OpenAI的GPT-4o圖像生成功能引發(fā)了廣泛關(guān)注，其采用的自回歸技術(shù)與主流擴(kuò)散模型截然不同，可能預(yù)示著AI圖像生成領(lǐng)域的范式轉(zhuǎn)變。而這一技術(shù)路徑與字節(jié)跳動(dòng)前實(shí)習(xí)生田柯宇的研究成果高度相關(guān)，引發(fā)了關(guān)于技術(shù)歸屬和創(chuàng)新方向的討論。

想象一下，耗費(fèi)動(dòng)畫(huà)大師宮崎駿數(shù)十年心血、一幀一畫(huà)精雕細(xì)琢的藝術(shù)風(fēng)格——比如《起風(fēng)了》中耗時(shí)一年多的四秒人群場(chǎng)景，或是《幽靈公主》里那個(gè)生物鉆地鏡頭背后一年零七個(gè)月的 5300 幀手繪，如今，在GPT-4o手中，似乎變得“唾手可得”.

用戶們興奮地將個(gè)人照片、網(wǎng)絡(luò)梗圖甚至歷史影像紛紛“一鍵吉卜力化”，其效果之逼真、風(fēng)格之統(tǒng)一，迅速點(diǎn)燃了網(wǎng)絡(luò)。無(wú)數(shù)人的時(shí)間線都被塞入了宮崎駿的平行宇宙。OpenAI CEO Sam Altman透露，4o的圖像生成功能在一小時(shí)內(nèi)就吸引了百萬(wàn)新用戶。

但如果你認(rèn)為這僅僅是OpenAI用一個(gè)更強(qiáng)的模型替換了之前的DALL-E，那可能就忽視了全貌。有敏銳的網(wǎng)友指出：“這不僅僅是一次產(chǎn)品更新——這很可能是一個(gè)徹底的范式轉(zhuǎn)變。” OpenAI 似乎正在解決那些長(zhǎng)期困擾AI圖像生成過(guò)程中，讓創(chuàng)作者望而卻步的問(wèn)題。

那么，秘密武器是什么？OpenAI自己給出了線索：這次的圖像生成是直接內(nèi)置在GPT-4o模型中的，并且，與廣泛采用擴(kuò)散模型（Diffusion Models）的DALL-E、Midjourney、Stable Diffusion 不同，OpenAI在模型卡片中聲明：“與作為擴(kuò)散模型運(yùn)行的DALL·E不同，4o圖像生成是一個(gè)原生嵌入在ChatGPT中的自回歸模型”

值得注意的是，將自回歸思想應(yīng)用于圖像生成并非OpenAI的獨(dú)創(chuàng)。事實(shí)上，如何讓擅長(zhǎng)序列預(yù)測(cè)的自回歸模型在視覺(jué)領(lǐng)域發(fā)揮潛力，一直是AI研究者們?cè)噲D攻克的方向之一，意在尋找不同于主流擴(kuò)散模型的新范式。

例如此前獲得頂級(jí)學(xué)術(shù)會(huì)議NeurIPS 2024最佳論文獎(jiǎng)等《視覺(jué)自回歸建模：通過(guò)下一尺度預(yù)測(cè)實(shí)現(xiàn)可擴(kuò)展的圖像生成》（Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction）的研究，它不僅提出了一種創(chuàng)新的 VAR 方法，顯著提升了自回歸模型生成圖像的質(zhì)量和效率，更是在實(shí)驗(yàn)中首次證明了類(lèi) GPT 的純自回歸模型在圖像生成任務(wù)上，有潛力超越當(dāng)時(shí)頂尖的擴(kuò)散 Transformer 模型。

這篇論文由北京大學(xué)與字節(jié)跳動(dòng)的研究者共同完成。而為這篇技術(shù)含量極高的論文增添了更多話題性的，是其第一作者田柯宇的另一重身份——他正是那位因被指控惡意攻擊字節(jié)跳動(dòng)訓(xùn)練集群、面臨巨額索賠而備受關(guān)注的前字節(jié)實(shí)習(xí)生。

這位“含金量還在上升”的實(shí)習(xí)生，以一種意想不到的方式，與AI圖像生成的前沿探索交織在了一起。

01 自回歸的“復(fù)興”

GPT-4o 在圖像生成上的突破，關(guān)鍵之一在于其宣稱采用的自回歸技術(shù)（AR）路徑，這與主流的擴(kuò)散模型截然不同。理解這一差異，是把握這場(chǎng)潛在“范式轉(zhuǎn)變”的核心。

擴(kuò)散模型，如Midjourney和Stable Diffusion，其原理是從隨機(jī)噪聲出發(fā)，通過(guò)學(xué)習(xí)數(shù)據(jù)分布逐步去噪，最終生成圖像，強(qiáng)項(xiàng)在于生成高質(zhì)量、逼真的圖像，但在速度、計(jì)算成本以及精確理解復(fù)雜指令（尤其是文字渲染）方面常顯不足。

自回歸模型則借鑒了GPT處理文本的方式：按順序預(yù)測(cè)下一個(gè)元素。在圖像上，這意味著模型基于已生成的部分（如像素或圖像標(biāo)記），逐步構(gòu)建出完整圖像。理論上，這賦予了AR在上下文理解、細(xì)節(jié)控制和連貫性上的優(yōu)勢(shì)。然而，傳統(tǒng)AR方法存在效率低、易出錯(cuò)的問(wèn)題，長(zhǎng)期以來(lái)難以在效果上匹敵擴(kuò)散模型。

近年來(lái)，以 VAR（Visual Autoregressive Modeling）、掩碼自回歸建模（MAR）等研究，開(kāi)始為 AR “正名”。VAR提出的“下一尺度預(yù)測(cè)”（從粗到細(xì)生成）等創(chuàng)新，顯著提升了AR模型的圖像質(zhì)量和生成效率，證明了AR路徑不僅可行，甚至有潛力超越擴(kuò)散模型。VAR等研究可能為GPT-4o提供了理論啟發(fā)，而GPT-4o的實(shí)踐進(jìn)一步驗(yàn)證了自回歸模型在視覺(jué)生成中的可行性，讓 AR 在圖像生成領(lǐng)域迎來(lái)了“復(fù)興”的可能。

那么，GPT-4o 的圖像生成具體是如何運(yùn)作的？OpenAI強(qiáng)調(diào)其圖像功能原生集成于模型核心，而非獨(dú)立模塊。這意味著4o能充分利用其強(qiáng)大的語(yǔ)言理解和世界知識(shí)來(lái)指導(dǎo)圖像生成，實(shí)現(xiàn)前所未有的上下文理解和指令遵循能力——比如準(zhǔn)確畫(huà)出包含特定公式的白板。這種深度融合是 4o 效果出色的關(guān)鍵。

然而，一張流出的內(nèi)部白板圖（標(biāo)注了Transformer -> Diffusion流程）引發(fā)了對(duì)其“純粹”自回歸的質(zhì)疑，可能采用了混合架構(gòu)：即利用 AR 的理解能力生成中間表示，再結(jié)合 Diffusion 的像素生成優(yōu)勢(shì)輸出最終圖像。這種猜測(cè)認(rèn)為4o可能融合了兩條路線的優(yōu)點(diǎn)，以規(guī)避各自的短板。不過(guò)也不能排除是OpenAI在故意混淆事實(shí)。

由于沒(méi)有任何技術(shù)報(bào)告，其具體實(shí)現(xiàn)細(xì)節(jié)仍是謎團(tuán)，但OpenAI的戰(zhàn)略意圖清晰可見(jiàn)：一是將自回歸原則置于下一代多模態(tài)模型圖像生成的核心位置；二是依托其超大規(guī)模的模型為這一切提供算力和智能基礎(chǔ)。 無(wú)論最終的技術(shù)“配方”如何，GPT-4o 都已將自回歸推向了前沿，這很可能會(huì)改變AI圖像生成的未來(lái)發(fā)展方向。

02 中美溫差

GPT-4o圖像生成功的成功，引出了一個(gè)值得關(guān)注的現(xiàn)象：無(wú)論是語(yǔ)言模型還是視頻模型，中國(guó)的企業(yè)追趕迅速，但在尖端圖像生成上，似乎總是美國(guó)公司在前沿“獨(dú)奏”？無(wú)論是從Midjourney到Gemini Image再到4o，在中國(guó)似乎都看不到能與之“對(duì)標(biāo)”的企業(yè)或產(chǎn)品。

我們可以從技術(shù)和商業(yè)兩個(gè)視角來(lái)看待這種“溫差”。技術(shù)上，美國(guó)頂尖公司似乎更傾向于探索和押注如自回歸（AR）等可能帶來(lái)范式革命的新路徑，這或許得益于其在基礎(chǔ)研究上的長(zhǎng)期投入和對(duì)風(fēng)險(xiǎn)的更高容忍度。OpenAI在2020年就推出的自回歸圖像生成模型Image GPT，旨在將自然語(yǔ)言處理中的Transformer架構(gòu)應(yīng)用于圖像生成領(lǐng)域。

而國(guó)內(nèi)力量可能更集中于優(yōu)化成熟的Diffusion路線并快速落地應(yīng)用，這在追趕階段十分有效，但也可能帶來(lái)一定的路徑依賴。同時(shí)，頂尖模型所需的算力、高質(zhì)量數(shù)據(jù)和核心算法創(chuàng)新，本身就構(gòu)成了不低的壁壘。有觀點(diǎn)認(rèn)為， Diffusion模型可能已觸及瓶頸，亟待新的突破。

商業(yè)上，市場(chǎng)定位和變現(xiàn)模式也塑造了不同的發(fā)展方向。Midjourney、GPT-4o等似乎更瞄準(zhǔn)對(duì)效果要求極致的專(zhuān)業(yè)用戶或付費(fèi)意愿強(qiáng)的市場(chǎng)，追求打造“爆款”工具并直接收費(fèi)。

而中國(guó)龐大的應(yīng)用場(chǎng)景（電商、社交、營(yíng)銷(xiāo)等）或許更看重成本、效率和與現(xiàn)有生態(tài)的融合，促使技術(shù)發(fā)展更偏向工程優(yōu)化和平臺(tái)賦能，而非單一工具的極限探索。不同的資本偏好和生態(tài)整合策略也加劇了這種分野。

當(dāng)然，這并非說(shuō)中國(guó)在生圖領(lǐng)域毫無(wú)建樹(shù)。阿里巴巴、字節(jié)、DeepSeek等公司也在持續(xù)推出有競(jìng)爭(zhēng)力的模型。只是在全球“爆款”層面，暫時(shí)由美國(guó)公司領(lǐng)跑。

歸根結(jié)底，技術(shù)和商業(yè)的合力共同塑造了當(dāng)前的格局。隨著 GPT-4o可能引領(lǐng)的自回歸新浪潮，我們無(wú)疑等不及要看到這個(gè)方向的開(kāi)源進(jìn)展，或是中國(guó)企業(yè)的快速跟進(jìn)與實(shí)現(xiàn)了。