人工智慧影像生成模型發展迅速，但它們產生品質參差不齊的影像仍然屢見不鮮。由於人們很容易認為問題出在人工提示上，所以我決定測試一下，如果只使用人工智慧產生的提示，其效率是否會更高。像 ChatGPT 和 Gemini 這樣的人工智慧影像生成工具，其結果很大程度上依賴於提示的品質和準確性。如果使用自動化提示，結果會有所不同嗎？這就是我們將在本實驗中探究的問題。
實驗規則
幾年前人工智慧影像生成模型剛出現時，我們都以為它們會為視覺媒體從業人員敲響警鐘。但事實並非如此。雖然它們可以產生極其逼真的圖像，但人工智慧圖像往往難以預測，尤其是在需要更複雜的圖像時（例如，人工智慧在生成手部圖像方面往往表現不佳）。
你可以把這個問題歸咎於人工智慧模型本身，也可以歸咎於人類的不足以及我們在撰寫聲明方面的技能參差不齊。檢驗責任歸屬的一個自然方法是，看看當你輸入生成的聲明時，圖像生成模型的表現是否會更好。
人工智慧（AI）能否為我們提供看待歷史事件的新視野？
為了驗證這個假設，我將使用 Gemini 產生一系列提示，這些提示會避免使用我想要建立的物件或映像的名稱。這將有助於驗證人工智慧對指令的「理解」程度。誠然，模型仍然有可能受到訓練資料的強烈影響（尤其是在重建現有圖像時），但正如年輕人所說，這就是現實。
我選擇使用 Bing（沒錯，Bing 仍然存在）影像建立器來建立影像，它基於 DALL-E 3。為了測試該模型，我將從簡單的形狀開始，然後隨著實驗的進行，逐步過渡到更複雜的圖像。
如果你用過 ChatGPT 或類似的工具，你肯定知道它們的一些回應有多麼不可靠，而我在「測試」過程中看到的表單提示也不例外。因此，我決定將字數限制在 500 個字元以內，以保持提示的一致性。
人工智慧如何處理簡單形狀？
我們先從一個簡單的正方形開始。我請 Gemini 描述一個正方形，但不要說出它的名字，以下是他的描述：
“一個四邊形，它的四條邊長度都相等。每個內角都是90度。它是一個正四邊形，對邊平行。”
將描述輸入DALL-E後，我得到了以下結果：
好吧，它是個正方形，雖然我覺得它有點太幾何化了。是時候增加難度了，所以我請AI畫一個立方體。
「一個具有六個相同面的三維圖形。每個面都是一個正四邊形，四條邊相等，四個角均為直角。它有12條長度相等的邊和8個頂點。圖形內的所有角均為直角。”
結果令人驚嘆：
還記得我們之前說的人工智慧模型的不可預測性嗎？嗯，在這裡，DALL-E 創建了一個立方體，但卻有點搞混了，把它變成了魔術方塊。雖然它完全避開了「魔術方塊」這個詞，但人工智慧確實犯了一個部分錯誤——我們可以將這歸因於匈牙利益智遊戲魔術方塊的流行。
人工智慧視角下的人物攝影
這個立方體的姿態表明，即使有了精確且「客觀」的描述，人工智慧仍然可能誤解簡單的指令。因此，讓我們看看它在處理人工智慧生成的經典圖像描述方面表現如何，例如多蘿西婭·蘭格的《移民母親》。以下是原圖：
照片中，一位女子麵露憂色，目光躲閃著，看向別處。她的孩子們圍在她身邊，有的躲在角落，有的背對著鏡頭。她一隻手放在臉旁，流露出疲憊和痛苦。畫面暗示著貧困和艱辛。女子衣衫襤褸，整體構圖陰鬱，更凸顯了她所處的困境。
這是DALL-E對這幅著名照片的詮釋：
非常接近！但並不完全準確，因為DALL-E顯然省略了“她被孩子們包圍著，孩子們都躲在後面或轉過臉去。影片中，不是「母親」把手放在臉旁，而是其中一個孩子扮演了這個角色。
讓我們來嘗試一些更複雜的問題。你可能看過那張著名的照片「摩天大樓頂上的午餐」：
「11名男子坐在高高的鋼樑上吃午飯，雙腿懸空。鋼樑懸掛在一座綿延的城市上方。儘管身處極高的高度，這些男子卻顯得很放鬆。他們穿著工作服，而且拍攝角度略低，更突顯了高度感。”
這絕妙的主張帶來了絕妙的結果：
一旦你忽略了人工智慧生成圖像的經典特徵（相同的鍋碗瓢盆、複製的主題），這張圖的構圖和整體感覺就幾乎令人驚訝了。不過，這其實並不奇怪——這張圖不僅極為常見，而且還屬於公共領域，所以我隱隱懷疑DALL-E實際上是在訓練過程中重建了它的內容。
人工智慧能否處理複雜影像？
既然這是實驗的最終“測試”，那就得認真起來了！雖然人工智慧擅長處理人類影像，但在面對複雜且模糊的場景時，它往往會束手無策。那麼，阿波羅8號從月球軌道拍攝的著名「地球升起」照片又該如何處理呢？
「一個部分發光的球體懸掛在黑暗的空間中。一個較小的灰色球體從它的地平線上升起。較大的球體上呈現出藍色和白色的斑塊，分別代表水和雲。兩個球體與黑暗環境的鮮明對比，突顯了較小上升球體的脆弱和孤立。」
雙子座（或更確切地說，是那個球體）無法勝任這項描述。鑑於其高度抽象性，我在描述中添加了“從附近的月球軌道拍攝”的字樣，但這並沒有什麼幫助：
這是一張華麗而精緻的搖滾專輯封面，但它與《地球升起》毫無關係。為了完善這個實驗，我選擇了迄今為止最神秘的圖像——愛德華·韋斯頓的工業傑作《阿美鋼鐵》：
畫面中佈滿了圓形的工業金屬罐。它們造型光滑飽滿，形成重複的圖案。光線在罐體表面反射，凸顯它們的曲線，營造出立體感。構圖著重展現工業物品的抽象特質，強調形式與質感而非功能。畫面簡潔現代，光影效果運用得恰到好處。
這似乎是一個不錯的切入點；讓我們看看達爾-E是否同意我們的看法：
雖然我很欣賞其中的科幻元素，但這和原圖一點都不像。我不想讓實驗以災難性的方式結束，所以決定幫機器一把，在輸入內容的末尾加上「1920年代照片」這句話。
我當時的想法是，這個特定的字眼或許能幫助我更能理解我所指的圖像。可惜的是，Dall-E 又一次讓我失望了，他創作的又是一張前衛搖滾專輯封面：
這項實驗的結果很有意思，我們可以得出的結論是，人工智慧產生的圖像具有高度不可預測性，尤其是在處理更抽象的概念時。無論輸入的是人工智慧產生的準確影像，還是人類生成的不完美影像，結果都顯得隨機。
所以，下次當你試圖責怪自己和你的輸入方式時，請記住，即使兩個設備相互通信，結果也可能非常相似。
評論被關閉。