AI 绘画

AI 绘画是通过深度学习模型将文本描述转化为像素图像的技术，它已经从简单的图像生成演变为一种能够精准控制光影、构图且具备商业生产力的视觉创作流。到 2026 年 3 月，我们讨论 AI 绘画时，不再仅仅争论它是否是艺术，而是在讨论如何将扩散模型（Diffusion Models）与人类的审美直觉进行高精度的耦合。 很多初学者对 AI 绘画的认知还停留在输入几个单词然后抽卡，但讲真，这种随机性在商业环境下毫无意义。真正的 AI 绘画工作流是“控制力”的竞争。现在的核心矛盾在于，当生成门槛降低到几乎为零时，决定作品质量的不再是软件的操作熟练度，而是创作者对视觉语言的掌控力，比如对焦距、色温、材质表面物理特性（PBR）的专业描述能力。 我们要探讨 AI 绘画，就必须先拆解它的底层逻辑。目前主流的生成机制是基于潜在扩散模型（Latent Diffusion Model）。简单来说，模型在训练阶段学习如何将图像逐渐加入噪声直到变成纯随机噪声，而在生成阶段，它执行的是逆过程：从一片噪声中，根据文本提示词（Prompt）的引导，一步步剔除噪声，还原出符合描述的图像。这意味着 AI 并不是在“拼凑”已有的图片碎片，而是在概率分布的空间中寻找最符合描述的像素排列方式。 然而，这种概率性带来了巨大的不确定性。为了解决这个问题，ControlNet 成了现在的行业标准。它允许我们在生成图像之前，给 AI 提供一个“骨架”。比如，如果你想要一个人物在特定角度转身，你不能指望通过文字描述（如“侧身 45 度”）来精准实现，因为 AI 对空间几何的理解不稳定。你需要上传一张人体姿态图（OpenPose），强制要求 AI 按照这个骨架填充像素。这种从“随机生成”到“定向引导”的转变，才是 AI 绘画进入生产线的关键。 针对目前最主流的 Midjourney v7 和 Stable Diffusion 3.5 体系，我们给出一套可落地的专业实操指南。如果你想从零开始创作一张具有电影质感的商业海报，请严格执行以下步骤。 第一步：构建分层提示词矩阵（Prompt Matrix）。 不要直接写“一个赛博朋克风格的街道”，这种描述太模糊，会导致 AI 调用最平庸的训练样本。你需要将 Prompt 分为四个维度：主体（Subject）、环境（Environment）、光影/材质（Lighting/Material）和相机参数（Camera Settings）。 操作路径：在输入框中，先定义主体（例如：A weathered cyborg detective, wearing a worn leather trench coat），接着添加环境细节（rain-slicked neon streets of Tokyo 2077, holographic advertisements reflecting in puddles），然后定义光影（cinematic lighting, teal and orange color grading, rim light, volumetric fog），最后加入相机参数（shot on 35mm lens, f/1.8, depth of field, grainy film texture）。 可能遇到的问题：提示词权重冲突。如果图像中霓虹灯的光芒盖过了人物面部，你可以使用权重语法。在 Stable Diffusion 中，使用 (word:1.2) 来增强权重，或 [word] 来降低权重。在 Midjourney 中，使用 --no 参数排除不需要的元素（如 --no cartoon）。 预期结果：生成的图像将具备明确的视觉层级，而非一个模糊的氛围图。 第二步：利用 ControlNet 实现精准构图控制。 当你需要图像中的物体出现在精确位置时，单纯靠 Prompt 是不可能的。你需要安装 Stable Diffusion 的 WebUI 或 ComfyUI 插件，加载 ControlNet 模块。 操作路径：首先准备一张参考图（可以是简单的线条草图或照片）。在 ControlNet 面板中上传此图，选择对应的模型（如 Canny 边缘检测模型或 Depth 深度模型）。Canny 会提取图片的线条轮廓，强制 AI 在这些线条之内填充内容；Depth 则会分析场景的远近深浅，确保空间透视正确。设置控制权重（Control Weight）为 0.7-0.9 之间，预处理处理器选择 invproc Canny。 可能遇到的问题：生成结果过于死板，像是在照片上贴皮。解决方法是将 Control Net 的作用时间段（Ending Control Step）设置为 0.6 或 0.7。这意味着 AI 在生成前 60%-70% 的过程中遵循你的骨架，但在最后 30% 的时间里被允许自由发挥，从而增加图像的自然感和光影融合度。 预期结果：物体的位置、形状与你的参考图高度一致，且细节丰富。 第三步：局部重绘（Inpainting）与高分辨率修复。 AI 生成的图像经常会出现“六根手指”或眼睛不对称的问题。此时绝对不能重新生成，而应该使用局部重绘。 操作路径：进入 Inpainting 模式，用画笔将出错的区域（如手指）涂抹掉。在提示词中仅输入该部位的正确描述（例如：five fingers, detailed knuckles），并将“重绘幅度”（Denoising Strength）设置为 0.4-0.6 之间。如果数值太低，图像不会改变；如果太高，AI 会在该区域生成一个完全不相干的物体。 最后，由于模型原生分辨率有限，直接放大会出现模糊或伪影。此时需要使用 Tiled Diffusion 或 Ultimate SD Upscale 插件，将图像分成小块分别进行重绘放大，最后再缝合。将放大倍数设为 2x，重绘幅度设为 0.3。 预期结果：消除逻辑错误，获得一张 4K 或更高分辨率且细节锐利的成品图。 在工具选择上，我们需要在 Midjourney 和 Stable Diffusion 之间做选择。Midjourney 的核心优势是“审美预设”，它内置了极强的美学过滤，即使是小白也能出好看的图，月费通常在 10-60 美元之间，适用于快速出概念图、氛围图。而 Stable Diffusion 是开源的，完全免费且可本地部署，其核心优势是“极强的可控性”，通过 Lora 插件可以训练特定的人物或风格模型，适用于对细节要求极高的商业项目。 然而，AI 绘画并非万能。在 2026 年的今天，它依然存在明显的局限性。首先是文字处理能力，虽然最新模型已经能写对简单的单词，但在处理复杂排版或特定字体设计时，依然需要设计师在 Photoshop 中手动介入。其次是逻辑一致性（Consistency），在制作连环画或动画时，确保同一个角色在不同镜头中长相完全一致依然是一个挑战，尽管 Lora 训练能缓解这个问题，但无法完美解决。 最关键的是，AI 绘画不适合需要“绝对原创逻辑”的场景。AI 依赖于训练数据的概率分布，它擅长的是“平均值的极致”，而非“突破性的创新”。如果你需要一种从未在人类视觉历史中出现过的全新视觉语言，AI 可能会给你一个看起来很精致但毫无灵魂的折中方案。 回顾历史，AI 绘画引发的争议与 19 世纪摄影术的出现惊人地相似。当年绘画界认为摄影只是“捕捉光线的机器”，会杀死绘画。但事实是，摄影逼迫画家放弃了对“写实”的执念，从而催生了印象派和抽象派。现在的 AI 绘画也在强制视觉艺术家进化。当“画得像”不再是竞争力时，艺术家的核心价值将转移到：对叙事的定义能力、对情感的精准捕捉以及对整体视觉系统的架构能力。 值得关注的是，行业内已经出现了严重的“AI 伦理阵痛”。比如威世智（Wizards of the Coast）在某些出版物中被指在禁止 AI 绘画后依然使用了 AI 生成图像，或者像 Ilya Shkipin 等创作者通过 AI 生成后进行少量润色便署名。这种模糊地带导致了创作者与工具之间的权力博弈。我们认为，未来的趋势将是“透明化”，即在作品中强制标注 AI 参与的比例和环节。 对于想要进入这个领域的个体，我们的建议是：不要试图去成为一个“提示词工程师”，因为随着自然语言处理的进化，Prompt 将变得越来越简单，这个岗位会迅速消失。相反，你应该去学习传统的艺术基础——构图、色彩学、人体解剖和摄影光学。当你懂这些知识时，你才能在 AI 给出的 100 个选项中，一眼挑出那个真正具有高级感的一张，并知道如何通过调整参数让它变得完美。现在就开始尝试建立自己的局部重绘工作流，而不是依赖随机抽卡。