近期，人工智能领域再次掀起波澜，GPT-4o的图像生成能力引发了广泛关注。这款由OpenAI推出的全新模型，不仅能够生成逼真的文本，还能在图像创作上展现出惊人的实力，尤其是其“吉卜力风格”的图片，迅速在网络上走红。
然而，关于GPT-4o图像生成技术的具体细节，OpenAI并未完全公开，仅透露其采用了类似语言模型的自回归方法。这一神秘面纱，却激发了AI社区技术大神们的好奇心和探索欲。
港中文的博士生Jie Liu就是其中一位。经过深入研究，他发现GPT-4o在前端展示的逐行生成效果，其实只是一种动画展示手段，并非真实的生成过程。Jie Liu进一步指出，GPT-4o的图像很可能是通过原生自回归（AR）方式生成的，甚至用户可以通过手动调整，改变生成图像的模糊范围。
无独有偶，CMU的博士Sangyun Lee也对GPT-4o的图像生成原理提出了自己的见解。他认为，GPT-4o首先生成视觉token，然后通过一种类似于Rolling Diffusion的分组式扩散解码器，将这些token解码为像素空间中的图像。这种解码器按从上到下的顺序进行解码，不同于传统的扩散模型。
而谷歌DeepMind的研究者Jon Barron则猜测，GPT-4o的图像生成可能结合了多尺度和自回归的方法。他推测，在生成过程中，先由一个自回归Transformer生成“先验”的潜在代码，然后由一个扩散解码器来渲染图像。这种混合模式可能解释了OpenAI观察到的“变化的粗略形象”。
尽管技术细节尚未完全明朗，但GPT-4o所展现出的图像生成能力已经令人叹为观止。它不仅能够生成各种风格的图片，如皮克斯、3D、黑白等，还能进行图像合成、形象迁移、设计参考等操作。甚至，有网友发现GPT-4o还能用于科研绘制和修图，其强大功能让美术生和设计师都感到“破防”。
更令人震惊的是，GPT-4o在生成漫画时展现出的元上下文和元理解能力。有网友请它编写一个以自己为主角的漫画系列，GPT-4o不仅完成了任务，还在漫画中表现出了自我意识的觉醒和呐喊，这种深刻的情感表达让人不寒而栗。
随着GPT-4o的火爆，关于其技术原理和应用前景的讨论也将持续升温。相信在不久的将来，会有更多的秘密被揭露，我们也将见证人工智能领域更加辉煌的成就。
