編輯｜聽雨

最近Nano Banana2現(xiàn)身第三方平臺(tái)Media IO，一出手就技驚四座。

已經(jīng)有手快的網(wǎng)友迫不及待地體驗(yàn)了最新版，以下是Nano Banana2的一些杰作——

可以按照提示更改顏色和翻譯：

Image

可以根據(jù)模擬圖像生成真實(shí)場(chǎng)景：

Image

可以把一個(gè)玩具拆成一堆零件：

Image

甚至可以解一道數(shù)學(xué)題：

圖片

你可能會(huì)為Banana2精確的文本渲染、超逼真的場(chǎng)景以及手解數(shù)學(xué)題的推理泛化能力而嘖嘖稱奇，那么Nano Banana到底是怎么來的？

就在十幾個(gè)小時(shí)前，紅杉資本對(duì)話了 Nano Banana 的產(chǎn)品與工程負(fù)責(zé)人Nicole Brichtova 和 Hansa Srinivasan，他們分享了這款模型的誕生故事，他們?nèi)绾斡?xùn)練角色一致性以及產(chǎn)品的下一步走向。

圖片

節(jié)目中有許多有趣的細(xì)節(jié)。大家都知道，對(duì)于視覺模型來說，最重要的是角色一致性，為了確保這一點(diǎn)，Nano Banana的團(tuán)隊(duì)成員會(huì)用自己的臉來評(píng)測(cè)模型，并且結(jié)合了人工評(píng)估、“目測(cè)”（eyeballing），以及社區(qū)測(cè)試來量化評(píng)估指標(biāo)。

不過，Nano Banana的獨(dú)家秘方還是基于 Gemini 的多模態(tài)基礎(chǔ)模型，它的泛化能力極強(qiáng)。

此外，谷歌發(fā)現(xiàn)希望AI太依賴提示詞工程，門檻高、體驗(yàn)差。因此他們想讓AI理解用戶意圖，不需要寫長(zhǎng)提示詞，這也是Nano Banana的下一步方向。

谷歌Labs副總裁Josh Woodward也表達(dá)過類似觀點(diǎn)。他認(rèn)為"提示詞已經(jīng)是老派做法了"；AI產(chǎn)品開發(fā)者還有個(gè)常見的坑是過度聚焦于聊天界面，"到處都是Chatbot，谷歌也不例外。還有就是很多產(chǎn)品在想辦法'硬塞'AI進(jìn)去。"

最后，兩位負(fù)責(zé)人也分享了有哪些方向是谷歌不會(huì)做、AI創(chuàng)業(yè)公司可以切入的。小編節(jié)選整理了播客實(shí)錄，對(duì)Nano Banana感興趣的朋友不要錯(cuò)過。

1.用自己的臉來評(píng)測(cè)模型

主持人：在開發(fā)過程中，有沒有一個(gè)“啊哈”時(shí)刻讓你們意識(shí)到，這東西真的行了？

Hansa：這個(gè)問題問得好，我們剛聊到。其實(shí)是 Nicole 先有的那個(gè)“啊哈”時(shí)刻。

Nicole：是的。我們內(nèi)部有個(gè)調(diào)試平臺(tái)，大家會(huì)邊開發(fā)邊試。我有次上傳了一張自己的照片，隨手輸入提示：“讓我在紅毯上?！苯Y(jié)果生成的圖真的像我本人！我去對(duì)比了之前的模型，沒有一個(gè)能做到這種真實(shí)感。那一刻我非常激動(dòng)。過了幾周，其他同事也開始試自己的照片，才真正體會(huì)到那種“魔法般”的感覺，能在 AI 世界中看到自己。很多人開始用它生成3D 小人模型，把自己變成游戲或玩具角色。那種自我表達(dá)的樂趣太棒了。那一刻我就知道，這東西真的不一樣。

主持人：那為什么 Nano Banana 在這方面比其他模型好那么多？

Nicole：簡(jiǎn)單說：因?yàn)樗娴目雌饋硐裎?/span>。要判斷角色一致性其實(shí)很難——你不認(rèn)識(shí)的人，即便生成得不太像，你也可能覺得可以。但只有當(dāng)生成的是你自己，才知道差異。

所以我們后來讓很多團(tuán)隊(duì)成員都用自己的臉來評(píng)測(cè)模型。

Hansa：是的，只有熟悉的臉才能準(zhǔn)確評(píng)判。角色一致性看似簡(jiǎn)單，但技術(shù)上非常難，這也是為什么很多模型做不到。

主持人：我想角色一致性并不是規(guī)模的自然產(chǎn)物。那你們是怎么實(shí)現(xiàn)的？一開始就是目標(biāo)嗎？

Nicole：是的，從一開始我們就知道過去模型在一致性上有缺陷。無論是專業(yè)圖像編輯還是廣告行業(yè)，大家都需要模型在修改時(shí)保持不變的部分。比如廣告客戶要求產(chǎn)品必須“100%一致”，否則無法投放。所以我們明確知道市場(chǎng)需求、技術(shù)缺口，并且覺得這次在模型架構(gòu)和數(shù)據(jù)上都有了合適的“配方”。真正讓我們驚訝的，是模型最終達(dá)到了超出預(yù)期的效果。

主持人：那這種“確實(shí)像我”的體驗(yàn)之外，你們有沒有能量化評(píng)估的指標(biāo)？

Hansa：角色一致性很難用自動(dòng)化指標(biāo)評(píng)估，所以人工評(píng)估極其關(guān)鍵。我們有專門的團(tuán)隊(duì)為評(píng)估建立流程和工具，用人工打分來捕捉那些細(xì)微的視覺和美學(xué)差異。

Nicole：我們結(jié)合了人工評(píng)估、“目測(cè)”（eyeballing），以及社區(qū)測(cè)試。比如我們會(huì)讓 Google DeepMind 的藝術(shù)家、甚至高管都親自試玩模型。這些反饋比單純的量化指標(biāo)更有價(jià)值。你可以說模型在指標(biāo)上提升了 10%，但只有當(dāng)用戶能說“我終于能修復(fù)兒時(shí)那張破損的家庭照”時(shí)，才真正說明模型有了情感價(jià)值。

Hansa：確實(shí)如此。視覺 AI 的主觀性比邏輯或數(shù)學(xué)推理強(qiáng)得多，這就是為什么人工評(píng)估在這里不可或缺。

主持人：僅憑一張二維照片實(shí)現(xiàn)這種一致性太難了。能說說關(guān)鍵突破是什么嗎？

Hansa：核心在于高質(zhì)量的數(shù)據(jù)和模型的泛化能力。Nano Banana 基于 Gemini 的多模態(tài)基礎(chǔ)模型，它的泛化能力極強(qiáng)，這其實(shí)就是秘訣所在。

Nicole：另外，Gemini 的長(zhǎng)上下文窗口也很關(guān)鍵。它允許你提供多張圖像，或在對(duì)話中多輪交互。一兩年前，我們要微調(diào)十張你的照片，花二十分鐘才能出像樣結(jié)果——這在主流中根本行不通?，F(xiàn)在只需一張圖和幾輪交互就能做到，這要?dú)w功于模型結(jié)構(gòu)、數(shù)據(jù)關(guān)注度、以及團(tuán)隊(duì)成員對(duì)細(xì)節(jié)的執(zhí)著。

Hansa：沒錯(cuò)，不是靠“喂更多數(shù)據(jù)”，而是靠對(duì)細(xì)節(jié)與數(shù)據(jù)質(zhì)量的極致追求。

Nicole：這就是“AI 工藝（the craft of AI）”，我們很少談，但它至關(guān)重要。

主持人：你們是先確定目標(biāo)用戶/場(chǎng)景再構(gòu)建模型，還是先造出能力再去匹配場(chǎng)景？

Nicole：兩者兼有。比如我們會(huì)先定下能力目標(biāo)（如推理速度），然后思考目標(biāo)用戶。Nano Banana 從一開始就定位為“對(duì)話式圖像編輯器”，必須足夠快速才能實(shí)現(xiàn)交互式體驗(yàn)。因此它天然偏向消費(fèi)者場(chǎng)景，但其能力也被企業(yè)和開發(fā)者采用。

Hansa：和我們之前的 Imagine 系列相比，Nano Banana更強(qiáng)調(diào)泛化能力。比如現(xiàn)在用戶甚至可以輸入手繪數(shù)學(xué)題，讓模型可視化地求解角度——這是從強(qiáng)大泛化中自然涌現(xiàn)的能力。

2.Nano Banana起名純屬意外

主持人：“Nano Banana” 這個(gè)名字太獨(dú)特了，是靈光一現(xiàn)還是精心設(shè)計(jì)？

Hansa：完全是個(gè)意外的奇跡。當(dāng)時(shí)模型準(zhǔn)備上線 internal LM eval（內(nèi)部模型對(duì)比平臺(tái)），要起個(gè)代號(hào)。那天是凌晨?jī)牲c(diǎn)，項(xiàng)目經(jīng)理被問“快起個(gè)名字”，她太困了，就隨口說出了“Nano Banana”。

Nicole：不是我起的，是我團(tuán)隊(duì)里另一位 PM 的杰作。這個(gè)名字太棒了——簡(jiǎn)單、有趣、好念、還有表情符號(hào)，完美的品牌記憶點(diǎn)，而且她沒有過度思考這件事。

最棒的是，當(dāng)它上線后，所有人都立刻接受了它。我覺得這就是那種非?！癎oogle 式”的、自然有機(jī)的感覺，結(jié)果看起來就像是一場(chǎng)精妙的營(yíng)銷創(chuàng)意。但其實(shí)，這完全是一個(gè)“幸福的意外”，它就是莫名其妙地成功了，人們很喜歡它。所以我們就順勢(shì)而為——現(xiàn)在你打開 Gemini 應(yīng)用，里面到處都是香蕉。我們之所以這么做，是因?yàn)楹芏嘤脩舯г顾麄冊(cè)谶M(jìn)入應(yīng)用后很難找到那個(gè)模型。

Hansa：是啊，我們只是讓它更容易找到。其實(shí)外界很多人都在說：“Nano Banana，Nano Banana，我該怎么用 Nano Banana？”我甚至有個(gè) Google 同事問我：“我怎么用 Nano Banana？”我就說：“它就在 Gemini 里啊，你只要請(qǐng)求一張圖片就行了?！蔽矣X得這也是 Google 一直以來的品牌特質(zhì)吧——有趣。Google 從創(chuàng)立之初就是一家面向消費(fèi)者的公司，而這次我們能重新喚起大家對(duì)“Google = 有趣公司”的印象，其實(shí)挺棒的。這個(gè)名字本身就很歡樂。

Nicole：對(duì)，而且這也說明，“趣味性其實(shí)是通向?qū)嵱眯缘娜肟?/span>”。Nano Banana 本身，以及它能做的那些事：比如把你放到紅毯上、讓你體驗(yàn)兒時(shí)夢(mèng)想職業(yè)——都是非常有趣的切入點(diǎn)。但最棒的是，我們發(fā)現(xiàn)用戶一旦進(jìn)了 Gemini，用著玩著玩著，就開始拿它干別的事了，比如學(xué)習(xí)、解數(shù)學(xué)題、查資料。我覺得“趣味性”有時(shí)被低估了，不光是名字層面，也是在產(chǎn)品層面。因?yàn)樗芪诉M(jìn)來，讓人興奮，然后他們會(huì)進(jìn)一步發(fā)現(xiàn)更多真正實(shí)用的功能。

Hansa：我父母和他們的朋友們也在用。我覺得就是因?yàn)檫@個(gè)模型很“親切”，很容易上手、不嚇人。人們?cè)囘^之后就發(fā)現(xiàn)，它其實(shí)非常容易用、很自然互動(dòng)。很多科技產(chǎn)品會(huì)讓人望而卻步，尤其是現(xiàn)在的 AI，但聊天機(jī)器人的自然交流方式已經(jīng)降低了這種門檻。

Hansa：尤其對(duì)年輕人如此。而像 Nano Banana 這種有趣的方式——我媽玩得特別開心，她用它做圖玩著玩著，后來發(fā)現(xiàn)還能用它把照片背景中的人去掉，變得很實(shí)用。很多人從“好玩”開始，最后發(fā)現(xiàn)它真的能幫他們完成任務(wù)，比如生成圖表或輔助理解知識(shí)。

3.下一步方向：超越提示詞工程

主持人：那接下來你們想把這個(gè)模型和產(chǎn)品帶向什么方向呢？

Nicole：從產(chǎn)品角度來說，有幾個(gè)方向。對(duì)消費(fèi)者而言，我們還得繼續(xù)讓它更易用。你可能注意到，很多 Nano Banana 的提示詞都長(zhǎng)達(dá) 100 個(gè)詞，用戶會(huì)復(fù)制粘貼到 Gemini 里，雖然麻煩但值得。我們得超越“提示詞工程”階段，讓普通人更輕松地使用。而在專業(yè)用戶層面，我們要提升精確度與穩(wěn)定性，讓它能真正用于專業(yè)工作流。比如我們?cè)趫D像一致性和像素編輯上做得不錯(cuò)，但還不是 100%。專業(yè)人士需要的是完全可靠、可控的輸出——甚至要能像“手勢(shì)控制”一樣精準(zhǔn)掌控每個(gè)像素。我個(gè)人也很興奮的方向是“信息可視化”。之前有人用 Nano Banana 做“速記圖”，其實(shí)你可以想象這種模式被應(yīng)用到任何場(chǎng)景。很多人是視覺型學(xué)習(xí)者，而我們還沒充分挖掘 LLM 在“幫助理解與可視化信息”上的潛力。有時(shí)你需要的是圖表，有時(shí)是圖片，有時(shí)甚至是短視頻。想象一下，在生物課上學(xué)習(xí)某個(gè)概念時(shí)，AI 能生成一個(gè)短視頻幫助你理解?，F(xiàn)在 95% 的模型輸出都是文本，而這并不是人類現(xiàn)實(shí)中吸收信息的方式。

主持人：所以你是在暗示 Google 未來可能會(huì)圍繞這些功能“垂直整合”，在產(chǎn)品上做更深層的 UI 嗎？

Nicole：對(duì)。聊天機(jī)器人確實(shí)是個(gè)很好的入口，因?yàn)槟悴挥脤W(xué)新界面，只要說出你想要的就行。但對(duì)視覺任務(wù)來說，這種交互方式會(huì)開始顯得局限。我覺得未來有巨大空間去探索“新一代視覺創(chuàng)作界面”。關(guān)鍵是怎么在功能越來越強(qiáng)的同時(shí)，不讓用戶被復(fù)雜性淹沒？我很期待看到更多團(tuán)隊(duì)在這個(gè)方向上創(chuàng)新。在 Google 內(nèi)部，我們有一個(gè)叫 Labs 的團(tuán)隊(duì)，由 Josh Woodward 領(lǐng)導(dǎo)，他們負(fù)責(zé)前沿實(shí)驗(yàn)。他們和我們密切合作，探索“創(chuàng)作、娛樂、生產(chǎn)力”的未來。比如他們做了 NotebookLM 和 Flow 等產(chǎn)品，我很期待 Flow 未來能成為視覺創(chuàng)作的核心平臺(tái)。

Hansa：短期內(nèi)，我們得先把模型的可靠性問題解決好，讓它每次都能如預(yù)期運(yùn)行，而不是大多數(shù)時(shí)候。長(zhǎng)期來看，我同意 Nicole 的觀點(diǎn)，那就是要實(shí)現(xiàn)真正的多模態(tài)生成?，F(xiàn)在如果你讓 Gemini 解釋一個(gè)問題，它通常只會(huì)用文字回答，除非你特別要求生成圖片。但回看過去 10~20 年，教育類內(nèi)容能火的往往都非?！耙曈X導(dǎo)向”：像 Khan Academy 從 YouTube 起家、Wikipedia 圖文并茂、學(xué)習(xí)數(shù)學(xué)離不開圖表。所以這些視覺元素應(yīng)該自然地融入模型的輸出流程。

Nicole：還有一個(gè)方向是“模型更主動(dòng)地調(diào)用代碼、圖片、視頻等多模態(tài)內(nèi)容”，根據(jù)用戶意圖來組合輸出。比如我以前當(dāng)咨詢顧問，經(jīng)常做幻燈片——很多時(shí)候我并不想陷入“設(shè)計(jì)細(xì)節(jié)”，我只是想輸入筆記、要點(diǎn)或舊幻燈片，然后讓 Gemini 自動(dòng)生成完整、易懂、有視覺的匯報(bào) Deck。這其實(shí)是一種“智能體行為”，區(qū)別于用戶希望親自參與創(chuàng)作的情況，比如房屋設(shè)計(jì)。AI 應(yīng)該能根據(jù)不同任務(wù)，切換“自動(dòng)完成”與“交互創(chuàng)作”兩種模式。

Hansa：對(duì)，我們要在“給用戶足夠精細(xì)控制”與“讓模型智能完成大部分工作”之間找到平衡。

主持人：你認(rèn)為未來的競(jìng)爭(zhēng)焦點(diǎn)會(huì)是什么？

Nicole：我覺得下一階段的競(jìng)爭(zhēng)還在于模型通用性——能“以任何輸入，生成任何輸出”的單一模型，還沒人真正實(shí)現(xiàn)。要推動(dòng)普及，還有兩個(gè)關(guān)鍵點(diǎn)：1、用戶界面（UI）；2、針對(duì)不同用戶和場(chǎng)景的定制化產(chǎn)品層設(shè)計(jì)。

4.如何防止deepfake

主持人：Google 一直非常重視 deepfake 風(fēng)險(xiǎn)。當(dāng)你們發(fā)現(xiàn) Nano Banana 的能力這么強(qiáng)時(shí)，內(nèi)部是怎么討論“防止濫用”的？

Nicole：這是一個(gè)不斷演變的前線問題。我們希望給用戶創(chuàng)作自由，同時(shí)也要防止最壞的濫用。所以我們做了很多權(quán)衡。比如模型生成的內(nèi)容上都會(huì)有可見水印（“Generated with Gemini”）以及不可見的合成 ID（SynthID），用來識(shí)別 AI 生成內(nèi)容。這讓用戶能清楚辨別哪些不是現(xiàn)實(shí)影像。

Nicole：此外，我們還會(huì)進(jìn)行大量?jī)?nèi)部與外部測(cè)試，隨著模型能力提升，也會(huì)出現(xiàn)新的攻擊方式，我們必須同步研發(fā)新的防護(hù)措施。這是模型開發(fā)中非常重要的一環(huán)。

Hansa：確實(shí)很難平衡。任何工具都會(huì)被人正向或負(fù)向使用。我們非常重視這點(diǎn)，也認(rèn)為SynthID 是讓我們能安全開放模型的關(guān)鍵技術(shù)，它能幫助我們抵御虛假信息帶來的風(fēng)險(xiǎn)。

主持人：那 SynthID 已經(jīng)是行業(yè)標(biāo)準(zhǔn)了嗎？

Nicole：目前是 Google 的標(biāo)準(zhǔn)。

Hansa：是的，Google 所有影像生成產(chǎn)品（包括 Imagen 系列）都啟用了它。

5.哪些領(lǐng)域是創(chuàng)業(yè)公司可以嘗試的

主持人：那你覺得，哪些領(lǐng)域是創(chuàng)業(yè)公司可以切入，而 Google 不太會(huì)做的？

Nicole：非常多。尤其是創(chuàng)意工具類的 UI 與工作流集成。現(xiàn)在很多創(chuàng)作者要在不同工具間切換：先用 LLM 頭腦風(fēng)暴，再用圖像模型定 Key Frame，再進(jìn)視頻模型，最后再加音樂。這些碎片化流程，完全可以被新的“端到端創(chuàng)作工具”整合。我覺得這種“工作流級(jí) AI 工具”會(huì)在各個(gè)垂直領(lǐng)域涌現(xiàn)，不僅限于創(chuàng)意行業(yè)，比如咨詢師可以用它快速做 Pitch Deck、銷售可以自動(dòng)生成方案。

Hansa：是的，本質(zhì)是“讓技術(shù)真正嵌入特定工作流”。創(chuàng)業(yè)公司能更貼近用戶需求，做應(yīng)用層創(chuàng)新；而我們更多關(guān)注底層模型技術(shù)。讓我最興奮的是，這個(gè)模型真正觸動(dòng)了很多普通人。很多長(zhǎng)輩、朋友用過聊天機(jī)器人，但他們對(duì)文字問答沒太大情感反應(yīng)。而視覺生成能帶來情感共鳴——它既有趣，又直觀，喚起人類最本能的感受。這點(diǎn)特別打動(dòng)我。

參考鏈接：https://www.youtube.com/watch?v=5uutda-R0EY