的能力，同时让模型适配具体的工作流。这个方向的价值还没被充分重视。

• 多模态交互的核心问题在于如何识别用户的意图，以及如何根据用户意图和他们实际想完成的任务，切换到不同的交互模式，因为用户的需求往往不明确。要向用户解释「机器人做不到什么」非常困难，关键在于明确问题边界，在界面设计上让用户清楚「哪些操作可行」。

• 满足用户美学相关的需求很难，需要深度的个性化才能给用户提供有用的建议。

• Midjourney 成功的关键在于比其他团队更早搞清楚了如何进行模型的后续训练，尤其是如何通过后续训练生成具有风格化和艺术性的图像。

• 图像生成模型未来的关键进步会体现在「模型的可表达性」方面。

• 现在最好的图像质量，和几年后最好的图像质量可能相差不大；但现在最差的图像质量，会比几年后最差的图像质量差很多。

• 未来所有团队都会朝着「通用模型（Omni Models）」的方向发展，也就是能处理多种任务的模型。图像、视频领域的很多技术是共享的，未来甚至可能融合在一起。

• 未来有能力训练 LLMs 的团队，或者能让图像模型具备丰富世界知识的团队，可能会在图像领域占据主导地位。

超 13000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。

进群后，你有机会得到：

• 最新、最值得关注的 AI 新品资讯；

• 不定期赠送热门新品的邀请码、会员码；

• 最精准的AI产品曝光渠道

01 更高分辨率，

是用户提得最多的需求

主持人：在「Nano Banana」正式发布前，你们内部觉得哪些用法会最火、最让你们兴奋？现在推向市场后，实际情况和你们想的一样吗？

Nicole：对我来说，最令人兴奋的其实是「角色一致性」，能看到自己出现在不同场景中。比如，我真的做了一整套幻灯片，里面有我出现在「通缉令」上的样子、扮演考古学家的样子，基本上涵盖了我童年时梦想过的所有职业。我们甚至还制作了一套包含我面部图像的电子邮件模板，团队里其他人的图像也有收录，方便我们开发新模型时随时参考。

主持人：在 AI 领域，这绝对是最高荣誉了。

Nicole：而且这些图像都很有个人特色，我非常兴奋。所以我一开始就对「角色一致性」功能很期待，因为它能让人们以一种全新的方式「想象自己」，这种方式在以前其实很难实现。这也确实成了用户最感兴趣的功能之一。

我们发现，人们会把自己的形象变成「小雕像」，这是一个非常流行的使用场景。不过有一个场景让我很意外：很多人用它来给老照片上色，这对用户来说是很有情感意义。比如「现在我终于能看到自己婴儿时期的真实模样了」，或者「我能从这些黑白照片里看到父母当年的样子了」。这种反馈真的很暖心。

主持人：一款产品火了之后，肯定会收到无数的功能需求。用户最常提的是什么？你们觉得图像模型的下一个里程碑会是什么？

Nicole：我们在推特上收到最多的需求是「更高分辨率」，很多专业用户会提这个。目前模型的分辨率是 1K，用户希望能更高。另外，「透明背景」也是高频需求，因为这对专业场景来说非常实用。这两个应该是我见过最多的需求，除此之外，还有「更好的文字渲染效果」。

主持人：大家都很好奇，是什么让模型的性能提升这么多？

Oliver：我觉得情况其实很「朴实」，没有哪一个单一因素能决定一切，关键在于把所有细节都打磨好，不断优化「技术方案」，而且团队已经在这个问题上钻研了很久。说实话，我们自己也有点意外这个模型能这么成功。我们知道它是个不错的模型，也很期待它的推出，但没想到反响会这么强烈。比如，我们在「竞技场」（Arena）平台发布后，不仅评分很高，更让我在意的是，有太多用户为了使用这个模型而涌入 LM Arena，以至于我们要一次次提高「每秒查询量」（QPS）来支撑负载。这完全超出了我们的预期，也让我们第一次意识到：「哦，这东西真的很特别，有很多人需要它」。

主持人：我觉得这就是整个 AI 生态最有趣的地方之一：你们作为开发者，虽然对自己构建的模型有一定了解，但只有当它推向市场、接受大众检验时，你才能真正明白它的「潜力到底有多大」。

主持人：「Nana Banana」已经刷屏网络了。除此之外，AI 图像领域还有哪些「你觉得值得关注，但目前没太多人留意」的动态？

Nicole：我觉得是「图像的事实性维度」。比如人们用「Nano Banana」制作信息图表，或者上传尼亚加拉大瀑布的照片，让模型标注信息。作为演示，效果看起来还不错，但仔细看会发现：文字有乱码、信息不准确，还会重复。这个方向目前关注的人不多，但我相信未来会不断优化。

Oliver：这和 LLM 的发展其实很相似。比如 GPT-1 和 GPT-2 刚出来时，人们觉得「很有趣」，会用它写创意内容，这类任务的「可接受答案范围很广」。但现在，人们很少用 LLM 做创意了，更多是用它「查询信息」「进行对话」，甚至「寻找情感陪伴」。我认为图像模型也可能经历类似的转变：从「创意工具」变成「信息查询工具」，未来人们甚至可能在「需要陪伴时」和视频模型对话。这种趋势在未来是有可能出现的。

Nicole：而且模型应该会变得「更主动」。现在，用户必须主动提出「我要生成一张图」的需求，但如果查询本身「需要图像辅助」呢？其实我们在搜索引擎里已经习惯了这种「主动适配」，搜索时，系统会根据需求自动返回「文字+图像」或纯图像结果。我期待未来的模型能更主动、更智能：根据用户的问题，灵活运用不同模态（文本、图像等）进行交互。

主持人：「Nano Banana」这个名字背后有什么故事吗？

Nicole：我们团队有一个 PM 叫 Nana。当时为了这次发布，她凌晨 2 点半还在加班，就是那时候想出了这个名字。因为听起来很有趣，所以大家就一直用了。现在它甚至成了「半官方名称」毕竟「Gemini 2.5 Flash 图像模型」确实有点拗口。

主持人：是啊，这个名字很成功，连谷歌的高管都在推特上发香蕉表情，可见这个名字已经「深入人心」。

Nicole：如果说品牌推广有什么心得的话，那就是「名字最好能搭配一个合适的表情符号」，这样更容易让人记住。

02 从「玩具」到生产力工具，

是因为融合了 LLM 的「世界知识」

主持人：你们解决了「角色一致性」这个大难题。在你们看来，图像模型接下来的「前沿突破点」会是什么？

Oliver：我认为，这款模型最令人兴奋的一点在于，你可以开始向它提出「更复杂的需求」了。以前，你可能需要把想要的图像细节描述清楚，但现在，你可以像跟 LLM 对话一样「寻求帮助」。比如，有人会这样用：「我想重新布置我的房间，但不知道该怎么做，给我一些建议吧」，这时模型就能给出合理的方案，比如「根据你的房间配色，这些家具会很搭」。

对我来说，真正有意思的是，如何把 LLM 中的「世界知识」融入图像模型，让生成的图像能真正帮到用户，比如展示用户没想到的方案，或者解答用户的「信息查询类需求」。比如用户问「这个东西是怎么工作的」，模型能直接生成一张示意图，标注出「它的工作原理是这样的」。我认为这会是这类模型未来非常重要的一个应用方向。

主持人：图像模型能从 LLM 的进步中获益多少？而且随着 LLM 持续发展，这种获益趋势会继续保持吗？

Oliver：当然能获益，而且几乎 100%得益于 LLM 的「世界知识」。其实，这款模型的正式名称是「Gemini 2.5 Flash 图像模型」，「Nano Banana 」只是个更有趣的昵称。

Oliver：我甚至在想，我们的成功有多少是因为「Nano Banana」这个名字朗朗上口。但它确实是一款 Gemini 系列模型，所以你可以像和 Gemini 对话一样和它交流，它能理解 Gemini 能理解的所有内容。我认为，将图像模型与语言模型整合，对提升模型的实用性和功能性来说，是至关重要的一步。

Nicole：你可能还记得，两三年前，如果你想让模型生成图像，必须描述得非常具体，比如「一只猫坐在桌子上，背景是这个样子，颜色是这些」。但现在不用这么麻烦了，很大程度上就是因为语言模型的性能大幅提升了。

主持人：是的，现在已经不用像以前那样「偷偷进行 Prompt 转换」了。以前的「小技巧」是：你输入一句话，系统会把它转换成一段 10 句话的详细 Prompt ，确保模型能准确生成内容。但现在模型的复杂度已经足够高，能直接理解简单 Prompt 了，这真的很令人兴奋。

03 未来的交互一定是多模态的，

识别用户的意图特别关键

主持人：从产品角度来看，「Nano Banana」的用户群体其实非常多样。有知道自己要做什么的专家，也有很多面对「空白画布难题」的普通用户。讲讲你们是如何为这两种完全不同的用户设计产品的？

Nicole：首先，LM Arena 上的用户，甚至包括开发者，他们都非常专业，熟悉这些工具的用法，还能想出我们没预料到的新场景。比如，有人会把照片里的物体变成「全息图」，我们既没针对这个场景做过训练，也没指望模型能擅长这个，但模型做得很好。

而对于普通消费者来说，「简化操作」很重要。比如现在你打开 Gemini 应用，会看到到处都是「香蕉表情」，我们这么做是因为发现，很多人听到「香蕉」（指模型）后，去应用里却找不到它，因为之前没有明显的入口。我们还和创作者合作，提前展示一些使用场景，给出示例，这些示例能直接链接到 Gemini 应用，点击后 Prompt 会自动填充。我认为，在「初始界面引导」方面，我们还有很多可以做的，比如提供视觉化指导。

另外，在编辑图像时，或许可以加入「手势操作」，不用完全依赖 Prompt 。有时候即使你想要某个特定效果，也需要写一段很长的 Prompt ，但这对大多数消费者来说并不自然。我会用「父母测试」来验证产品，如果我的父母能轻松使用，那它才算合格。但目前我们还没达到这个标准，所以还有很长的路要走。不过核心思路其实是「多展示、少说教」：给用户能轻松复刻的示例，让分享变得简单。就像 Oliver 常说的，这没有什么「神奇的单一解决方案」，需要多方面努力。

Oliver：「社交分享」其实是解决「空白画布难题」的关键。人们看到别人用模型做的内容后，因为模型默认支持「个性化」，所以很容易想到「我也可以把自己、朋友或宠物放进去试试」。这种「模仿式创作」是「Nano Banana」传播的重要方式。

主持人：目前交互主要还是通过文字。从长期来看，还有哪些「设计界面」能让人们更便捷地与模型交互？这方面有什么让你们感到兴奋的想法吗？

Nicole：我觉得我们现在只是刚刚触及「交互可能性」的表层。最终，我希望所有的「模态」（文本、图像、语音等）能融合在一起，形成一种「智能界面」，它能根据你要完成的任务，自动选择最合适的交互方式。

比如现在，我们已经在向「 LLM 不仅输出文本，还能在用户需要时输出图像或可视化解释」的方向发展。语音交互也很有潜力，因为它对人来说是非常自然的方式，但目前还没有人真正解决「如何将语音交互融入用户界面」的问题。我们现在仍主要依赖「输入文字」，或许可以结合「手势」，比如你想从图像中删除某个物体，就像在草稿本上涂掉它一样简单。而如何根据任务需求，无缝切换不同的交互模态，这是我非常感兴趣的方向，在这方面还有很多探索空间。

此外，我觉得「用一个简短 Prompt 就能生成『可直接落地的成品』」这种想法是在炒作。实际上，生成内容后需要大量迭代优化，即使是人们在社交平台上分享的内容，背后也需要投入很多精力才能打磨成最终效果。所以这种「一步到位」的期待有点不切实际，未来的交互界面（UI）目前是被低估的。如何把各种模态（文本、图像、语音等）整合起来，让普通人更容易使用这些模型、了解模型的能力，同时让模型适配具体的工作流。这个方向的价值还没被充分重视。

主持人：现在「语音交互界面」面临的局限是什么？

Nicole：我觉得部分原因可能是「优先级排序」，我们现在还在全力提升模型的核心能力。不过语音技术在过去几年也确实取得了很大进步，所以我认为很快就会有人着手探索「语音与图像模型的结合」，我们团队可能也会做这方面的工作。

我一直在琢磨这种交互界面可能的样子。我觉得问题的核心在于，如何识别用户的意图，以及如何根据用户意图和他们实际想完成的任务，切换到不同的交互模式，因为用户的需求往往不明确。而且这样一来，界面可能又会回到「空白画布」的状态，那如何向用户展示「哪些操作是可行的」呢？这本身就是个很大的挑战。

我们发现，用户在使用聊天机器人时，总会默认它「什么都能做」，毕竟你可以像跟人对话一样跟它交流。但实际上，要向用户解释「机器人做不到什么」非常困难；尤其是当工具的功能已经非常强大时，要清晰展示「它能做什么」也并不容易。所以我认为，关键在于明确问题边界，在界面设计上让用户清楚「哪些操作可行」，最终帮助他们完成几乎所有想做的事。

04 来自真实用户的主动测试，

才是模型评估的最佳方式

主持人：聊聊「模型评估」。除了放到 LM Arena 平台上公开测试，你们常规的评估具体是怎么做的？在「如何判断和衡量模型好坏」这件事上，有什么心得？

Oliver：其实，语言模型和视觉语言模型的进步带来了一个好处：现在已经形成了一种「反馈循环」，我们可以利用语言模型的智能，来评估它自己生成的内容。这就形成了一个良性循环，能同时推动语言模型和图像模型这两个领域的进步，这点非常令人兴奋。说到底，用户自己才是「判断图像是否符合需求」的最终标准。所以像 LM Arena 平台那样，让用户输入自己的 Prompt 来使用模型，其实是评估模型的最佳方式。

Nicole：「审美」也很重要。 Oliver 比较谦虚，其实她是团队里「对图像细节敏感度极高」的人，他能一眼看出图像的效果好不好、有哪些缺陷。我们团队里有几位这样的成员，在模型训练完成后，会先进行大量的「人工初筛」，判断模型输出的结果是否合格。

聊回你问的「评估方法」，我们会从很多渠道（包括 X ）收到用户反馈，了解「哪些功能好用、哪些不好用」。之后我们会调整评估标准，一方面确保「好用的功能不会退化」，另一方面针对社区希望改进的「不好用的功能」，集中精力优化。

05 「美学」需求很难满足，

需要在 Prompt 层实现深度地上下文交互

主持人：在你们见过的「资深用户」中，有没有什么特别让人印象深刻的使用场景？

Oliver：我个人最喜欢的资深用户场景吗？我之前大部分职业生涯都在做视频相关的工作，所以对视频工具和创作工具特别感兴趣。我发现，「Nana Banana」和 Voe3 这类视频模型结合使用时，能成为制作 AI 生成视频的实用工具，它能帮你更快地构思创意、规划镜头。有意思的是，这和电影行业的制作流程很像：先用「分镜脚本」梳理故事和镜头，现在用户也会用这种方式，制作更连贯、更长的视频内容。

Nicole：我很惊讶有人会把它用在「实际的建筑工作流」中。比如从蓝图开始，先生成类似 3D 模型的效果（但不用真的建 3D 模型），再进一步迭代成设计图。这大大缩短了工作流中「繁琐重复的环节」，让人们能把精力放在「有创意、有趣且自己真正喜欢的环节」上。而且我没想到，它在这类场景中「开箱即用」的效果会这么好。

主持人：就像在各个领域中，用图像模型快速搭建「基础框架」一样。

Nicole：还有一个场景是「通过代码生成网站 UI」。以前，从「输入 Prompt 」到「生成网站代码」的过程总让我觉得很突兀，中间少了一个「迭代设计」的环节，没法快速修改设计方案。但现在，我们终于能在「生成代码前」先迭代设计，直到满意后再生成代码。

主持人：这简直就是未来的工作流。毕竟，如果生成的代码不符合你的审美，或者和你的预期完全不符，那之前花在「生成代码」上的算力不就白费了吗？这样做确实合理多了。

Nicole：而且这样也更有趣。就像 Oliver 说的，人们会把新技术融入现有的工作流，这个过程其实很自然。虽然现在 LLM 的进步很快，已经能「从 Prompt 直接生成网站」，这很令人惊叹，但我觉得，在「设计迭代」这个中间环节多花点时间，确保最终效果符合自己的审美，对用户来说会更有乐趣。

主持人：我们在这个方向上进展到哪一步了？

Oliver：「美学」相关的需求其实挺难满足的，因为它需要深度的个性化才能提供有用的建议。而且我认为，在技术层面，「个性化」本身也还在持续优化中。所以我们现在离「精准理解用户需求」还有一段距离。但我觉得，通过「少量澄清」和「与模型对话」，这也是我对模型最期待的功能之一，情况会越来越好，你可以像在聊天线程里一样跟模型交流，逐步细化需求，最终得到你想要的图像。

主持人：你觉得「个性化」会停留在「Prompt 层面」吗？比如，通过对话和上下文来实现？还是说，未来每个人都会有自己专属的「美学模型」？

Oliver：我觉得更多还是会停留在「 Prompt 层面」。比如，根据用户之前告诉过你的个人偏好，模型就能做出更贴合需求的决策。至少我希望是这样。毕竟，如果每个人都要有自己的模型，还要负责维护，那听起来会很麻烦。所以这可能是未来的发展方向。

Nicole：但我确实认为，不同人会有截然不同的「美学偏好」，而且在这个层面上，一定程度的「个性化」是必不可少的。比如，你在谷歌的「购物标签页」上搜索毛衣时，会收到很多推荐，但你其实希望能「贴合自己的审美」，甚至能「结合自己衣柜里已有的衣服」，看看哪些新衣服能搭配。我希望这种需求能通过「模型的上下文窗口」来实现，比如把衣柜里衣服的图像喂给模型，让它推荐能搭配的款式。我对这个方向非常期待，也希望能实现。当然，或许在「模型层面」还需要一些额外的「美学控制」，但我猜这可能更多会应用在「专业工作流」中。

主持人：所以，你们觉得未来会是一个通用模型，靠精准的 Prompt 通吃所有场景？还是会出现更多细分模型，比如专门做「未来风」或某种特定风格的模型？

Nicole：我一直很惊讶，「现成模型」（off-the-shelf model）能支持的使用场景范围居然这么广。但就像你说的，在一些「面向消费者的场景」中，比如快速勾勒房间里某个物品的样子，它的表现已经很好了；但一旦进入「更高级的功能需求」，比如为营销或设计工作流制作最终成品，就需要结合其他工具才能让模型真正发挥作用，变得实用。

06 未来关键在于提升模型的「可表达性」，

补齐能力下限

主持人：咱们把视角拉远一点，聊聊整个「图像模型领域」。自从 Stable Diffusion 和 Midjourney 出现后，这个领域的发展速度简直像坐了火箭。 你们觉得过去两三年里，图像生成模型的「关键里程碑」有哪些？

Oliver：确实是「火箭式发展」。最初我在这个领域工作时，生成对抗网络（GAN）还是主流的图像生成方法，当时我们都为 GAN 的效果惊叹，但它只能在非常有限的范围内生成图像。比如能生成看起来还不错的人脸，但也只有「正面人脸」这一种。后来，能「泛化生成」且「完全由文本控制」的模型开始出现，但最初它们的规模很小，生成的图像也很模糊。不过那时候我们就意识到：「哇，这东西会改变一切」，于是大家都开始投入精力研究。但没人能预料到它会以这么快的速度进步。

我觉得这背后有两个原因：一是有很多顶尖团队在攻克这些难题，二是「良性竞争」的推动。看到其他团队发布出色的模型时，大家都会被激励，比如「Midjourney 之前一直遥遥领先，效果好得惊人」，我们就会琢磨「他们是怎么做到的？为什么效果这么好？」. 另外，Stable Diffusion 作为开源模型的出现，也让我们看到了「开发者社区的潜力」，原来有这么多人想基于这些模型开发新东西。这无疑是另一个「爆发点」。不过说实话，在这个领域工作既有趣又有点「令人沮丧」：一方面模型在飞速进步，另一方面用户的期待也在不断提高。现在用户会抱怨一些「小问题」，但你心里会想「天呐，你知道我们为了优化这个模型付出了多少努力吗？一年前生成的图像还完全不真实，当时大家都惊叹不已，」。不得不说，人类对新技术的「审美疲劳」来得真快。

主持人：Midjourney 为什么当初能在这个领域「遥遥领先」这么久？感觉有很长一段时间它都是行业标杆。

Oliver：我觉得Midjourney 比其他团队更早搞清楚了「如何进行模型的后续训练」，尤其是「如何通过后续训练生成具有风格化和艺术性的图像」。这正是他们的核心优势，专注于「让用户能控制图像风格」，并确保「无论生成什么内容，视觉效果都很出色」。在当时，这一点非常关键：因为如果能把生成范围「聚焦在『好看的图像』这个小领域」，就能把这个领域的效果做得更好。从「专注于高质量风格化图像」起步，对他们来说是个非常好的策略。后来，包括 Midjourney 在内的所有模型（比如 Flux、GPT 图像模型等）都开始「拓宽生成范围」，现在已经能生成更多品类的图像，同时还能保持高质量。

主持人：是什么让模型能「拓宽生成范围」，不再只局限于生成那些经过筛选的优质图像了？

Oliver：原因有很多。首先，我们都搞清楚了「训练数据应该是什么样的」；其次，模型规模和算力都在自然增长，以前做不到的事，现在因为「规模变大了」，就能实现了。

主持人：图像模型进步这么大，但我现在不确定，我们是「只剩 10%的进步空间」，还是「三年后回头看，会觉得『当时居然觉得那些模型很好用，真是可笑』」。你怎么看这个问题？而且现在生成的图像已经很不错了，我甚至想象不到「下一个 10 倍级的提升会是什么样」。

Oliver：我认为我们还有很长的路要走。先不说其他应用场景，单是「图像质量」这一项，就有巨大的提升空间。我觉得关键进步会体现在「模型的可表达性」方面：现在我们能完美生成某些内容，生成的图像和真实图像几乎无法区分；但一旦超出「用户常生成的常见内容」范围，图像质量就会急剧下降。比如那些需要「更多想象力」或「融合多个概念」的 Prompt ，生成效果往往很差。

所以我觉得，未来的模型可能会呈现这样的趋势：「现在最好的图像质量，和几年后最好的图像质量可能相差不大；但现在『最差的图像质量』，会比几年后『最差的图像质量』差很多」。

我们会让模型的实用性更强，适用场景也更广泛。而且我们发现，模型的适用范围越广，用户能发掘的使用场景就越多，模型本身也会变得更有用。

07 在未来的工作流中，

传统工具和 AI 模型会长期共存

主持人：你们既提供模型也提供 API，你们怎么判断哪些功能适合放进 Gemini 这样的通用聊天工具，哪些更适合留给其他专业产品去实现？

Nicole：我觉得这两类场景的定位完全不同。我们发现，用户会用 Gemini 进行「快速迭代」，比如我们团队有人想重新设计花园，就会先在 Gemini 里生成效果图，想象可能的样子，然后再找景观设计师合作，把这个想法细化、落地。所以 Gemini 更像是「创意构思的第一步」，很少会成为「最终成品的制作工具」。

但对于资深用户（比如开发者）来说，他们会搭建更复杂的工具，将多个模型串联起来使用，这是一个更精密、更复杂的「多工具协作流程」。聊天机器人的优势在于「帮你启动创意、提供灵感」，还能支持很多「有趣、易分享」的场景，比如和家人朋友分享创作成果。我觉得这种定位会一直保持下去，因为有更高需求的资深用户，总会倾向于使用「更可视化」或「更专业」的工具。

主持人：那「编辑工作流」该如何融入其中呢？用 AI 生成初始创意很棒，但要把作品从 95%打磨到 100%，你们觉得未来还需要依赖传统的编辑工具吗？还是说整个工作流会发生变化？

Oliver：我觉得这很大程度上取决于用户类型。有些用户对效果有「像素级的精准要求」，对于这类需求，我们必须将模型与现有工具（比如 Adobe 的各类产品）整合；而有些用户更需要「灵感启发」，对效果的要求没那么严格，对他们来说，在聊天机器人里快速生成创意就足够了。所以这两种应用场景都很重要。

Nicole：关于「像素级控制」，我两天前刚了解到一个案例：在制作不同产品或品牌的广告时，模特的「视线方向」会对广告传达的信息产生很大影响，因为观众的注意力会被模特的视线引导。这种精细的控制，用聊天机器人是很难实现的。所以对于这类用户和场景，未来依然需要「专业工具」和「极高精度的控制能力」。

Oliver：说到底，关键在于「哪些需求能用语言描述清楚，哪些不能」。语言很适合传达「宏观想法」，但如果想让某个元素「向左移动 3 个像素」，用语言描述就很别扭了。所以我认为，「传统工具」和「AI 模型」会长期共存。

主持人：是的，如果我们观察专业艺术家或创作者的完整工作流，会发现他们很难用语言精确描述自己的操作，很多时候都是「凭感觉」。在谷歌内部，你们自己最期待看到这个图像模型在哪些产品或业务中落地？

Nicole：我觉得有很多方向。首先是创意领域，比如「照片应用」，在照片库里直接进行编辑就很方便。比如我每年都会有几次需求，把家庭照片做成生日贺卡，如果能在照片应用里直接完成，会非常便捷。

另外，「知识性场景」也很有潜力。在谷歌的各类产品中，如果一个 5 岁的孩子想了解「光合作用」，但网上没有合适的可视化素材，模型能生成专属的示意图，这会给「个性化视觉学习」开辟很多新场景和机会，毕竟很多人都是「视觉型学习者」。

Oliver：我觉得「办公协作（Workspace）」也是个很棒的方向。比如 PowerPoint 和谷歌幻灯片（Google Slides），未来人们或许能制作出「更有吸引力的演示文稿」，而不是千篇一律的「文字列表」。

主持人：我刚开始工作时做过咨询，要是当时有这功能就太好了。我太懂那种「花大量时间调整格式」的痛苦了。

Nicole：以前做幻灯片，都要先在白板上画分镜，确定标题、图表位置（比如「左边放这个数据集的图表」）。如果能把这些需求喂给 LLM ，让它帮忙完成这些繁琐的工作，那就太让人兴奋了。

Oliver：甚至可以直接「拍一张白板上的照片」，让模型来识别内容。

08 未来所有团队都会朝着「通用模型」的方向发展

主持人：图像模型和视频模型的关系是什么？它们的研发是独立的，还是会相互借鉴？这两个领域的互动多吗？

Oliver：它们的联系非常紧密。我认为未来所有团队都会朝着「通用模型（Omni Models）」的方向发展，也就是能处理多种任务的模型。这类模型有很多优势，长期来看或许会成为主流，不过我也不确定。但可以肯定的是，我们在图像生成领域学到的很多技术，会被应用到视频生成模型中，反过来也是。这也是视频生成领域能快速发展的原因之一。整个行业已经掌握了这类问题的解决思路。所以我觉得它们就像「亲密的伙伴」，会共享很多技术，未来甚至可能「融合在一起」。

主持人：你说的「技术」，是指图像和视频模型背后的核心技术框架是相似的？

Nicole：从工作流来看，人们也经常「互补性地使用这两类模型」。比如，如果你是电影制作人，前期的创意迭代往往会先在 LLM 中梳理思路，然后在图像模型中快速生成帧画面，这样更快、成本也更低，最后才会进入视频制作阶段。所以即使从「工作流和易用性」的角度看，这两类模型也存在互补性。另外，它们需要解决的很多问题是相似的，比如「一致性」，无论是图像还是视频，都需要保证角色、物体、场景的一致性。只是视频领域更复杂一些，因为要在多帧画面中维持这种一致性。

主持人：你觉得视频模型领域接下来需要解决的核心问题是什么？

Oliver：我认为，首先是让视频模型具备「和最新图像模型同等的可控性」，这对视频领域的发展影响很大，也是值得关注的方向。其次，视频团队也在持续优化「分辨率」和「长时一致性」。当然，「让同一个角色出现在多个场景中」也是用户最迫切的需求之一。所以未来的发展方向很明确：朝着「更长、更连贯的视频内容」迈进。

主持人：图像模型领域的市场格局，最终会走向 LLM 领域那样，由少数几家头部玩家主导吗？

Oliver：这是个好问题。到目前为止，我认为图像领域仍有「小团队做出顶尖模型」的可能。我们已经见过不少小实验室开发出非常出色的模型了。我希望这种情况能持续下去，因为小团队的参与会让这个领域更有活力。

但就像我之前说的，图像模型的「世界知识储备」和「实用性提升」，其实非常依赖「规模效应」，尤其是 LLMs 的规模。所以我猜测，未来「有能力训练 LLMs 」的团队，或者「能让图像模型具备丰富世界知识」的团队，可能会在图像领域占据主导地位。我们看到中国的一些大型实验室也在推出优秀的图像模型，这和 LLM 领域的趋势很像。所以我认为，未来图像领域也会出现这样的头部玩家。

主持人：对图像模型来说，使用「最先进的开源模型」，和使用「前沿的闭源 LLM」相比，劣势会很大吗？

Oliver：这是个很棒的问题。我觉得答案很大程度上取决于「开源模型的未来发展」，毕竟开源领域的变化非常快。大概一年前，「用开源模型」看起来还是个很稳妥的选择，但现在情况可能没那么明朗了。不过我也不确定开源模型的未来走向，它仍有很大可能性继续发展，支撑更多小实验室训练出优质的图像模型。

转载原创文章请添加微信：founderparker