2025-03-26 | 실리콘밸리=윤민혁 특파원

不再有“六指人”…OpenAI新图像模型登场[尹敏赫的硅谷View]

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

停留在“抽象画”水平、有时会输出六根手指的人这类怪异结果的图像生成人工智能(AI)模型,如今有望成为历史。这得益于OpenAI推出了对上下文和描绘对象理解度大幅提升的新图像生成人工智能(AI)模型。仅学习“图画”的现有图像模型与GPT-4o语言模型相结合,有望轻松生成符合目的的图像。

25日(当地时间),OpenAI推出了新的图像AI“ChatGPT图像(ChatGPT 4o图像生成)”。它将取代原有的DALL·E,成为ChatGPT的默认图像生成模型。OpenAI相关人士强调:“这是结合了GPT-4o的语言知识与图像智能的模型”,“如果说原有模型很新奇,那么这一模型是实用的”。

ChatGPT图像与包括DALL·E在内的现有图像生成模型从根本上不同。现有模型只学习了“图画”,因此对描绘对象没有知识。由于AI不理解自己在画什么,在消化未经学习的“创造性”要求时会遇到困难。

举例来说,DALL·E书写数字和文字歪歪扭扭。它把数字和文字也解释为“图画”,如同小孩照着描画一般生成。此外,当画面内应出现的对象要求增多时,它难以理解,对不常见的要求也无法识别。即便下达“画一辆绿色的车和一棵红色的树”的指令,它也会输出红色车辆和绿色树木;“骑自行车的人”画得很好,但“骑人的自行车”就很难画出来。这是因为预先学习的图像中“奇特”的画作很罕见。

包括DALL·E在内的现有AI图像生成模型画不好人手的原因也在此。AI并不理解整体身体结构,只学到了手臂末端应附有类似手指的形状。在所学习的图像中,大多数因角度问题并未完整显示五根手指,因此产生了怪异的结果。

ChatGPT图像通过在图像生成中结合语言模型解决了这一问题。语言模型先理解要求,再生成图画,从而产出更准确的结果。此前未学习过的“三角形轮子的自行车”也能轻松画出;面对“画一头抹香鲸”的要求,它会先判明抹香鲸的物种,再输出突出其特征的图像。OpenAI相关人士表示:“即便在高强度压力测试下,也能正确画出人的手指。”

对文字和数字的理解也进一步改善。不仅能如同打字一般准确呈现,还能理解上下文。各格台词组合起来才具含义的漫画评论也能轻松制作,解释科学实验的信息图也能理解原理后轻松生成。OpenAI相关人士表示:“信息图只要有一部分出错,整体就得作废”,“新模型有望革新整个教育领域”。

ChatGPT图像不仅提供给付费订阅用户,也向免费用户开放。视频AI“Sora”也将应用新模型的语言理解能力。这是OpenAI近期加速推进服务竞争力提升的一环。目前谷歌Gemini提供“Imagen”图像生成模型。中国的DeepSeek也曾推出名为“Janus”的图像生成模型。科技界一位相关人士评价称:“除基础AI模型外,竞争已扩展到整体功能”,“OpenAI似乎意在通过改善后来者相对容易忽视的图像、视频、语音等领域的功能,巩固其领先地位”。

阅读韩文原文