打敗 Midjourney，Google 前員工做的 AI 產品憑什麼彎道超車

沒有誰能一直稱王，但加上抬頭誰都有稱王的機會。AI 文生圖，還能玩出什麼新花樣？

已經群雄割據的紅海，頭部被 Midjourney、DALL·E、Stable Diffusion 等佔據，其餘還能讓人眼前一亮的產品並不多，但仍有黑馬殺出：Ideogram，Google 前工程師創立，矽谷 AI 大神投資，去年 8 月面世，2 月底發表最新模型。

Ideogram 特別在於，擅長產生含文字的圖片，恰好是幾大巨頭都在改善的難題。事實證明，從別人跌倒的地方爬起來，不失為彎道超車方法之一。

能「畫圖」和「攝影」，但 AI 可能還是「文盲」

讓 AI 精準產生文字向來是痛點，哪怕產生人物和風景相機拍的，如亂碼扭曲文字，瞬間讓 AI 原形畢露。

▲ Midjourney v5.2 產生的錯誤文字。

Ideogram 站出來表示，拒絕讓 AI 繼續當「文盲」，不妨先從 AI 開始。Ideogram 使用門檻很低，打開官網登錄就能用，介面看起來也清爽不複雜，產生圖片步驟不多，輸入框填入提示詞，再根據想要的效果，勾選圖片長寬比，以及照片、海報或 3D 渲染等樣式。

Ideogram 還考慮到人類可能是提示詞「苦手」，2 月推出「魔法提示」，就像內建 ChatGPT，幫忙想提示詞，以 AI 拿捏同類心思。含文字圖片有哪些？產品標誌、T 恤印花、書籍封面、電影海報……先來個入門級考驗，讓幾個人舉起寫著動物名稱的指示牌，乍看文字對了，但臉和手不太正常，兩者相互抵消，原來缺點沒有消失，只是轉移。

如果只讓 Ideogram 寫字，效果便令人驚豔。叫 AI 產生馬斯克的經典句子「我寧願樂觀而錯誤，也不願悲觀而正確」，除了「W」有瑕疵，其他單字都拼對了，字體活潑，1970 後馬斯克不知道能否接受，但應能讓小藍鳥變成黑白 X 的他滿意。

再拿經典諺語「只工作不玩耍，聰明孩子也變傻」為考題，雖然提示詞強調印表機字體，但 Ideogram 沒做到。看來光用提示詞還不能定義字體，只能取近似值。

之後命令 AI 為叫 Coffee AI 的 AI 新創設計 Logo，主體是電路圖咖啡杯，右上角有機器人咖啡師，公司名稱為粗體大寫字母，排版簡單克制，以 Logo 看很直覺，但總體來說意料中，很難讓甲方心動拍板。

該給 AI 增加難度了，句子更長，設計要求更高。要求 Ideogram 為兒童繪本設計內頁，不僅要在醒目位置寫著「穿襪子的狐狸和戴禮帽的兔子」，底部還得標註「匿名」。對這兩行文字，Ideogram 基本完成任務，使用手繪字體和粉筆塗鴉，甚至搭配符合題意的插圖，繪本味道對了，但錯誤也很顯眼，「in」這單字有點問題，兔子長得像狐狸還和狐狸稱兄道弟。

Ideogram 同樣可以做電影海報，拿中國爆紅的〈周處除三害〉測試，提示詞雜糅典故和電影，背景用俠客剪影、海、山意象，文字部分參考電影英文名：豬、蛇和鴿子。除了漏了一個「the」，最終效果還不錯，融合古典形象和現代字體，鴿子塗鴉堪稱點睛之筆，但更偏西洋奇幻風，讓人覺得陌生，很難聯想到電影劇情。

體驗後可發現 Ideogram 文字出錯機率還是不小，有時候產生兩三次才能得到一字不差的理想結果，就算文本對了，人物臉和手指經常翻車，可能還會加些奇怪的小動作，隨機產生無意義且扭曲的文字，打臉自己。

▲ 小字糊成一團。

但總體來說，Ideogram 讓人驚喜，可以寫對長句，且用合適字體和排版配合畫面氣氛，儘管還不會產生中文，但如鬼畫符的幾個字非常服貼衣服褶皺。

▲ 這四個字其實是「恭喜發財」。

瑕不掩瑜，Ideogram 就業場景夠很多了，設計 Logo、海報、T 恤圖案時，都可當作靈感參考和創意輔助，以前擔心 AI 會「畫畫」和「攝影」，以後更怕 AI 有文化素養和設計能力。

審美不輸 Midjourney，還是表情符號神器

AI 進步以日計，可能一覺醒來世界就天翻地覆。雖然 Ideogram 說文字渲染能力最強，但對手也不服輸，未公開和開源的 Stable Diffusion 3 在 2 月宣布改善文字拼寫。

▲ Stable Diffusion 3 拼寫能力。

去年 12 月推出測試版的 Midjourney v6，是第一個有可靠文字產生功能的 Midjourney 版，不過要求也依然苛刻，除了必須把文字放在引號內，提示詞最好解釋文字的位置和書寫方式，並用到「印刷」「寫」等關鍵詞，一兩個詞的文字生成效果最好。

▲ Midjourney V6 的文字產生功能。

被追趕的 Ideogram 團隊不慌不忙，認為優勢在我，Ideogram 仍擁有更高準確率，且能處理複雜長句。Ideogram 系統評估也顯示 Ideogram 1.0 渲染文字準確性最高，與 DALL·E 3 等其他模型相比，錯誤率降低近兩倍。

光說不練，不如拿相同提示詞讓 Ideogram 1.0 和 Midjourney V6、DALL·E 3 同台競技。先比較文字準確度，要求 AI 繪製浮世繪風格日出插圖，〈亂世佳人〉的經典台詞「明天又是新的一天」放在合適位置，表現希望和新生。這次 Ideogram 完勝，拼寫準確，線條和色彩設計也很大膽出眾。

藝術細胞比較差的 DALL·E 竟然意外有質感，文字基本對了但沒完全對，畫風更抽象；Midjourney 不僅文字不準確，審美也不太行，甚至好像沒認真聽題目。

▲ 左為 DALL·E，右為 Midjourney。

二是比玩哏能力，Ideogram 特意提到產生表情符號的功能，藉助「魔法提示」，AI 自己發揮想像力寫提示詞，配上文案，讓圖片有感情色彩。想看 AI 能否產生打工貓表符，於是輸入提示詞：「畫有趣哏圖，關於一隻戴著領結和襯衫、在電腦前打字的淚流滿面貓，比喻人類打工辛苦」。

Ideogram 發揮腦洞，自己加上文案「貓也得工作」，美中不足的是多了個「have」，前爪指頭數也不對，看來 AI 不僅人手苦首，拿貓爪也沒轍。對比原版表情符號，算中規中矩。

▲ 左為網圖，右為 Ideogram。

Midjourney 的貓嚴肅且優雅，彷彿是財富自由的作家，看起來更像在拍雜誌寫真，但這滑鼠不知怎麼回事。

▲ 左為 Midjourney，右為 DALL·E。

DALL·E 情感最到位，畫風雖然隨意點，但粗糙有粗糙的好處，彷彿不是同圖層的淚水誇張到好笑，很適合當表情符號。三是複雜長提示詞的理解度，尤其提示詞元素是否齊全、位置是否準確，所以輸入較囉嗦的提示詞，規定各主體位置：

這是個有趣又超現實的場景，一隻舒適的狗懶洋洋躺在沙發上，享受心形牌寫著「超級明星」的地位。狗左邊是未來機器人在瘋狂拍照，右邊是太空人觀察這奇怪景象。房間裝飾充滿活力，有許多氣球和獎牌，增添天馬行空的氣氛。

Ideogram 整體構圖表現更好，幾個要點都有出現，心形牌、機器人、太空人、氣球和獎牌都有，雖然太空人手、獎牌字等細節有問題，Midjourney 更有藝術感，但要素缺失，又多了有的沒的裝飾，更有自己想法和個性？DALL·E 不僅要素遺失，細節出錯，還不好看。

▲ 上為 Midjourney，下為 DALL·E。

所以拋開文字，光看圖片品質 Ideogram 也不差，有時還原提示詞各物體空間關係，比其他 AI 更準確，使用體驗來說，Ideogram 速度也比 Midjourney 快，十幾秒就能完成四張圖片，甚至以業界評估規則，人類評估者對提示對齊、圖像連貫性、整體偏好和文本渲染品質方面，更喜歡 Ideogram 1.0，而不是 DALL·E 3 和 Midjourney V6。

哪怕不滿意 Ideogram 的圖，把它的魔法提示詞拿去 Midjourney 和 DALL·E 產圖，也比自己手搓更好，不失為最佳化提示詞的方法。沒人用我的 BGM 打敗我，但同提示詞餵給不同 AI，勝負還不一定。

Google 工程師創辦的明星公司

Ideogram 去年 8 月成立，今年 2 月推出最新模型 Ideogram 1.0。這又是明星公司，創始團隊共七人，來自 Google Brain、加州大學柏克萊分校、卡內基美隆大學和多倫多大學，四人是 Google 文產圖擴散模型 Imagen 研究論文作者。謹慎的 Google 經常推出產品時慢半拍，多次眼睜睜看著對手聲名大噪，聊天機器人被 ChatGPT 搶先，Imagen 也被 DALL·E 2 超車。

從工程師角度看，研究成果無法針對消費者應用並非好事，不少人離開，親自打造新產品，盡量開放使用，先積累用戶規模和口碑。Ideogram 一天 25 次提示詞免費額度，可能也是出於這種考慮。

市場很看好這產品，Ideogram 完成矽谷風投 a16z 領投的 8 千萬美元 A 輪融資，投資者還有 AI 大神，包括 Google 首席科學家 Jeff Dean、OpenAI 創始團隊成員 Andrej Karpathy。其實體驗很多 AI 產品後，不免有個疑問：怎麼定義產品好用？