作者丨珊瑚
圖源丨midjourney
2025年3月26日，OpenAI凌晨官宣，GPT-4o的原生多模態影像生成功能正式上線。使用者不再需要登入OpenAI的文生圖模型DALL-E，可以直接在ChatGPT應用裡呼叫4o生成、修改圖片。
一夜之間，AI生成的吉卜力影像在X等社交媒體上瘋傳，網際網路被一場溫柔的二次元畫風浪潮淹沒。人們上傳自拍照，輸入“吉卜力風格”，幾秒後，宮崎駿動畫中的唯美與夢幻便流淌在髮絲衣角間，甚至連OpenAI創始人奧特曼也曬出自己的吉卜力頭像，為這場熱潮添了一把火。
不過，吉卜力的火爆只是其一，更關鍵的是，GPT-4o的繪圖能力出圈打破了文生圖領域的固有格局，以Midjourney等垂類應用為首的賽道第一次遭到了大模型的挑戰。
原來，人們用Midjourney生圖時，仍面臨著一個致命問題：隨機性太強，在提示詞過於複雜的時候，細節還原度就會顯著降低，而GPT-4o控圖能力的躍升，讓人類第一次感受到了與AI藝術家在多輪對話中精準改圖的魅力。
那麼，一個人類印象裡只會聊天的通用大模型GPT-4o，是如何趕超文生圖領域專業選手Midjourney的呢？
實際上，類似Midjourney一樣的應用早在一年前就能生成吉卜力、賽博朋克、超現實等多種風格的影像，甚至在畫面細膩感、解析力上略勝於GPT-4o。但GPT-4o的聰明之處在於，它沒有選擇正面硬剛其藝術領域的生圖質量，而是在應用門檻、修圖改圖、跨學科能力等細分賽道彎道超車。
一是自然語言對話能力的提升大大降低了使用門檻。傳統文生圖領域，使用者必須掌握一套複雜的結構化提示指令，比如風格、鏡頭、色彩、角度、背景、主體等，差之毫釐、謬以千里。而GPT-4o可以精準理解自然語言命令，只需要像跟好友一樣交流，張嘴畫圖成為現實。
自然語言就是大白話，日常生活中的口頭語。比如，如果你需要一張瀑布圖，只需要告訴GPT-4o，“幫我生成一幅清晨茂密森林裡的彩虹瀑布”就可以了。但面對Midjourney就需要像下圖一般，用高度結構化的prompt指令告訴它：這個影像的主體有什麼，背景是什麼顏色，仰角、俯角還是平視，風格是油畫、古典或者賽博朋克，需要細分到這種程度才可能達到理想效果，但就算分得這麼細了，依然會有一些無關緊要的畫面元素跳出來畫蛇添足。
二是多模態能力帶來的圖生圖、圖改圖功能的上線。類似Midjourney一樣的應用只能發文字指令，不支援上傳一張圖片再做修改，或者說不支援AI生圖後，再調整影像的解析度、色彩、背景。如果成圖效果不理想，只能回到第一步重寫提示詞碰運氣，之前生成的影像等同作廢。
GPT-4o的強悍就在於使用者可以隨便上傳一張圖片多次修改，可以是AI生成的，也可以是自己拍的。比如，你可以上傳一張全身照，把頭型換成大波浪，把衣服換成購物車裡的裙子看上身效果。它支援在現有的圖片上去p圖去修改，相當於我們不用學習PS這種具有高壁壘性質的修圖技術。
更牛的是它還可以多輪對話，支援在原圖上不限次數地一直改，直到滿意為止。你可以一會兒改一個頭發，一會兒把背景換成沙漠，或者一會兒調整濾鏡風格。只要你想，它便滿足。
圖源：小紅書@Mr.湯先森
除了互動門檻的降低和控圖能力的提升，GPT-4o的跨學科知識儲備也讓人驚豔。集成了大語言模型原有知識庫的GPT-4o相當於一個知天文、曉地理的畫家，不僅能解高數、做物理題，還原建築草圖也不在話下。相比之下，Midjourney作為垂類應用始終侷限在藝術領域裡，為電影宣發、廣告等文娛產業服務。
GPT-4o有多牛？給一個題目就可以生成函式影像，相當於一款畫圖指導版的拍照搜題應用。甚至於你給他一個沒有任何色彩的鉛筆畫建築草圖，它都能生成出施工後的房屋實景，完全跨越了學科的邊界，是一個文理雙全的全能型選手。
圖源：小紅書@雲安
既然GPT-4o生圖改圖功能如此驚豔，我們就要發問了，在其火爆出圈背後，能夠為普通人帶來什麼實際價值呢？
就在其上線一週內，Midjourney CEO大衛·霍爾茲坐不住了，發文稱：GPT-4o只是花架子，Midjourney-v7下週上線。
GPT-4o和Midjourney孰優孰劣，現在還難以定論。但能夠肯定的是，GPT-4o火出圈了，它衝出了設計師這個小眾的圈子，走入了大多數人的工作場景裡，就算完全不知道AI生圖是什麼，但一定也知道社交媒體上突然冒出一個能用嘴P圖的網路工具。
那麼，GPT-4o為什麼這麼火，給我們帶來的一個最實際的價值點在哪裡？
首先，它真的做到了應用零門檻，使用者甚至不需要任何藝術功底和AI基礎，毫無基礎的普通人也能直接上手。用Midjourney，你必須知道一些基本的流派、色彩、光學、框架等繪畫知識以及/imagine（生成影像）、–ar（影像寬高比）等基礎英文提示指令。但用GPT-4o，你也可以不懂透視、框架、光線，也不需要知道什麼是結構化提示詞，完全不用任何專業基礎，就像跟朋友對話一般交流就可以修圖。
圖源：小紅書@Geek4Fun
除了使用門檻降低，模型產品的質量和效能也大幅提升。一是生圖更快，以前用Midjourney解析複雜指令需要1min左右，GPT-4o在20s內就可以還原。
第二，生圖和改圖的控制性提高了，GPT-4o能夠完全還原你給它的指令。比如同樣的一個指令“給我生成一個貓貓和狗狗在草地裡玩耍的場景”，GPT-4o生成的就是一隻貓和一隻狗在草地上玩，沒有任何其他會突然冒出的元素，但Midjourney可能在草坪上多一個公園或建築，不會完全按指令來。通俗地講，就是GPT-4o更能聽你的人話了，它就像你的電子僕人一樣，你讓他幹嘛，他就幹嘛，多餘的事一件不做，該做的事也絕不少幹，精確度更強了。
由此，GPT-4o開啟全民賽道，進入到我們工作場景裡。之前，普通使用者用Midjourney更多還是出於興趣，娛樂屬性強、工具屬性弱。生成的油畫、動漫等各種風格的影像雖好看，但既不能提升工作效率，也不能賺錢，主要起到了一個造型上的作用。
而GPT-4o的用嘴P圖讓AI繪圖能夠落地的行業增多，從娛樂化與藝術性走向了專業化與生產力，可以應用到電商、教育、建築、設計等各行各業。比如你的小孩不會做題，以前需要請教課老師或者下載作業幫，輔導費用貴而作業幫的講解只有乾巴巴的一段文字，令人費解。但是GPT-4o完全可以生成一張講解草稿圖，函式怎麼生成的，答案怎麼得來的，推導過程流暢自然。
再比如電商行業的宣傳海報，甲方需要你生成一個針對歐美市場的英語海報，其中設計元素和語言都需要做本地化潤色。之前的流程是對接設計師修改元素、去翻譯軟體潤色，再匯入PS軟體修改，費時費力。但現在GPT-4o只需要一句話，“把這張海報改成歐美風，語言變成英語”，它就很快就能設計一張符合要求的海報，跨領域跨學科的整合能力非常強悍。
聊完GPT-4o的畫圖出圈，不如再聊聊，GPT-4o作為一種底層模型還有什麼可挖掘的地方。
我們都知道，Midjourney是一個架構在模型上的應用，但GPT-4o本身就是一個模型，生圖是它的能力之一。2022年剛出道的ChatGPT只是一個能夠文字交流的對話助手，後來可以語音打電話，現在又能畫圖，一直不停在不同維度上迭代升級。
而此次GPT-4o能繪圖賽道突出重圍，真要感謝其原生多模態模型能力的大幅湧現。跟Midjourney不一樣，GPT-4o有更多技術路徑可走。現在文生圖領域應用普遍用的底層模型叫擴散模型diffusion model，原理是先生成一個大概的影像，再消除噪點，就像雪中作畫、霧裡看花，還原能力不強。而GPT-4o沿用文生圖自迴歸模型，相當於把之前預測token的邏輯推理能力進一步延伸到了文生圖領域，透過逐幀繪製的方式，從已生成的畫素推測下一個畫素，本質是模仿人類畫畫。這意味著，與垂類應用不同，大模型可以從底層架構上選擇不同的技術路徑，而架構的升級通常會帶來效能的躍升，基於GPT-4o等原生模型的功能有更多的生長空間。
第二個是，多模態融合會帶來跨領域的融會貫通，GPT-4o作為一種通用大模型，擁有整合文字、音訊、影像等不同格式資訊的能力，現階段已經可以打電話、生圖改圖了。而在未來，是不是可以直接生成音樂和影片，也值得期待。實際上，GPT-4o本次上線的生圖功能就脫胎於OpenAI的文生圖模型DALL-E。或許，OpenAI旗下的文生影片模型Sora也可能透過某種技術被整合到GPT模型裡。屆時，在一個模型裡交叉處理多種模態的資訊將不再遙遠。
而多模態創新也進一步說明，模型走向多功能後，處理各種任務的能力越來越強，帶來的總AI使用成本降低。一個可以預見的趨勢是，大模型正在試圖成為一個一站式打包站點，將程式碼、設計、音樂、資料處理等多種任務整合在一起。可能在未來某一天，類似於ChatGPT一樣的模型強悍到在任何領域都能做到前三，我們也不再需要下載畫圖的Midjourney、寫程式碼的coze、做音樂的suno等垂類應用，直接下載類似於ChatGPT一樣的模型，就能解決所有的事情。這樣一來，手機的記憶體更大了，執行效率也快了。每個月還可以省下了垂類應用一百塊左右的會員定製費，價效比更高了。
簡言之，GPT-4o繪圖能力的出圈讓我們看到了底層大模型整合多應用的能力。而從這個能力衍生出的願景是，我們未來可以在一個一站式的模型裡面同時使用繪畫、音樂、程式碼等多維能力。並且，它的使用門檻是非常低的，低到任何一個毫無技術基礎，甚至連AI都不瞭解的人都能用。
而這或許才是人類發明AI的終極目標——讓技術普惠到每一個角落。
