最近彻底被 AI 画图刷屏了，各种群里都是 gpt-image-2 生成的抖音直播截图，大家也纷纷分享自己生成的图。推特同样疯狂，刷新时间线几乎每次都有新爆款。我常用的社交平台几乎全军覆没。
无处可逃。
我刷了一会儿，脑子里突然闪过一个念头——Nano Banana 刚出现的时候、GPT-4o 原生生图带动的吉卜力风潮，那几天也是一片疯狂，案例满天飞。一波接一波。但 AI 生图究竟是如何一步步发展到今天的，我好像从未系统梳理过。
于是我决定把近几年的生成图模型梳一遍：StyleGAN、DALL·E、Stable Diffusion、Midjourney、Flux、GPT-4o 原生生图、Nano Banana、gpt-image-2。每一代模型的诞生背景、解决的痛点，梳理清楚后再写这篇文章。
我本身学设计出身，画过画，也做过建模，对 AI 生图的变化感受比普通人直接。
01. 从「画不出人脸」到「以假乱真」
AI 生图经历了三个技术阶段，每一阶段都是为了解决上一阶段的局限。
第一阶段：GAN 时代（2014-2021）
生成对抗网络（GAN）原理像两人对练：一个负责造假，一个负责鉴别真假。造假者不断改进，经过数百万次博弈，最终生成的图连鉴定师都辨不出。
这一时期最知名的是 2018 年英伟达的 StyleGAN。网站 thispersondoesnotexist 每刷新一次就生成一张不存在的人脸。GAN 的局限是明显的：它只能画训练过的类型。比如训练人脸，它只能画人脸。想让它画“穿宇航服的柴犬在月球喝咖啡”？不行。能力狭窄，像一个只会肖像画的画师。
第二阶段：Diffusion 时代（2021-2023）
2021 年 DALL·E、2022 年 DALL·E 2 是转折点。
DALL·E 1 可以根据文字生成图像，但画质低、像素小，画风稚嫩。不过它标志着AI 第一次能听懂文字描述画东西。扩散模型（Diffusion Model）原理是反向还原：先给图像加噪成一团杂点，再训练模型学会去噪生成清晰图。训练稳定，画质提升明显。
2022 年 Stable Diffusion 出现，实现了完全开源。任何人用消费级显卡都能生成高质量图像，推动了 ComfyUI、WebUI、ControlNet、LoRA 等生态发展。与此同时，Midjourney 在 Discord 社区走红，输出质量接近摄影级。
第三阶段：原生多模态时代（2023-2026）
扩散模型解决了画质和理解问题，但图像依旧有“AI 感”，文字渲染也不完美。
2023 年 DALL·E 3 集成 ChatGPT，理解能力大幅提升，文字可以准确渲染。
2024 年 Flux 使用 DiT 架构，将扩散模型与 Transformer 结合，文字渲染准确率提升至 88-92%。
真正的质变是 2025 年 GPT-4o 原生生图：文字和图像在同一个模型里生成，无需中间调用，边聊边生成图像，用户体验如同与画师互动。吉卜力风格潮流由此而起。
随后 Google 推出 Nano Banana 系列，重点在角色一致性和多图融合，可以保证同一角色在多场景中保持一致，适合插画、游戏立绘、系列视觉创作。
2026 年 gpt-image-2 增加 Thinking Mode，AI 会先“思考”构图、配色、文字位置再作图，文字准确率高达 99%，极大提高了效率。
总结三个阶段：
GANDiffusion原生多模态画得像画得多、稳、听得懂画得准、画得一致、可对话迭代
02. AI 能替代什么
目前 AI 替代的主要是执行层工作：写作、排版、文案初稿、海报文字、产品描述等。图片生成方面，证件照、修图、写真、详情页配图等标准化任务，AI 已能覆盖 80% 以上。
我个人用 AI 跑教育行业项目，一个月就完成一个全流程项目，实现收入 26,540 元。以前人工无法在短时间完成，现在一个人加一套工作流就能搞定。
可复制经验总结三点：
客户不会用 AI，你帮他交付，这是利润空间。
批量任务价值高，单张生成价值低。
理解行业规则和客户需求的人少，懂得优化输出的人更值钱。
AI 替代的是执行，但思考和决策仍需人类。
03. 工具变了，但需求没变
从毛笔、油画、铅笔、PS 到 AI，每一次工具变革都会引发恐慌，但消失的只是重复劳动，不是创作本身。
AI 已替代标准化、重复性的 80% 任务，剩下的 20% 才是核心价值：思考、判断、审美、创意。
同样一张高质量 AI 图，价值差别取决于使用者的思维与创意。
AI 只是工具，把你的想法放大百倍：想割韭菜，效率更高；想提升行业效率，也能事半功倍。
剩下的 20%，才是最值钱的。
