文 / 道哥

上線不到兩周，谷歌旗下的Nano Banana已在全球生產(chǎn)超2億張圖片，亞太地區(qū)用戶熱情度居首。

這個圖片編輯模型界的“新星”，上個月在全球人工智能社區(qū)里還是一個不知出處的神秘代號。在AI模型匿名對戰(zhàn)平臺LMArena上，它以驚人的表現(xiàn)迅速登頂排行榜，在處理復(fù)雜指令、保持角色連貫性和理解上下文細節(jié)方面的能力，輕松擊敗了包括OpenAI和Midjourney在內(nèi)的所有知名對手。一時間，關(guān)于“Nano Banana”究竟是何方神圣的猜測甚囂塵上。

謎底很快揭曉，谷歌正式宣布這匹黑馬正是其最新升級的圖像生成與編輯模型——Gemini 2.5 Flash Image，它作為一項重大更新被集成到了谷歌的AI應(yīng)用Gemini之中，由Google DeepMind提供技術(shù)支持。

《智百道》認為，“Nano Banana”的問世，并非僅僅是圖像模型的又一次迭代，它預(yù)示著谷歌正試圖將AI轉(zhuǎn)變?yōu)橐粋�深度嵌入工作流程的“創(chuàng)意協(xié)作者”，意在打破當(dāng)前市場上由Midjourney主導(dǎo)的藝術(shù)美學(xué)和由OpenAI主導(dǎo)的文本生產(chǎn)力工具之間的二元格局，開辟一條以“工作流”為核心的全新賽道。

01 重新定義“P圖”，像對話一樣編輯現(xiàn)實

傳統(tǒng)AI圖像工具的交互模式，往往是“一問一答”式的，用戶需要絞盡腦汁設(shè)計出完美的提示詞（prompt），模型則一次性生成結(jié)果。后續(xù)的修改，無論是通過Midjourney的“Vary”功能還是DALL-E的局部重繪，都感覺像是獨立的、離散的操作。

“Nano Banana”則引入了一種“創(chuàng)意伙伴”（creative partner）的新模式，用戶可以發(fā)起一個初始指令，然后通過連續(xù)的自然語言對話，對生成的圖像進行迭代式優(yōu)化。這種多輪編輯能力，使得AI能夠記憶上下文，理解用戶的連續(xù)意圖，從而實現(xiàn)漸進式的、精細化調(diào)整。

《智百道》嘗試讓模型生成一個“空蕩蕩的房間”，接著說“把墻壁刷成鵝黃色”，然后是“在墻邊加一個書架”，最后“放置吊燈、沙發(fā)和地毯”。在整個過程中，“Nano Banana”始終保持著對場景的整體認知，每一次修改都在前一次的基礎(chǔ)上進行，而不是推倒重來。

《智百道》認為，這種交互方式極大地降低了使用門檻，讓復(fù)雜的視覺構(gòu)想得以通過最自然的對話形式逐步實現(xiàn)。讓用戶的角色從一個“提示詞工程師”轉(zhuǎn)變?yōu)橐粋�真正的“創(chuàng)意總監(jiān)”，其價值不再僅僅是提出最初的構(gòu)想，更在于通過與AI的持續(xù)互動來打磨和完善最終的作品，也更貼近人類創(chuàng)作者的自然思維過程。

對話式體驗的背后，建立在模型的四大核心技術(shù)之上，它們共同構(gòu)成了“Nano Banana”顛覆性的能力矩陣。

首先是角色與風(fēng)格一致性，之前的模型很難在多張圖片中保持同一個角色的面部特征、服裝或特定風(fēng)格�！癗ano Banana”在這一點上取得了突破，能夠確保一個人物、寵物甚至是一個品牌產(chǎn)品，在不同的場景、姿態(tài)和服裝下，依然保持其核心外觀的連貫性。

其次是多圖像融合，該功能允許用戶上傳多張不同的圖片，讓模型理解并將其中的元素、主體或風(fēng)格無縫地融合到一個全新的、邏輯自洽的場景中。

第三是精準的局部編輯，用戶無需使用復(fù)雜的選區(qū)或蒙版工具，只需通過簡單的文字描述，就能對圖像的特定區(qū)域進行修改。無論是“移除T恤上的污漬”、“模糊照片的背景”，還是“改變?nèi)宋锏淖藙荨�，模型都能精準定位并�?zhí)行操作，同時保持圖像其他部分的完整性和協(xié)調(diào)性。

最后是設(shè)計與風(fēng)格遷移，模型能夠從一張圖片中提取顏色、紋理或圖案等設(shè)計元素，并將其應(yīng)用到另一張圖片中的對象上。谷歌官方演示的例子包括“用花瓣的顏色和紋理設(shè)計一雙雨靴”，或是“用蝴蝶翅膀的圖案設(shè)計一條連衣裙”，展現(xiàn)了其在跨概念創(chuàng)意組合方面的潛力。

正如一些科技媒體所評論的，“Nano Banana”正在成為“每個人的Photoshop”。它將過去需要數(shù)年學(xué)習(xí)才能掌握的專業(yè)圖像處理技術(shù)，轉(zhuǎn)化為普通人通過日常語言就能使用的工具。對于廣大普通用戶而言，這意味著他們可以輕松地為社交媒體創(chuàng)作更具個性化的內(nèi)容，為個人項目制作獨特的視覺材料，或者僅僅是為了娛樂而實現(xiàn)各種天馬行空的想象。

對于平面設(shè)計師、插畫師和視覺藝術(shù)家等專業(yè)創(chuàng)作者而言，“Nano Banana”可以把他們從大量重復(fù)、繁瑣的執(zhí)行性任務(wù)中解放出來。比如，為一個廣告活動制作15個尺寸略有不同的版本，或者為一系列產(chǎn)品圖更換不同的背景，這些過去耗時耗力的工作現(xiàn)在可以交由AI自動完成。這使得專業(yè)人士能將更多精力投入到更高層次的品牌戰(zhàn)略、復(fù)雜的版式設(shè)計以及決定作品優(yōu)劣的最終細節(jié)打磨上。

該模型也很快被專業(yè)人士買單，全球最大的廣告?zhèn)鞑ゼ瘓FWPP的全球創(chuàng)意與創(chuàng)新主管Daniel Barak指出，該模型在零售業(yè)和消費品行業(yè)中展現(xiàn)了強大的應(yīng)用范例，并計劃將其整合到WPP的AI營銷服務(wù)平臺WPP Open中。

02 谷歌做對了什么？

在正式揭曉身份之前，“Nano Banana”已經(jīng)在匿名的LMArena對戰(zhàn)平臺上證明了自己。它在人類偏好測試中，尤其是在圖像編輯任務(wù)上，以高達1362的Elo分數(shù)高居榜首，顯著領(lǐng)先于競爭對手。

除了模型本身的技術(shù)創(chuàng)新，谷歌還巧妙地利用了其龐大的生態(tài)系統(tǒng)優(yōu)勢�！癗ano Banana”繼承了Gemini大模型的“原生世界知識”，這意味著它不僅僅是一個圖像生成器，更是一個具備常識和推理能力的系統(tǒng)。它能夠理解和生成具有深層語義準確性的圖像，例如，它可以讀懂手繪的圖表并回答相關(guān)問題，或者根據(jù)用戶所在的地理位置，生成符合當(dāng)?shù)匚幕?xí)慣的圖片。

在商業(yè)策略上，谷歌采取了極具競爭力的定價，通過API調(diào)用，每生成一張圖片的成本約為0.039美元，低價策略極大地降低了開發(fā)者和企業(yè)進行大規(guī)模、高頻次圖像生成的門檻。《智百道》認為，這是一種典型的平臺戰(zhàn)略，旨在通過價格優(yōu)勢快速搶占市場份額，鼓勵開發(fā)者圍繞其API構(gòu)建應(yīng)用生態(tài)。

谷歌的戰(zhàn)略也清晰可見，它并非要在所有維度上都做到極致。Midjourney在藝術(shù)美學(xué)上依然是王者，而OpenAI則憑借其龐大的ChatGPT用戶基礎(chǔ)在通用性上占優(yōu)。谷歌選擇的突破口是工作流，通過打造一款在專業(yè)人士最常遇到的80%任務(wù)（如保持一致性、反復(fù)修改、快速出圖）上表現(xiàn)卓越、且成本低廉的工具，它精準地切入了對實用性和集成度要求極高的企業(yè)級市場。

這是一種典型的用“更好用、更便宜”的產(chǎn)品來滿足主流市場需求的策略，即便它在某些頂尖的藝術(shù)性指標上并非最佳，但其在商業(yè)應(yīng)用上的綜合價值卻可能更高。

03 香蕉的“另一面”，不完美現(xiàn)實與未解的倫理題

盡管“Nano Banana”在功能和理念上帶來了諸多突破，但它遠非完美，用戶的實際體驗和深入的審視揭示了其在技術(shù)層面的一系列短板。

首先是分辨率和細節(jié)的損失。科技媒體CNET的評測指出，該模型在處理用戶上傳的高質(zhì)量照片后，輸出的圖像分辨率常常會降低，導(dǎo)致原始照片中的精細細節(jié)變得模糊。這對于追求畫質(zhì)的攝影師和專業(yè)設(shè)計師來說，是一個難以接受的硬傷。

其次是僵化的格式限制，目前，該模型強制輸出正方形（1:1）的圖像，并且會忽略用戶提出的更改寬高比的指令。這一限制極大地束縛了其在不同媒介上的應(yīng)用。盡管一些高級用戶已經(jīng)找到了通過特定指令“欺騙”模型輸出不同比例圖像的“黑客”方法，但這無疑增加了使用成本和不確定性。

此外，其性能并不穩(wěn)定，在某些看似簡單的任務(wù)上，如移除玻璃上的反光，模型可能會反復(fù)失敗，并且每一次嘗試都可能進一步降低圖像質(zhì)量，甚至扭曲畫面中的人臉。一些Reddit用戶甚至抱怨，公開發(fā)布的版本感覺比之前在LMArena上測試的匿名版本性能有所下降，在一致性和指令遵循方面打了折扣。

值得注意的是，為了避免陷入安全與倫理性爭議，新版的“Nano Banana”似乎走向了另一個極端：過度審查。大量用戶反映，模型內(nèi)置了極其嚴格的安全過濾器，常常會拒絕執(zhí)行完全無害、符合社區(qū)規(guī)范的指令。這種“寧可錯殺一千，不可放過一個”的策略，雖然在一定程度上避免了政治不正確的風(fēng)險，

此外，所有由“Nano Banana”生成或編輯的圖像，都會被打上可見的水印和一種名為SynthID的不可見數(shù)字水印。這項由Google DeepMind開發(fā)的技術(shù)，旨在從源頭上明確內(nèi)容的AI生成屬性，以幫助對抗虛假信息和惡意濫用。

近期，谷歌也公布了Gemini各層級服務(wù)的具體使用限制，免費用戶每天可生成100張圖片，Google AI Pro訂閱用戶每天可生成1000張圖片，Google AI Ultra訂閱用戶每天同樣可生成1000張圖片，但享有其他Gemini功能的更高配額。

“Nano Banana”的發(fā)布，也帶來了一個關(guān)于未來的深刻問題：這究竟是標志著人機交互進入新紀元的“iPhone時刻”，還是科技巨頭之間又一輪愈演愈烈的軍備競賽？

《智百道》認為，從核心貢獻來看，它的真正突破在于將視覺創(chuàng)作的交互范式從“編寫指令”轉(zhuǎn)向了“進行對話”。這種以工作流為中心、強調(diào)迭代和精煉的模式，無疑比以往任何工具都更貼近人類的自然創(chuàng)作思維。就像iPhone的多點觸控技術(shù)讓復(fù)雜的計算變得直觀易用一樣，“Nano Banana”的對話式編輯也極大地降低了高級視覺創(chuàng)作的門檻，改變了人與AI之間的協(xié)作關(guān)系。

然而，也必須把這一創(chuàng)新置于生成式AI領(lǐng)域白熱化的競爭格局中。谷歌憑借“Nano Banana”在圖像編輯和工作流整合上扳回一城，但其競爭對手并未停歇，OpenAI正繼續(xù)將其圖像能力深度整合進ChatGPT龐大的生態(tài)系統(tǒng)，而Midjourney在藝術(shù)風(fēng)格化的賽道上依舊一騎絕塵。

“Nano Banana”的長期意義或許并不在于它是否是當(dāng)前“最好”的模型，而在于它所代表的戰(zhàn)略方向——將AI作為一種無縫、直觀、深度嵌入日常工作流程的協(xié)作工具。這場風(fēng)暴過后，創(chuàng)意產(chǎn)業(yè)的圖景已然改變。它加速了創(chuàng)意的民主化進程，重塑了專業(yè)人士的角色定位。

谷歌的“香蕉”可能不是戰(zhàn)爭的終點，但它無疑是改變了戰(zhàn)場規(guī)則的那顆信號彈，創(chuàng)意工作者與AI“副駕駛”共生的時代，已經(jīng)到來。

*題圖由AI生成