AI生成隐藏3D图像的局限性分析

隐藏3D图像的AI生成实验

你是否见过那些隐藏着3D图像的自体立体图？就像1990年代的Magic Eye图片，看似嘈杂的重复图案，直到你以特定方式调节视觉焦距才能看到立体效果。据称，ChatGPT可以生成这类图像！

读者Pippin建议尝试用ChatGPT生成Magic Eye风格图像后，生成了上方令人捧腹的海豚图像。最令人惊讶的是其标注内容——为何会产生如此自信却完全错误的结果？

技术实现机制剖析

当要求"生成独角兽魔法眼3D立体图像"时，ChatGPT传递给DALL-E3（实际负责图像生成的模型）的描述极其详细：

• 需要包含复杂图案和多样化色彩以确保3D效果突出
• 背景应包含神秘元素以增强深度幻觉
• 独角兽的角和鬃毛应在图案中清晰可辨

但DALL-E3返回的图像与预期完全不符。关键在于：ChatGPT不会对返回的图像进行任何识别验证——无论DALL-E3生成什么，对它来说都是黑箱操作。因此ChatGPT会继续按照预设描述执行，仿佛图像完全符合要求。

多模型协作的局限性

某机构的Gemini（原Bard）使用专用图像生成模型Imagen 2，其隐藏图像效果更加不理想。虽然Gemini具备图像描述模型，但仅当用户上传图像时才会调用该功能。在自主生成场景中，它本质上仍是文本生成器。

这些被宣传为"全能AI"的模型，实际更像装满应用的手机：文本生成应用可在特定情况下启动图像生成应用，但它们并非真正意义上的统一程序。

自我验证能力的缺失

即使在纯文本生成场景中（理论上可自我校验），ChatGPT仍然默认自己表现出色。在生成ASCII文字艺术并自行读取时：

• 在新会话中向其发送自生成的ASCII文字时，它识别为"ERROR"
• 对自身创作的ASCII艺术品的识别和评级同样糟糕

技术本质揭示

生成ASCII艺术和3D图像并非ChatGPT类模型的主要应用场景，但这充分暴露了根本问题：这些模型并不理解用户需求，也不掌握正确执行的基本步骤。当ChatGPT增加图像识别或描述功能时，并非原文本模型变聪明，只是能调用其他应用而已。

最后尝试让ChatGPT生成《小王子》风格的隐藏绵羊图像，结果基本失败。这再次证明了当前AI在多模态任务协同处理上的技术局限性。