Nano Banana核心团队：图像生成质量几乎到顶了，下一步是让模型读懂用户的intention
Nano Banana核心团队：图像生成质量几乎到顶了，下一步是让模型读懂用户的intention
Nano Banana核心团队：图像生成质量几乎到顶了，下一步是让模型读懂用户的intention Nano Banana核心团队：图像生成质量几乎到顶了，下一步是让模型读懂用户的intention Modified September 22, 2025 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。 更多阅读 真实、残酷的 AI 就业冲击，从一篇极其精彩的哈佛论文聊起 时隔 7 年，Notion 发布 3.0 版本，全面进入 Agent 时代 Cursor 再次调价，Coding 产品的包月模式，真的搞不下去了 两份报告，两种 PMF：ChatGPT 跑通了 Copilot，Claude 验证了 Agent 2 亿美元 ARR，AI 语音赛道最会赚钱的公司，ElevenLabs 如何做到快速增长？ 转载原创文章请添加微信：founderparker 真实、残酷的 AI 就业冲击，从一篇极其精彩的哈佛论文聊起 时隔 7 年，Notion 发布 3.0 版本，全面进入 Agent 时代 Cursor 再次调价，Coding 产品的包月模式，真的搞不下去了 两份报告，两种 PMF：ChatGPT 跑通了 Copilot，Claude 验证了 Agent 2 亿美元 ARR，AI 语音赛道最会赚钱的公司，ElevenLabs 如何做到快速增长？ 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。 更多阅读 真实、残酷的 AI 就业冲击，从一篇极其精彩的哈佛论文聊起 真实、残酷的 AI 就业冲击，从一篇极其精彩的哈佛论文聊起 时隔 7 年，Notion 发布 3.0 版本，全面进入 Agent 时代 时隔 7 年，Notion 发布 3.0 版本，全面进入 Agent 时代 Cursor 再次调价，Coding 产品的包月模式，真的搞不下去了 Cursor 再次调价，Coding 产品的包月模式，真的搞不下去了 两份报告，两种 PMF：ChatGPT 跑通了 Copilot，Claude 验证了 Agent 两份报告，两种 PMF：ChatGPT 跑通了 Copilot，Claude 验证了 Agent 2 亿美元 ARR，AI 语音赛道最会赚钱的公司，ElevenLabs 如何做到快速增长？ 2 亿美元 ARR，AI 语音赛道最会赚钱的公司，ElevenLabs 如何做到快速增长？ 转载原创文章请添加微信：founderparker 🔗 原文链接： https://mp.weixin.qq.com/s/PKs5zmec... https://mp.weixin.qq.com/s/PKs5zmec... Founder Park Founder Park2025年09月22日 19:37 北京 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」