[控场AI]
· 5 分钟阅读· 2,967 字

Fable 5.2用画图软件作画:AI绘画的“返祖”实验与社区争议

Fable 5.2用画图软件作画:AI绘画的“返祖”实验与社区争议

Fable 5.2在MS Paint中逐像素作画,引发社区对AI能力边界与过程透明度的讨论。

Reddit帖子展示Fable 5.2模型在Windows画图中逐像素作画,这种受限环境下的“返祖”演示被社区类比为初级扩散模型,用以观察AI在缺乏图层、抗锯齿等专业工具时的规划能力。讨论分化出几条线索:用户呼吁演示视频显示时钟和token计数以量化每步耗时与计算成本;有人用Meta Muse Spark 1.3免费版输出的雪人调侃模型能力仅相当于90年代初7岁儿童;还有人建议将AI作品冒充人类绘画发布以测试公众偏见。这些看似零散的反馈共同指向AI绘画在受限工具下的能力边界、生成过程可观测性缺失以及AI艺术身份认知争议三个核心议题。

当AI放下画笔,拿起MS Paint

Reddit上一条帖子展示了名为Fable 5.2的模型在Windows画图(MS Paint)中作画的过程。没有Photoshop的图层,没有专业绘图软件的笔刷引擎,只有最基础的像素级操作——这本身就是一种有意的限制实验。帖子很快引发讨论,有人将其类比为“rudimentary diffusion models”(初级扩散模型),认为这种笨拙的逐像素操作暴露了当前AI绘画在底层生成逻辑上的某些本质。

这种“返祖”式演示的价值不在于产出精美的图像,而在于观察模型如何在极简工具约束下进行规划。MS Paint没有撤销历史的高级管理,没有抗锯齿,每一次笔触都是不可逆的像素堆叠,这迫使模型必须像人类新手一样思考“先画什么、后画什么”。

reddit source: Fable 5.2 painting in MS Paint

扩散模型(Diffusion Models) 是当前主流图像生成模型的核心架构,其基本思想是:先对一张真实图像逐步添加高斯噪声,直至其变成纯噪声,再训练一个神经网络学习“逆向”过程,即从噪声中逐步去噪、恢复出图像。生成时,模型从随机噪声出发,经过数十到数百步的去噪迭代,最终得到一张清晰图像。每一去噪步骤在潜空间或像素空间中执行,模型需要在每一步预测并移除当前噪声成分。文章中所说的“初级扩散模型”类比,正是借用这种“从无到有、逐步构建”的迭代特征来刻画MS Paint中的逐像素作画过程,尽管后者并不涉及真正的噪声建模,而是每一步做一次像素决策。

社区在争论什么:效率、透明度与“免费版”的嘲讽

讨论很快分化为几条线索。最直接的技术反馈来自对过程可观测性的需求:有用户希望视频右下角能显示时钟,以便知道每一步耗时多久;紧接着有人补充“token count would be nice to see too”(能看到token数就好了)。这两条评论指向同一个痛点——AI作画的过程目前对围观者而言是一个黑箱,缺乏可量化的中间指标来评估效率。

另一条线索则带有讽刺意味。有用户贴出Meta Muse Spark 1.3免费版的输出,画面是一个雪人,配文调侃其能力水平。跟帖者补刀:“so that model is approx equal to a 7 year old in the early 90's”(那模型大概相当于90年代初的7岁小孩)。这种对比虽然刻薄,却反映了一个真实的市场情绪:用户对各家模型的能力宣称与实际表现之间的落差保持高度警觉。

最具争议性的一条评论则带有社会实验色彩:建议把作品发到业余绘画版块,声称自己讨厌AI、这是亲手画的,享受一片赞扬和“AI永远做不到这样”的评论,然后再揭穿真相。这条评论之所以获得共鸣,是因为它触及了AI艺术的身份焦虑——当作品的价值判断高度依赖“是否出自人类之手”的标签时,作品本身的审美评价反而退居其次。

Token计数 是大语言模型(LLM)服务中常用的计量单位:模型将输入文本切分为若干token(约对应一个词或词的一部分),并按输入和输出的token总量计费或度量成本。在文本生成场景中,token数直接对应计算量和响应长度,是评估效率的直观指标。然而图像生成模型通常不采用token计数的概念,其计算成本更多取决于去噪步数、图像分辨率与模型参数量。社区中“能看到token数就好了”的诉求,实质上是希望把文本生成领域已成熟的成本度量方式迁移到图像/视频生成演示中,从而对AI作画每一步的计算开销有一个可比较的量化参照。

从像素操作看AI绘画的能力边界

Fable 5.2在MS Paint中的表现,实际上提供了一个观察模型空间推理能力的窗口。专业绘图软件中的AI功能通常以“生成填充”或“文字生图”的形式出现,模型只需输出最终结果;而在MS Paint中逐像素作画,要求模型具备类似人类画师的构图预判——先铺大色块还是先勾轮廓,如何处理像素对齐,如何在有限工具下表达光影。

有评论者用“rudimentary diffusion models”来形容这种过程,这个类比值得玩味。扩散模型的核心是从噪声中逐步去噪,而MS Paint中的逐像素操作同样是一种从无到有的逐步构建,只不过每一步的决策空间被压缩到了单个像素。这种受限环境下的表现,或许比在专业工具中的流畅输出更能暴露模型在长期规划和局部一致性上的弱点。

空间推理与构图预判 是人类画师的核心能力之一:在落笔前先在头脑中建立画面的整体布局,包括主体位置、比例关系、遮挡层次和光影方向,再按“先整体后局部”或“先轮廓后细节”的策略分步实现。对于AI模型而言,在专业绘图软件中通过“文字生图”或“生成填充”直接输出最终结果时,模型并不需要显式规划每一步的空间操作;而在MS Paint这类仅提供像素级画笔的工具中,模型必须自行决定下一个像素落在哪里、当前局部与整体构图是否一致。这实际上要求模型具备序列化的空间决策能力,即在缺乏高级编辑工具(图层、选区、撤销历史)的情况下,仍能保持全局构图与局部像素的一致性,这正是当前模型较为薄弱的环节。

过程透明度的缺失:时钟与token计数的呼声

社区对“显示时钟”和“显示token数”的诉求,本质上是对AI系统可解释性的朴素要求。在视频演示中,观众能看到画面在变化,却无法判断每一步的计算成本。这种信息缺失让技术评估变得困难——同一个最终画面,可能是高效的一气呵成,也可能是反复试错的结果,而观众无从分辨。

这个问题在AI绘画领域尤其突出。文本生成有token计数作为基本的成本度量,但图像生成的过程指标缺乏统一标准。部分用户的自发需求,实际上指向了一个产品设计层面的空白:当AI作画被当作演示内容传播时,过程数据的可视化本身就应该成为演示的一部分。

AI系统可解释性(Interpretability) 指让人类能够理解、审计和信任AI系统决策过程的一系列技术与设计实践。在生成式AI的演示场景中,可解释性不仅关乎模型内部机制,也关乎外部呈现:观众需要知道每一步操作耗费多少时间、消耗多少计算资源、是否经过反复试错。当演示只展示最终画面或加速后的过程时,观众无法区分“高效的一次生成”与“大量试错后的筛选”。因此,社区要求显示时钟和token计数,本质上是一种“过程可视化”诉求,属于可解释性设计中面向终端用户的透明性层面,与模型内部的注意力可视化、特征归因等技术形成互补。

结语:一次小实验折射的大问题

Fable 5.2的MS Paint作画演示,表面看是一个趣味性的技术展示,实际上同时触及了三个议题:模型在受限工具下的真实能力边界、AI生成过程的可观测性缺失,以及AI艺术在公众认知中的身份争议。社区讨论中那些看似零散的调侃和诉求——时钟、token数、雪人对比、社会实验建议——拼合起来,恰好是一份来自用户的真实需求清单。对于关注AI绘画发展的开发者和观察者而言,这些声音比任何单一的性能评测都更值得细读。

#Fable 5.2#MS Paint AI作画#AI绘画#扩散模型#AI生成过程透明度#token计数
分享:

相关推荐