Nano Banana，OpenAI你學(xué)不會_Google|蘋果

文章圖片

文章圖片

【Nano Banana，OpenAI你學(xué)不會】

文章圖片

文章圖片

文章圖片

奧特曼向OpenAI的全體員工發(fā)了一封內(nèi)部信，他坦言道，雖然OpenAI仍處于領(lǐng)先地位，但是谷歌正在縮短差距。并奧特曼也承認(rèn) ，正是由于谷歌最近一系列的產(chǎn)品發(fā)布，為OpenAI帶來了不小的壓力。
事實(shí)也正如奧特曼所言，谷歌這次帶來的，除了贏得滿堂彩的Gemini 3 Pro ，還有讓整個(gè)AIGC圈震撼的Nano Banana Pro 。在此之前，所有生圖模型的底層邏輯都是臨摹世界。通過海量的數(shù)據(jù)庫，尋找最接近描述的圖，將其拼湊給你。
而Nano Banana Pro的出現(xiàn) ，則徹底打破了這個(gè)規(guī)則。它并不是在“畫圖” ，而是在“模擬物理世界” 。其最大的突破在于，引入了思維鏈（Chain of Thought）推理機(jī)制，先讓模型進(jìn)行思考，再去畫圖。
在落下第一個(gè)像素之前，模型會先在潛空間內(nèi)進(jìn)行邏輯推演，計(jì)算物體的數(shù)量、確定光影的投射角度、規(guī)劃空間嵌套關(guān)系。它不再依賴文本作為中轉(zhuǎn)站，推理結(jié)果直接以高維向量的形式指導(dǎo)像素生成。
那么問題來了，為什么OpenAI開發(fā)不出Nano Banana Pro？
01
在回答問題之前，不妨先看看Nano Banana Pro ，它和OpenAI現(xiàn)在生圖主要使用的GPT-4o到底有何區(qū)別。
以“三個(gè)蘋果”的生成任務(wù)為例，提示詞為：“左側(cè)蘋果帶有咬痕，中間蘋果附著水珠，右側(cè)蘋果呈現(xiàn)腐爛狀態(tài)” 。面對這一指令， GPT-4o通常會迅速生成一張色彩明艷、構(gòu)圖完美的圖像。
但在細(xì)節(jié)核驗(yàn)時(shí)往往暴露出概率生成的缺陷，中間蘋果上面的水珠其排布不符合客觀規(guī)律，而右邊蘋果的腐爛看起來又過于刻意。

相比之下， Nano Banana Pro輸出的圖像不僅數(shù)量精確，且每個(gè)對象的屬性都嚴(yán)格對應(yīng)——左側(cè)的缺口、中間的折射光感、右側(cè)的氧化紋理，均被精準(zhǔn)還原。

這種表象差異的背后，是兩條截然不同的技術(shù)路徑。
GPT-4o的生成機(jī)制本質(zhì)上基于統(tǒng)計(jì)學(xué)相關(guān)性，它在海量訓(xùn)練數(shù)據(jù)中檢索“蘋果+咬痕”的視覺特征，并通過概率分布進(jìn)行拼貼與融合。它并未真正理解“三個(gè)”的數(shù)量概念，也未構(gòu)建“腐爛”的物理模型，僅是根據(jù)高維空間中的特征距離進(jìn)行近似匹配。
而Nano Banana Pro引入了思維鏈(Chain-of-Thought CoT)機(jī)制，將圖像生成過程從單純的“像素預(yù)測”升級為“邏輯推演” 。在落下第一個(gè)像素前，模型內(nèi)部已完成了一輪符號化的規(guī)劃：首先確立實(shí)體對象(Object 1 2 3) ，隨即分配空間坐標(biāo) ，最后綁定物理屬性。
針對“咬痕” ，它推演的是幾何形態(tài)的改變；針對“水珠” ，它計(jì)算的是光學(xué)反射與折射的物理規(guī)律；針對“腐爛” ，它模擬的是材質(zhì)屬性的演變。這是一套從語義理解到邏輯規(guī)劃，再到執(zhí)行生成的全鏈路閉環(huán) 。
這種機(jī)制在處理涉及物理規(guī)律的復(fù)雜場景時(shí)優(yōu)勢尤為凸顯。
提示詞“窗臺上的半杯水，陽光從左側(cè)射入” 。
GPT-4o所生成的圖片，僅0具備視覺合理性，但在物理上自相矛盾的光影關(guān)系。此時(shí) ，窗臺左側(cè)應(yīng)存在由玻璃杯反射出來的陽光，但是圖片中僅存在右側(cè)折射出來的光線。

而具Nano Banana Pro會先行計(jì)算光源向量，推導(dǎo)陰影投射方向以及液體介質(zhì)的光線折射率。這種基于物理常識的推理，使得生成結(jié)果不再是視覺元素的堆砌，而是對物理世界的數(shù)字模擬。

更為深層的架構(gòu)差異在于， OpenAI目前的體系存在顯著的“文本信息瓶頸”(Text Information Bottleneck) 。在ChatGPT中調(diào)用繪圖功能時(shí) ，用戶的簡短指令往往會被GPT改寫為一段詳盡的Prompt ，再傳遞給圖片生成模型。
這一過程看似豐富了細(xì)節(jié) ，實(shí)則引入了噪聲。文本作為一維的線性信息載體，在描述三維空間關(guān)系、拓?fù)浣Y(jié)構(gòu)及復(fù)雜的物體屬性綁定時(shí) ，存在天然的低帶寬缺陷。改寫過程極易導(dǎo)致原始意圖中的關(guān)鍵約束被修飾性語言淹沒，造成信息的有損傳輸。
此外，漢字對于圖片生成大模型來說也是一個(gè)噩夢。 GPT-4o在很長時(shí)間里，寫字都是“亂碼生成器” ，甚至讓它寫“OpenAI” ，它都能寫成“OpanAl”或者一堆奇怪的符號。
我讓GPT-4o以字母榜LOGO為參考，生成一個(gè)字母榜的招牌。

但Nano Banana Pro實(shí)現(xiàn)了對文字的精準(zhǔn)控制。在同樣的提示詞下， Nano Banana Pro提取出了上方的字母榜，左右兩側(cè)的A和Z ，以及最下方的弧線，并將這些元素置于不同的圖層、不同的材質(zhì) 。

Nano Banana Pro則采用了原生多模態(tài)(Native Multimodal)架構(gòu) ，這是一種統(tǒng)一模型的解決方案。
用戶的輸入在模型內(nèi)部直接映射為包含語義、空間及物理屬性的高維向量，無需經(jīng)過“文本-圖像”的轉(zhuǎn)譯中介。這種端到端的映射關(guān)系，如同建筑師直接依據(jù)藍(lán)圖施工，而非依賴翻譯人員的口述傳達(dá) ，從而根除了中間環(huán)節(jié)的信息熵增。
但這也造成了另外一個(gè)問題，提示詞門檻被拉高了。我們回到一開始三個(gè)蘋果的提示詞上。
這是輸入給GPT-4o的提示詞，簡單易懂，就是在描述畫面構(gòu)成。

而這是給Nano Banana Pro的提示詞。看起來就像Python代碼一樣，通過函數(shù)和（）來控制生成的圖片。

在涉及計(jì)數(shù)、方位布局、多物體屬性綁定(Attribute Binding)等精確控制任務(wù)上， Nano Banana Pro表現(xiàn)出色。它能清晰區(qū)分不同對象的屬性歸屬，避免了擴(kuò)散模型常見的“屬性泄露”問題(如將紅杯子的顏色錯(cuò)誤渲染到藍(lán)杯子上) 。
當(dāng)然， GPT-4o依然保有其獨(dú)特的生態(tài)位。其優(yōu)勢在于推理速度與基于RLHF(人類反饋強(qiáng)化學(xué)習(xí))調(diào)優(yōu)后的審美直覺。
由于剝離了復(fù)雜的邏輯推理環(huán)節(jié) ，其生成效率更高，且更能迎合大眾對高飽和度、戲劇化光影的視覺偏好。對于追求視覺沖擊力而非邏輯嚴(yán)謹(jǐn)性的通用場景， GPT-4o依然是高效的選擇。
然而，當(dāng)需求從“好看”轉(zhuǎn)向“準(zhǔn)確” ，從“相關(guān)性”轉(zhuǎn)向“因果性” ， Nano Banana Pro所代表的“先思考、后執(zhí)行”模式便構(gòu)成了降維打擊。它犧牲了部分的生成速度與討好眼球的濾鏡感，換取了對物理邏輯的忠實(shí)還原。
02
橘生淮南則為橘，生于淮北則為枳。 Nano Banana Pro和GPT-4o之所以會有如此的差距，正是因?yàn)槠溟_發(fā)者，谷歌和OpenAI在AI這條路上，選擇兩種完全不同的發(fā)展方向。
谷歌選擇的是“原生多模態(tài)”這條路。
就是從模型訓(xùn)練的第一天起，文本、圖像、視頻、音頻就混在一起，扔進(jìn)同一個(gè)神經(jīng)網(wǎng)絡(luò)里讓它學(xué) 。在Gemini的眼里，一這些事物本質(zhì)上沒有區(qū)別，都是數(shù)據(jù) 。它不需要先把圖片翻譯成文字，再去理解文字。
這就像一個(gè)人從小就會說中文、英文、法文，這三種語言在他腦子里是同時(shí)存在的，他不需要先把英文翻譯成中文再思考。
而OpenAI走的是“模塊化拼接”這條路。
它的邏輯是，讓專業(yè)的人做專業(yè)的事。 GPT-5負(fù)責(zé)理解語言和邏輯推理， GPT-4o負(fù)責(zé)生成圖像， Whisper負(fù)責(zé)處理語音。
每個(gè)模塊都做得很好，然后通過API把它們連起來。這就像一個(gè)團(tuán)隊(duì) ，有文案、有設(shè)計(jì)師、有程序員，大家各司其職，通過開會和文檔來協(xié)作。
這兩種路線，沒有絕對的對錯(cuò) ，但會導(dǎo)致完全不同的結(jié)果。
谷歌最大的優(yōu)勢，來自于YouTube 。這是全世界最大的視頻庫，里面有幾十億小時(shí)的視頻內(nèi)容。這些視頻不是靜態(tài)的圖片，而是包含了時(shí)間序列、因果關(guān)系、物理變化的動態(tài)數(shù)據(jù) 。 Gemini從一開始就是“看這些視頻長大的” 。
換句話說， Gemini從誕生之初，就理解物理世界的基本運(yùn)行邏輯。杯子掉在地上會摔碎，水倒進(jìn)杯子里會形成液面。這些東西不是靠文字描述學(xué)來的，而是通過看真實(shí)世界的視頻，自己總結(jié)出來的。
所以當(dāng)你讓Nano Banana Pro畫“一個(gè)杯子從桌子上掉下來的瞬間” ，它不會畫出一個(gè)漂浮在空中、姿態(tài)僵硬的杯子。它會畫出杯子在下落過程中的傾斜角度，杯子里的水濺起來的形態(tài) ，甚至是杯子即將觸地時(shí)周圍空氣的擾動感。因?yàn)樗娺^太多這樣的場景，它知道真實(shí)世界是怎么運(yùn)作的。

除了YouTube ，谷歌還有另一個(gè)護(hù)城河：OCR 。谷歌做了幾十年的光學(xué)字符識別，從Books到Lens ，谷歌積累了全球最大的“圖片-文字”對齊數(shù)據(jù)庫。這直接導(dǎo)致了Gemini在文字渲染上的碾壓性優(yōu)勢。
它知道漢字在圖片里應(yīng)該長什么樣，知道不同字體、不同大小、不同排列方式下，文字應(yīng)該怎么呈現(xiàn) 。這也是為什么Nano Banana Pro能精準(zhǔn)識別漢字。
反觀OpenAI ，它的起家靠的是文本。從GPT-1到GPT-3再到GPT-5 ，它在語言模型上一路狂奔，確實(shí)做到了世界頂級。但視覺能力是后來才加上去的。
DALL-E早期是獨(dú)立發(fā)展的，訓(xùn)練數(shù)據(jù)主要來自網(wǎng)絡(luò)抓取的靜態(tài)圖片，來自Common Crawl這樣的數(shù)據(jù)集。這些圖片質(zhì)量參差不齊，而且都是靜態(tài)的，沒有時(shí)間維度，沒有物理過程，沒有因果關(guān)系。
所以DALL-E學(xué)到的，更多是“這個(gè)東西大概長這樣” ，而不是“這個(gè)東西為什么長這樣”或者“這個(gè)東西會怎么變化” 。它可以畫出一只很漂亮的貓，但它不理解貓的骨骼結(jié)構(gòu) ，不理解貓的肌肉如何運(yùn)動，不理解貓?jiān)谔S時(shí)身體會呈現(xiàn)什么姿態(tài) 。它只是見過很多貓的照片，然后學(xué)會了“貓長這樣” 。
更關(guān)鍵的是訓(xùn)練方式的差異。
正是因?yàn)镺penAI走的是RLHF路線。所以他們雇了大量的人類標(biāo)注員，給生成的圖片打分：“這張好看嗎？”“這張更符合要求嗎？”標(biāo)注員們在選擇的時(shí)候，自然而然會傾向于那些色彩鮮艷、構(gòu)圖完美、皮膚光滑、光影戲劇化的圖片。
這導(dǎo)致GPT-4o被訓(xùn)練成了一個(gè)“討好型人格”的畫家。它學(xué)會了怎么畫出讓人眼前一亮的圖，學(xué)會了怎么用高對比度和飽和色來抓住眼球，學(xué)會了怎么把皮膚修得像瓷器一樣光滑。但代價(jià)是，它犧牲了物理真實(shí)感。
GPT-4o生成的圖片，有一種很典型的“DALL-E濾鏡” 。皮膚像涂了蠟，物體表面特別光滑，光影過度戲劇化，整體感覺就是“一眼假” 。它不敢畫出皮膚上的毛孔，不敢畫出布料的褶皺，不敢畫出不完美的光照。因?yàn)樵谟?xùn)練過程中，那些帶有瑕疵的、粗糙的、不那么“美”的圖片，都被標(biāo)注員打了低分。
而谷歌沒有走這條路。 Gemini的訓(xùn)練更注重“真實(shí)”而不是“美” 。世界本就如此，它沒有書本里描繪的那么美。
03
那么谷歌又是如何追上OpenAI ，以至于讓奧特曼發(fā)內(nèi)部信來強(qiáng)調(diào)危機(jī)感的呢？
谷歌選擇在“準(zhǔn)確性”和“邏輯”上發(fā)力。谷歌將其稱為“Grounding” ，也就是“接地氣” ，也就是“真實(shí)性” 。
為了實(shí)現(xiàn)這個(gè)目標(biāo) ，谷歌把思考過程，引入了圖像生成過程。這個(gè)決策會大大增加計(jì)算成本，因?yàn)樵谏蓤D像的時(shí)候加入推理步驟，生成速度也就變慢了。但谷歌判斷這個(gè)代價(jià)是值得的，因?yàn)樗鼡Q來的是質(zhì)的提升。
當(dāng)你給Nano Banana Pro一個(gè)提示詞，比如“畫一個(gè)廚房，左邊是冰箱，右邊是灶臺，中間的桌子上放著三個(gè)碗” ，模型不會直接開始畫。它會先啟動思維鏈：
首先，識別場景類型：廚房。然后，識別對象：冰箱、灶臺、桌子、碗。接著，確定空間關(guān)系：冰箱在左，灶臺在右，桌子在中間。再確定數(shù)量：三個(gè)碗。然后推理物理邏輯：廚房里通常會有什么光源？桌子應(yīng)該離冰箱和灶臺多遠(yuǎn)才合理？三個(gè)碗應(yīng)該怎么排列？最后，確定視角和構(gòu)圖：從什么角度看這個(gè)場景最合適？
這一整套思考完成后，模型會在內(nèi)部生成一些“思考圖像” ，這些圖像用戶看不到的，但它們幫助模型理清了思路。最后，模型才開始生成真正的輸出圖像。
這個(gè)過程看起來復(fù)雜，但它解決了一個(gè)核心問題：讓模型“理解”而不是“猜測” 。
GPT-4o以及市面上絕大多數(shù)生成圖片的模型，都是靠概率猜， “用戶說廚房，那我就把我見過的廚房元素拼起來，大概就對了。 ”
而Nano Banana Pro則是真正去理解廚房這個(gè)概念：“用戶說廚房，廚房是用來洗菜做飯的，所以這個(gè)廚房需要滿足這些空間關(guān)系和物理邏輯，我要按照這個(gè)邏輯來構(gòu)建。 ”
反觀OpenAI ，它目前的策略是把最強(qiáng)的推理能力集中在o1系列模型上，也就是之前代號為Strawberry的項(xiàng)目。 o1在數(shù)學(xué)推理和代碼生成上確實(shí)很強(qiáng) ，它能解決一些人類數(shù)學(xué)家都覺得有挑戰(zhàn)的問題，能寫出復(fù)雜的算法代碼。
至于圖像生成， OpenAI的判斷是：目前GPT-4o的“直覺式”生成已經(jīng)足夠好了，足夠維持用戶體驗(yàn) ，足夠在市場上保持領(lǐng)先，并不需要繼續(xù)提升。
還有一個(gè)因素是產(chǎn)品理念的差異。 OpenAI一直強(qiáng)調(diào)的是PMF ，也就是Product-Market Fit ，產(chǎn)品市場契合度。它的策略是“快速迭代，快速驗(yàn)證” 。
DALL-E 3只要能通過提示詞和GPT-4拼起來用，那就先發(fā)布，先占領(lǐng)市場。后臺的架構(gòu)可以慢慢改，用戶看不見的地方可以慢慢優(yōu)化。
這個(gè)市場策略被稱為“膠水科技” ，其最大的弊端在于積累的技術(shù)債太多了。當(dāng)你一開始選擇了模塊化拼接的架構(gòu) ，后面想要改成原生多模態(tài) ，就不是簡單地加幾行代碼的問題了。這可能需要重新訓(xùn)練整個(gè)模型，需要重新設(shè)計(jì)數(shù)據(jù)管道，需要重新構(gòu)建工具鏈。
谷歌慢工出細(xì)活，可他們也有自己的難處。
原生多模態(tài)模型的維護(hù)成本也更高。如果你想提升圖像生成能力，就需要調(diào)整整個(gè)模型。這就是為什么， Nano Banana Pro只能伴隨著Gemini 3的更新，沒辦法自己單獨(dú)更新。
這種“按下葫蘆浮起瓢”的問題，在模塊化架構(gòu)里就不存在，因?yàn)楫?dāng)你你只需要優(yōu)化圖像生成模塊，根本不用擔(dān)心影響到文本模塊。
所以O(shè)penAI確實(shí)沒辦法訓(xùn)練出來Nano Banana Pro 。
然而這并不意味著谷歌可以高枕無憂了，因?yàn)锳I領(lǐng)域迭代速度太快了。我敢打賭，不出半個(gè)月，就會有一大幫生圖模型問世，直接對標(biāo)Nano Banana Pro 。

Nano Banana，OpenAI你學(xué)不會

推薦閱讀

Excel 自定義橫坐標(biāo)數(shù)值

蝦滑秋葵家常做法?

2000刀是多少人民幣

最美的安排楊玉的扮演者最美的安排楊玉是誰演的

《軒轅劍6》玩法曝光讓這個(gè)經(jīng)典登上更大的舞臺

色彩三要素色彩三要素有哪些

6年免檢的車輛是不是行駛證過期了怎么辦?

奶牛催乳措施

不悔夢歸處全詩的意思

車后門雙開款車都有什么意思后門雙開門的車有哪些

開個(gè)鹵肉飯店餐飲小白怎么開鹵肉店

國產(chǎn)電子管功放機(jī)排名,電子管功放機(jī)的優(yōu)缺點(diǎn)

華倫天奴vl7n鞋華倫天奴拖鞋怎么洗

美食大戰(zhàn)老鼠打萌寵帶什么,老鼠敢和貓咪大戰(zhàn)

棉籽絨是什么棉籽絨英文怎么說

微信如何解除限制微信如何解除限制收款