新智元報(bào)道

編輯：定慧 好困

【新智元導(dǎo)讀】谷歌最新圖像模型nano banana橫空出世，它不僅能融合多張圖片拼接出全新畫面，還能理解地理、建筑與物理結(jié)構(gòu)，甚至將二維地圖轉(zhuǎn)化為三維景觀。憑借Gemini的世界知識(shí)與交錯(cuò)生成技術(shù)，模型實(shí)現(xiàn)了「有記憶」的多輪創(chuàng)作，帶來極高一致性與創(chuàng)造力。nano banana正在重塑AI圖像生成的邊界，也引發(fā)了「AI創(chuàng)意伙伴」未來的無限遐想。

納尼(°ロ°)，怎么AI圈子突然就開始「納米香蕉革命」了。

谷歌沒想到自己發(fā)布了一個(gè)，直接就引爆了社區(qū)！

最近這個(gè)香蕉實(shí)在太火了，仿佛又回到幾個(gè)月前的OpenAI的「吉卜力熱」盛況。

圖片由nano banana生成，這個(gè)超人COS太贊了

但這次谷歌nano banana帶來了更多顛覆性的玩法，不像吉卜力只有一個(gè)生成風(fēng)格，估計(jì)谷歌都沒有想到網(wǎng)友們的創(chuàng)新力量太絕了。

比如你可以最多上傳13張圖片，然后讓nano banana合并起來。

你能相信上面的圖片是AI用下面這些「零件」組合起來的嗎？

按照谷歌的說法，這次nano banana不僅是一個(gè)圖像模型，而且具備Gemini強(qiáng)大的世界知識(shí)。

這讓nano banana的理解能力來到一個(gè)新的維度（文章后面有谷歌團(tuán)隊(duì)專訪，揭秘了模型背后的最新技術(shù)路線）。

既然可以拼接物理世界的物體，那是不是可以「拼接」人物動(dòng)作？

這不就是妥妥的分鏡嗎？然后網(wǎng)友繼續(xù)用海螺AI制作了如下短片。

感覺用AI拍電影也不是不可能啊！

由于nano banana擁有Gemini的世界知識(shí)，你只需上傳現(xiàn)實(shí)世界的截圖，就能讓它為你標(biāo)注內(nèi)容。

比如在畫面中標(biāo)注東京塔。

還可以標(biāo)注更多建筑。

左右滑動(dòng)查看

甚至使用機(jī)器人視角，勾勒人物輪廓，這不就是終結(jié)者視角嗎？賽博朋克味來了！

最神奇的是，nano banana可以從「二維地圖」看出「三維世界」。

網(wǎng)友們非常喜歡的用納米香蕉變換谷歌地圖「紅色箭頭看到了什么」.

比如從西邊這個(gè)角度看過去的金門大橋。

或者從東邊看過去的東京塔。

更神奇的是，納米香蕉似乎真的理解了地理中的等高線知識(shí)，可以從等高線直接繪制出真實(shí)地理地貌。

甚至以前讓我們頭痛的工程繪圖視角，都能輕松拿捏。

可以將任意一張圖渲染成上、下、左、右、前、后視圖。

甚至可以使用nano banana來給自己定制試衣服，任何元素都可以「穿在」身上。

不僅不用再穿衣服，連動(dòng)作都可以直接復(fù)刻。

X上網(wǎng)友@ZHO_ZHO_ZHO用人像+動(dòng)作框架就可以直接完成攝影棚級(jí)別的拍攝效果。

反過來也沒問題，可以從圖像中，提取現(xiàn)實(shí)建筑的物理結(jié)構(gòu)。

甚至，還可以「逆向」P圖，首先把原圖改為黑白色線框，然后再選擇自己喜歡的顏色，最后給圖片重新上色。

nano banana轉(zhuǎn)化線稿和上色非常的精準(zhǔn)

當(dāng)然，腦洞和整蠱是不可能缺席的。

比如讓奧特曼穿著衣服來玩鞍馬。

除了可以做出「新的」圖片，nano banana還能修復(fù)「老」照片。

補(bǔ)充破損、折痕，還能還原被時(shí)間抹去的清晰畫面。

由于納米香蕉nano banana實(shí)在太火了，甚至有網(wǎng)友表示，應(yīng)該給起名字的工程師加薪。

此前nano banana在LMArena上線后迅速風(fēng)靡。

最終盲測下，Gemini 2.5 Flash Image成績一騎絕塵。

谷歌這個(gè)nano banana明顯不同于之前的圖像模型，比如GPT-4o原生圖像模型，能力確實(shí)上了一個(gè)臺(tái)階。

納米香蕉背后是否有新的技術(shù)，新的體系引進(jìn)？

正好，谷歌DeepMind團(tuán)隊(duì)剛剛接受了采訪，講述了模型背后的故事。

「納米香蕉革命」

nano banana幕后首次公開

nano banana項(xiàng)目負(fù)責(zé)人和研究員接受DeepMind產(chǎn)品負(fù)責(zé)Logan Kilpatrick播客采訪，揭秘了模型背后的技術(shù)密碼：

• 模型可以訪問多模態(tài)上下文，然后生成圖像。所以模型可以選擇查看之前的圖像，并嘗試生成與之非常不同的東西。

• 交錯(cuò)生成的神奇之處在于，它為你提供了一種用于圖像生成的新范例……將復(fù)雜的提示分解成多個(gè)步驟，并在不同的步驟中逐一進(jìn)行編輯。

• 未來的發(fā)展方向是讓模型不僅能生成高質(zhì)量圖像，更能理解深層意圖……甚至超越用戶指令，提供更有創(chuàng)造性的結(jié)果，并確保內(nèi)容的真實(shí)性和準(zhǔn)確性。

在谷歌DeepMind的訪談現(xiàn)場，主持人Logan Kilpatrick成了新一代Gemini圖像模型的首位「受害者」。

產(chǎn)品經(jīng)理Nicole上傳了他的照片，然后向模型下達(dá)了一個(gè)看似無厘頭的指令：

「拉遠(yuǎn)鏡頭，給他穿上一套巨大的香蕉服，臉要露出來。」

短短幾秒后，結(jié)果呈現(xiàn)在屏幕上。

照片里的Logan依然是他，但身上卻天衣無縫地套著一件亮黃色的香蕉道具服，背景切換到了芝加哥的街景。

「太有趣了，」Logan驚嘆道，「這張照片是在芝加哥拍的，那條街實(shí)際上差不多就是那個(gè)樣子。」

「納米香蕉」是個(gè)什么梗

緊接著，Nicole又輸入了一個(gè)更神秘的指令：「把它變成nano風(fēng)格。」

「這是什么意思？」Logan一頭霧水。

屏幕上，一個(gè)穿著香蕉服的Q版Logan出現(xiàn)了，可愛又精致。

謎底揭曉：原來，「nano banana」（納米香蕉）是這款新模型在早期匿名測試平臺(tái)LMArena上使用的代號(hào)。

這個(gè)模型聰明到能理解這個(gè)「內(nèi)部梗」，并以極富創(chuàng)意的方式執(zhí)行了指令。

這種「聰明」的背后，是新模型最核心的技術(shù)——原生與交錯(cuò)式生成（Native and Interleaved Generation）。

對(duì)于傳統(tǒng)的圖像模型來說，每次編輯都像是一次「失憶」后的重新創(chuàng)作；相比之下，Gemini則像是一位「有記憶」的畫家。

也就是，當(dāng)Gemini進(jìn)行多輪創(chuàng)作時(shí)，一切都在模型的上下文中——它記得上一筆畫了什么，也理解對(duì)話的來龍去脈。

為了證明這一點(diǎn)，團(tuán)隊(duì)展示了另一個(gè)酷炫的例子：「把主體變成五種不同的1980年代美式商場風(fēng)?！?/p>

模型不僅在短短13秒內(nèi)生成了五張風(fēng)格各異但主角高度一致的照片，甚至還貼心地為每張圖起了「街機(jī)之王」、「酷蓋」、「泡商城達(dá)人」、「淡定哥」這樣充滿年代感的標(biāo)題。

左右滑動(dòng)查看

而且，這不僅對(duì)角色構(gòu)建有用，你也可以拍下自己房間的照片，讓它幫你設(shè)計(jì)五種不同的裝修風(fēng)格。

在谷歌內(nèi)部，已經(jīng)有很多人用它來重新設(shè)計(jì)自己的花園和房間了！

在推特「差評(píng)榜」上淬煉

有趣的是，如此強(qiáng)大的模型，竟然是在網(wǎng)友的各種吐槽中誕生的。

研究工程師Robert坦誠地回憶：「（2.0版本發(fā)布后）我們真的就坐在X（推特）上，一條條地看用戶的反饋和抱怨。」

比如「編輯后圖像風(fēng)格不統(tǒng)一」、「修改了不該改的地方」等等都會(huì)收集起來，并制作成一個(gè)專門的內(nèi)部評(píng)估基準(zhǔn)——一個(gè)名副其實(shí)的「推特差評(píng)榜」。

在訓(xùn)練過程中，有一個(gè)問題曾讓研究員Kaushik近乎「瘋狂」地執(zhí)著——文字渲染。

「我們曾經(jīng)在很長一段時(shí)間里對(duì)他置之不理，」Robert開玩笑說，「覺得這家伙有點(diǎn)瘋狂，對(duì)文字渲染也太執(zhí)著了?！?/p>

但Kaushik的堅(jiān)持，最終得到了證明。

具體來說就是，當(dāng)一個(gè)模型能精準(zhǔn)地渲染出文字的筆畫結(jié)構(gòu)時(shí)，它對(duì)整個(gè)圖像的宏觀與微觀結(jié)構(gòu)的理解力也會(huì)隨之躍升。

而這個(gè)曾經(jīng)被忽視的細(xì)節(jié)，最終也成了模型能力進(jìn)化的關(guān)鍵信號(hào)。

Gemini x Imagen秘密聯(lián)姻

那么，新模型是如何在「聰明」（遵循指令）和「好看」（圖像質(zhì)量）之間取得完美平衡的呢？

答案在于一次關(guān)鍵的內(nèi)部合作：Gemini團(tuán)隊(duì)與Imagen團(tuán)隊(duì)的強(qiáng)強(qiáng)聯(lián)合。

你可以把Gemini團(tuán)隊(duì)理解為模型的「大腦」，他們賦予模型世界知識(shí)、強(qiáng)大的邏輯推理和指令遵循能力。

而Imagen團(tuán)隊(duì)，則像是模型的「藝術(shù)總監(jiān)」，他們擁有「被磨練出的、極其敏銳的審美品味」。

對(duì)此，Kaushik分享了一個(gè)十分戲劇性的場景：「以前我們覺得一個(gè)編輯成功了，只要指令完成了就行。但I(xiàn)magen團(tuán)隊(duì)的同事看到后，會(huì)直截了當(dāng)?shù)赝虏壅f：這太糟糕了。你怎么會(huì)想讓模型做出這種東西來？！」

是的，團(tuán)隊(duì)里真的會(huì)有對(duì)美學(xué)非常敏感的成員，去仔細(xì)地審查成百上千張圖片，并且僅憑肉眼就能判斷出模型間的細(xì)微優(yōu)劣。

大家甚至開玩笑說，未來的目標(biāo)是根據(jù)他們的品味，訓(xùn)練一個(gè)「審美自動(dòng)評(píng)分器」。

一個(gè)比你更聰明的創(chuàng)意伙伴

最后，當(dāng)被問及未來時(shí)，團(tuán)隊(duì)的想象力被徹底打開。

Nicole的夢想，可以說是擊中了每一個(gè)PM的心：「我希望有一天，這個(gè)模型能直接為我制作一套看起來很棒的工作幻燈片。它不僅要好看，所有圖表和數(shù)據(jù)都必須是事實(shí)準(zhǔn)確（Factuality）的。」

而研究員Mostafa的愿景則更具哲學(xué)思辨，也更令人激動(dòng)。他期待的不僅僅是高質(zhì)量的圖像，而是一種全新的智能——「Smartness」。

「我期待這樣一種情況：我讓模型做一件事，它沒有完全遵循我的指令。但在看到結(jié)果后，我反而會(huì)說：我很高興它沒聽我的，這結(jié)果比我實(shí)際描述的還要好！」

在Mostafa看來，這并非模型的「失誤」或「意外」，而是一種更高層次的智能涌現(xiàn)。

當(dāng)AI的知識(shí)和視角超越用戶時(shí)，它不再是一個(gè)被動(dòng)的工具，而是一個(gè)能主動(dòng)提供更優(yōu)解的、比你更「聰明」的創(chuàng)意伙伴。

參考資料：

https://x.com/6xyzzxy1/status/1960736252661260294

https://x.com/Error_HTTP_404/status/1960405116701303294

https://x.com/tokumin/status/1960583251460022626

https://x.com/op7418/status/1960362278357987649

https://x.com/skirano/status/1960343968320737397

https://x.com/yachimat_manga/status/1960555945131696329

https://x.com/alex_prompter/status/1960773176264118429

https://x.com/bilawalsidhu/status/1960529167742853378