咱们聊聊用AI画画这事儿。你可能听过“提示词（Prompt）”，就是你给AI几个词，它给你吐张图出来。但现在还有个更厉害的玩法，叫“指令（Instruction）”。这两者不是一回事，弄混了会让你觉得AI不好用。
我们先说最常见的提示词。
提示词就像给AI点菜。你说“一个穿着宇航服的猫，坐在月球上，看着地球”，AI就根据这几个关键词去画。这背后，AI模型，比如Midjourney或Stable Diffusion，其实是在它看过的几十亿张图片里，找跟“猫”、“宇航服”、“月球”、“地球”这些标签相关的视觉元素，然后把它们缝合在一起。
这个过程有点像连连看。AI的脑子里有无数个碎片，你给它关键词，它就把对应的碎片找出来，然后拼成一张看起来合理的画。
所以，用提示词画画，本质上是一种“检索和重组”。你给的词越具体，它找到的碎片就越精确。比如，你只说“一只猫”，它可能会给你一只橘猫、一只黑猫，或者一只卡通猫，因为这些都符合“猫”这个标签。但如果你说“一只穿着蓝色毛衣的英国短毛猫”，它检索的范围就小多了，出来的图也更接近你想要的。
用提示-词有个很明显的好处，就是简单。你不需要懂画画，也不需要懂代码，只要会打字就行。这也是为什么大部分人刚接触AI绘画，都是从玩提示词开始的。
但是，它的问题也很突出。
第一，它很不稳定。你用同一个提示词，点两次生成，出来的图可能完全不一样。这是因为AI在“重组”碎片时，有很大的随机性。它每次都是重新“猜”你想要什么。这种感觉就像开盲盒，有时候有惊喜，但更多时候是“这画的什么玩意儿？”。
第二，它很难控制细节。比如，你想让画里的猫举起左手，而不是右手。用提示词几乎不可能做到。你可以在提示词里写“猫举起左手”，但AI很可能不听你的。因为它理解的是“猫”、“举手”这两个独立的视觉元素，至于哪个手，它分不清。这是因为大部分AI模型在训练时，并没有专门学习过“左”和“右”这种精确的空间概念。它们能识别物体，但很难理解物体之间的精确关系。
第三，它有“知识”盲区。有些东西，AI没见过，或者见得很少，它就画不出来。比如，你想画一个“宇-航员在海底弹吉他”，AI可能会画出一个穿着宇航服的人，旁边有一把吉他，背景是海底。但宇航员弹吉他的姿势可能会很奇怪，甚至吉他都是散架的。因为它在训练数据里，很少看到这几样东西凑在一起的图片。
所以，玩提示词，你更像一个“导演”，你给个大概的方向，但演员怎么演，你说了不算。
接下来说说指令生成图片。
如果说提示词是“点菜”，那指令就是给AI一份详细的“菜谱”。你不仅告诉它要做什么菜，还要告诉它每一步怎么做，盐放多少克，火候开多大。
用指令画画，AI的角色变了。它不再是一个只会拼图的工人，更像一个听话的助手。你通过更复杂的语言，甚至代码，来精确控制画面的每一个元素。
现在比较典型的支持指令的模型，比如DALL-E 3（通过ChatGPT使用时）和一些更新的模型，它们在理解自然语言方面比早期模型强得多。它们不只是识别关键词，而是真的在尝试理解你整个句子的“意图”和“逻辑”。
举个例子。你想画一幅画：一个红色的小球，放在一个蓝色的方块上面。
如果用提示词，你可能会写：“红色小球，蓝色方块，小球在方块上”。AI可能会画出小球在方块旁边，或者方块在小球上面。它只知道画面里要有这两个东西，但它们俩的“上下关系”，它很可能搞错。
但如果用指令，你可以这样写：“绘制一个场景。场景的中心是一个大的蓝色立方体。在这个蓝色立方体的正上方，放置一个小而光滑的红色球体。确保球体接触立方体的顶面中心点。”
你看，这个描述就很啰嗦，但它非常精确。它定义了物体（立方体、球体），定义了属性（蓝色、红色、大的、小的、光滑的），还定义了它们之间的空间关系（正上方、接触顶面中心点）。
一个能听懂指令的AI，会严格按照这个“菜谱”来画画。它会先画一个蓝色的方-块，然后在这个方块的上面，画一个红色的小球。最终的结果，可控性比用提示词高得多。
使用指令有几个核心区别：
第一，强调逻辑和关系，而不只是物体。指令生成更关注“谁对谁做了什么”、“A和B是什么关系”。比如，“一个男人把钥匙递给一个女人”，指令模型会努力画出“递”这个动作，而提示词模型可能只会画出一个男人、一个女人和一把钥匙，三者之间没什么互动。
第二，可修改性更强。因为指令是基于逻辑的，所以你可以对画面的某个部分进行精确修改。比如，你对刚才那张“红球蓝方块”的图不满意，你可以下新的指令：“保持其他所有东西不变，只把那个红色球体换成一个绿色的金字塔。”AI就能理解，它只需要修改那个球，而不需要把整张画都重新生成一遍。这种“局部重绘”的能力，是单纯用提示词很难做到的。
第三，它能理解更复杂的构图。你可以用指令来设计画面布局。比如：“画面分为左右两部分。左边是一个阴天的海滩，右边是一个晴朗的森林。两者之间有一条清晰的分割线。”这种对画面结构的宏观控制，是指令模式的强项。
当然，用指令也不是没缺点。它最大的问题就是门槛高。你需要用非常清晰、没有歧义的语言去描述你的想法。有时候甚至需要了解一些简单的编程或者脚本逻辑，才能写出高质量的指令。这对普通用户来说，比单纯想几个关键词要难得多。
总结一下实际操作上的不同。
使用提示词的流程是这样的：
1. 想几个关键词。比如“赛博朋克，城市，雨夜，霓虹灯”。
2. 把词丢给AI。
3. AI出图。
4. 不满意？换几个词，或者多点几次“生成”，直到抽到一个满意的为止。这个过程充满了不确定性。
而使用指令的流程是这样的：
1. 在脑子里构建一个非常具体的画面。
2. 用精确的自然语言，像写说明书一样，把这个画面描述出来。包括物体、颜色、位置、光线、构图等等。
3. 把这段详细的描述发给AI。
4. AI根据你的“说明书”生成图片。
5. 如果某个细节不满意，针对那个细节下达修改指令。比如“把背景里的那栋楼变矮一点”。
所以你看，提示词模式下，你和AI是“合作”关系，甚至可以说是AI在主导，你只是给它灵感。而在指令模式下，你和AI是“主仆”关系，你是绝对的主导，AI是执行你命令的工具。
这两种方式没有绝对的好坏，只是适用场景不同。
如果你只是想随便玩玩，快速得到一些有创意的、意想不到的图片，用提示词就够了。它简单、快速，而且那种随机性本身也很有趣。
但如果你是设计师、插画师，或者任何需要对画面有精确控制的创作者，那么学习如何使用指令就非常必要。它能帮你把脑子里的想法，一比一地复现出来，让AI真正成为你创作流程中的一个可靠工具，而不是一个只能开盲盒的玩具。
说到底，从提示词到指令的演变，反映了AI绘画技术本身的发展方向：从模糊的“灵感捕捉”，走向精确的“意图实现”。未来的AI绘画工具，一定会越来越听话，越来越能理解我们复杂的想法。而我们作为使用者，也需要从“猜词语”的思维，转变为“写说明书”的思维，才能真正用好它们。
评论前必须登录！
注册