跳至内容
27 岁，没拼爹妈、没靠关系，靠自己搞定了人生第一张和世界首富的合照。
别误会，这可不是偶遇马斯克和黄仁勋，而是借助 GPT-4o，基于一段 Reddit 上爆火的提示词生成的。在这个「万物皆可生成」的时代，合照的门槛早已不是物理距离，而可能是一段能骗过你眼睛的 Prompt。
你或许已经在社交平台见过类似画风：平日里行踪低调的周杰伦，在全国各大地标前拍照打卡；马斯克、黄仁勋、奥特曼甚至爱因斯坦等人，也在国内各地景点「合影留念」。
甚至，你还能看到当下外卖大战打得火热的京东 CEO 刘强东和美团 CEO 王兴，纷纷合体「现身」上海外滩、广州塔等地，握手言和、笑容满面。
当生成式 AI 横扫社交平台，「眼见为实」这句话，恐怕也该加个问号了。
无奖竞猜，下图中，一张照片是我上班途中用 iPhone 7 随手拍摄的，另一张则是由 GPT-4o 根据同一段提示词生成的。请你猜猜，哪一张是 AI 生成的作品？
答案将在评论区揭晓，你猜对了吗？如果没有，也不用介意。如今 AI 图片的逼真程度，确实让人防不胜防，所以也真不怪 OpenAI 嚷嚷着要给 ChatGPT 图片要加水印了。
而这一切的起点，始于一位突发奇想的网友用一段极其「敷衍」的提示词让 GPT-4o 生成图片，结果反而炸出了一组「堪称真实摄影风格教程」的图像。
Prompt：An extremely unremarkable iPhone photo with no clear subject or framing—just a careless snapshot. It includes part of a sidewalk, the corner of a parked car, a hedge in the background or other misc elements. The photo has a touch of motion blur, and mildly overexposed from uneven sunlight. The angle is awkward, the composition nonexistent, and the overall effect is aggressively mediocre—like a photo taken by accident while pulling the phone out of a pocket.
（这是一张极其普通、毫无特色的 iPhone 照片，看不出明确的主题或构图——就像是随手一拍的快照。画面中可能包含一段人行道、一辆停着的车的车角、背景里的绿篱，或其他杂乱的元素。照片有些轻微的运动模糊，阳光不均导致曝光略微过度。拍摄角度显得尴尬，几乎没有构图可言，整体效果平平无奇——就像是不小心从口袋里掏手机时误按快门拍下的一张照片。）
刻意的不完美：模糊、过曝、角度尴尬、构图混乱，反而更贴近真实世界的样子，要是你对象给你拍成这样，免不了一顿挨骂，但让 GPT-4o 生成却是刚刚好。
随着这段提示词开始在 Reddit、X 等平台刷屏，脑洞大开的网友也在此基础上不断加料：比如加入人物、特定景点，自拍角度等等，最终形成一套「真实假照片」的制作公式。
请你画一张极其平凡无奇的 iPhone 自拍照，没有明确的主体或构图感–就像是随手一拍的快照。照片略带运动模糊，灯光不均导致轻微曝光过度。角度尴尬、构图混乱，整体呈现出一种刻意的平庸感-就像是从口袋里拿手机时不小心拍到的一张自拍。主角是「人物」，晚上，旁边是「景点」。
举个例子，下面这张阳光洒进屋里的照片，木地板的细节稍显破绽，但灰尘、绒毛、阳光洒下的斑驳过曝感，都营造出一种真实的自然氛围。
以至于用网友的调侃来说，「这张照片看起来像是我从我奶奶的老相机里翻出来的。」
除了在模拟物体（如风景、静物、街头场景）方面的效果尤为惊艳，比如生成的图像细节丰富、质感自然，足以以假乱真，这类提示词生成人像的水平也不容小觑。
再看这张女生躺在草地上闭目养神的照片，阳光温柔洒在脸上，闭目养神，神态松弛。如果没有前文的铺垫，你很难不相信这是朋友刚在林间草地上随手拍下的一张照片。
甚至在 GPT-4o 的加持下，你只需一句话，就能对图片「后期魔改」。原图上一秒只有一个女人，下一秒就能在她的身旁凭空出现一位穿着印有「我的妻子不知道我在这里」T 恤的丈夫。
模型倾向于生成训练数据中最常见、最「安全」的变体，自然而然就会导致某种程度的视觉同质化。网友发现用这段提示词生成汽车时，不指明品牌的情况下，生成的车几乎都长一个样，一眼看去毫无个性。
生成自拍女性图像时，如果没有设定特定身份、五官、服装，面部五官也常常「撞脸」。
只需这份提示词模板，GPT-4o 也能生成「拍不出来」的故事感？
细看上面这些照片，不难发现它们几乎拥有一种「修不出来」的故事感。而没有参数加持，也不靠后期修图，CCD 相机同样借此翻红。
前不久，「iPhone 5s 是 CCD 平替」的话题登上了热搜，也让这类审美趋势再次走进了大众视野。那么能否用 GPT-4o 生成更具 CCD 风格的照片？我们做了一些尝试，并总结出几条实用的小技巧：
使用名人形象，模型训练数据更丰富，还原度更高，更有真实感。
素人形象的一致性较弱，属于「像又不像」，细看总有点违和。
调整图片过程中，容易出现面部细节或背景元素的变形。
提示词中加入 CCD 相机型号，能增强图像对应的氛围与复古感。
[人物描述]，穿着[服装描述]，[姿势/动作]，[场景位置]，[光线描述]，[背景元素]，使用[CCD 相机型号]拍摄，开启闪光灯，人物[清晰/明亮]，背景[昏暗/模糊]，颗粒感，[色调描述]，[怀旧感/年代感]，[风格类型]
年轻女孩，长直发自然蓬松，穿浅灰色修身长袖T恤和深蓝色牛仔裤，坐在木质桌前，手持金属杯子用吸管喝饮料，佩戴银色戒指，姿势慵懒自然，眼神直视镜头，表情轻松，背景是简约暖色墙面和木质靠背，墙上有照片装饰，室内昏暗光线，使用 CCD 相机（Sony DSC-W630）拍摄，开启闪光灯，人物明亮，背景微暗，颗粒感，真实自然，生活化，复古随拍风格
图片人物，黑色蓬松短发，戴黑框圆眼镜，穿灰色连帽卫衣搭配红白格子衬衫和白色T 恤，背米色黑色拼接双肩包，站在城市街道边，轻松自然微笑，背景是黄昏时分的街道、行驶的车辆和高楼建筑，天空渐变为蓝色，环境偏暗，使用 CCD 相机（佳能 A650 IS）拍摄，闪光灯补光，人物明亮，背景自然昏暗，颗粒感，怀旧生活感，自然抓拍风格
图片人物，穿着白色短袖 T 恤和牛仔裤，背着黑色双肩背包，站在城市街道上，身体微微前倾，单手插兜，自然看向镜头，背景是车流和树荫大道，阳光透过树叶洒下，街道干净宽阔，使用佳能 ixus6 相机拍摄，开启闪光灯，人物明亮突出，背景动态模糊，颗粒感，真实自然，阳光少年感，日常街拍风
图片人物，身穿白色 T 恤和牛仔裤，在街头吹泡泡，泡泡在阳光下闪烁出彩虹光，表情专注又自然，街景模糊作为背景，CCD 风格（由 koda z700 拍摄），颗粒感，色调柔和偏暖，自然光
穿着校服的马斯克站在操场边，阳光斜照在脸上，头发随风微微飘起，CCD 风格（由 koda z700 拍摄），色调偏暖，颗粒感，胶片质感，像是 2005 年拍的校园照片
图片人物，身穿宽松毛衣站在岸边，背对镜头望向远方，身后是海上刚升起的太阳，整个画面被金色晨光包裹，CCD 风格（由佳能 A650 IS 拍摄），轻微过曝，高对比光影，复古颗粒感，情绪感强烈
图片人物，黄色连衣裙，白色长袜，草地野餐，阳光明媚，夏日氛围，毛绒玩具熊，森林背景，CCD 风格（由 Sony DSC-W630 拍摄），高曝光，自然光感，清新怀旧，复古颗粒感
年轻男孩，黑色短发，穿着深色毛衣，面朝镜头，站在湖边，夕阳西下，金橘色天空，平静水面和远山背景，温暖色调，使用 koda z700 拍摄，开启闪光灯，人物清晰明亮，背景昏暗，颗粒感，怀旧感，清新少年风，真实自然，随性抓拍
图片人物，背景是海滩和海面，停泊着小船，天空多云，户外露台场景，桌上有玻璃杯，傍晚光线昏暗，使用 CCD 相机（佳能 A650 IS）拍摄，开启闪光灯补光，人物明亮，背景自然，颗粒感，怀旧真实风格
图片人物，黑色短发，穿着深色毛衣，面朝镜头，站在湖边，夕阳西下，金橘色天空，平静水面和远山背景，温暖色调，使用 koda z700 拍摄，开启闪光灯，人物清晰明亮，背景昏暗，颗粒感，怀旧感，清新少年风，真实自然，随性抓拍
图片人物，黑色自然凌乱长发，穿浅灰色宽松T恤和深色短裤，坐在室内地板上，手持一瓶酒，神情放松，微微侧头，眼神自然，背景是堆满玩具、书籍、模型和音响的柜子，室内暖色光，使用富士 F710 拍摄，闪光灯直打，人物明亮清晰，背景微暗，颗粒感，自然色调，怀旧生活感，自然抓拍风格
早在 GPT-4o 用吉卜力风格刷屏那会儿，就有人发现它的另一种能力：生成假发票。
创投人士 Deedy Das 就演示了一套流程：用模型生成账单、发票，再叠加「污渍」「褶皱」等细节，最终生成效果堪比复古做旧工艺。
除了相册的参数可以作为真实图片的佐证，作为厂商的 OpenAI 也会为 GPT-4o 所生成的图片自动添加一种名为 C2PA 的元数据标准，虽然嵌入在图像像素层中，不会被肉眼察觉，但可以通过特定算法检测。
即便图像被截图、压缩或改变尺寸，水印依然可以被追踪识别。
诸如 Google、Adobe 也在积极推广数字水印技术，用于标记和验证 AI 生成内容。其目标是通过统一的水印和元数据标准，帮助用户区分 AI 生成内容与非 AI 生成内容。
或许，在未来，我们更该警惕的不是那些看起来「像 AI」的图片，而是那些看起来过于真实的瞬间。
而 GPT-4o 图片的这种「真实」，其实也源自于人类创作本身的「瑕疵」。
OpenAI 等公司在训练图像生成模型时，所依赖的数据大多采集自社交媒体、云相册或网络公开资源。这些图像原本就是我们日常生活的记录，光线、构图、设备参差不齐，失误和瑕疵也自然少不了。
通过学习这些「不完美」的样本，AI 也就掌握了如何模仿真实世界中常见的摄影瑕疵。比如动态模糊模拟了手抖或物体移动，过曝光则还原了常见的翻车名场面。
OpenAI 官方并没有公开 GPT-4o 生图的具体原理，只是淡淡提了一嘴「不同于基于扩散模型的 DALL・E，4o 图像生成是一个嵌入在 ChatGPT 中的自回归模型。」
相比传统「先模糊再去噪」的扩散模型，自回归模型的学习方式就像是「按顺序拼图」：它需要逐步地预测每一个图像片段，也就是一格像素、一块特征地猜接下来该是什么。
这种逐格构建的方式，使它非常依赖于局部上下文之间的合理性。
换句话说，如果模型看到「模糊+角度别 + 光线过曝」，它会自然联想到这可能是一次手抖的抓拍。于是它在接下来的区域里，也会接着模拟出相应的细节。
不是因为它「想画得逼真」，而是因为它学会了这类图通常就长这样。
我们要求 AI 模拟这些「缺陷」时，实际上也是在激活模型最熟悉、数据量最丰富的模式，最终，这种「真实感」就从语言层的描述，一笔一划、逐步落实到像素层的表达。
当然，具体实现的底层细节，还有待 OpenAI 进一步公开。
日本机器人专家森政弘（Masahiro Mori）在 1970 年提出了著名的「恐怖谷」理论：
当人造物（如机器人或 AI 图像）与人类的相似度接近某个临界点时，那些微妙的「不协调」会引发观者的生理不适与心理排斥感——它看起来「差不多像人」，却不够自然，从而让人觉得怪异。
而一旦这种相似度跨越「谷底」，达到几乎无法与真人区分的地步，观者的好感才会再次回升。
AI 图像的典型「破绽」（如奇怪的六根手指、不合逻辑的光影、重复的纹理）往往都是 AI 在生成图像时经常露馅的地方，一旦被看出来，就会让人瞬间出戏。
而反其道而行之，适当引入一些「人类特有的笨拙」，反而避开了早期生成图像常有的过于完美的违和感，也让 AI 图片显得更真实、更亲切。
或许，这也是 GPT-4o 在图像生成方面的一个转折点：它不再执着于技术意义上的「完美」，而是试图回到生活本真的模样，学会用一点点「出戏」，换来一种「入戏」的真实。
而技术越发达，我们也似乎越怀念那些带着瑕疵、却更真实的瞬间。
习惯了手机/相机拍出高清大片，像广告、像模板，但在影像无限趋于清晰的同时，是否那些不那么清楚、不那么完美的瞬间，才更接近生活本来的模样？
✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）
（文：APPSO）
