从Image2到Midjourney，一场血腥的技术哲学道统之争

用image2几天后

我突然想到midjourney怎样了？

ai生图圈一直以来都有个都市传说：

💡新模型三天降智，五天没热度

然后大家回到原来的工作流，该用啥用啥

但image2不一样，用了几天之后，我意识ai生图的价值判断标准开始变了。

image2带来的冲击不只在于“它也能画得好看”，而在于它把过去ai生图里最难受的几个问题，文字、局部修改、连续编辑、复杂指令执行、空间判断，做到了像素级别的可控性。

可控性在工作中，向来珍贵。

提示词：女生位置向前移一步，在她身后增加光源，勾勒微光剪影，女生的额头的头发减少几根

然后，我脑子里突然冒出一个问题：

💡曾经的王者midjourney现在怎么样了？

midjourney不死只是凋零

如果你和我一样是2022、2023年入坑ai生图的人，midjourney几乎是你的第一站。

那种独特的、带着油画质感的美学风格，让无数人第一次感受到ai也能创作。它的商业模式也跑通了：纯靠订阅制，没有外部融资，david holz带着一个小团队，做到了年收入过亿美元的规模。

相同提示词下，左：midjourney7右：image2

💡midjourney依然在美学上体现个性

image2能精准给出了文字信息

从2022年到2025年，midjourney无论营收还是技术上，都是王者。

但在2025年之后，midjourney的处境就开始变得微妙：

直到image2出现，把灵感抽卡，向精确生产推进了一大步。这背后，其实是一场技术哲学道统之争。

道统之争：扩散模型vs自回归模型

▌扩散模型：从混沌中召唤秩序

从噪声出发，一步步去噪，把秩序从虚无中凿出来。这套逻辑让扩散模型天生是美学动物，光影、构图、色彩自然协调，给它一个模糊意象，它还你一幅有灵魂的画。midjourney、sora、veo、seedance，所有叫得出名字的顶级模型，清一色是这个门派的信徒，统治ai视觉生成整整五年。

但正统有正统的原罪：文字是它永远无法愈合的伤口。这不是训练不够，是架构层面的基因缺陷，打多少补丁都治不好根。

▌自回归模型：用理解来作画

gpt image2把图像当成一种语言，像写文章一样一个token一个token地画出来。于是文字变成母语、gpt-4o的整个大脑直接参与作画、局部修改精准如手术刀。

它有"想"这个动作，扩散模型只有"感觉"。

扩散模型证明了机器可以有审美，自回归模型证明了机器可以有理解。midjourney的美学护城河还在，但正被一个问题侵蚀：当理解越来越强，感觉还值多少钱？

这场道统之争，在视频领域同样在上演：但有趣的是，阵营换了位置。

▌sora：openai的扩散模型视频

前几天被宣判死刑的sora采用的是dit（diffusion transformer）架构：扩散模型与transformer的结合体。

它的核心思路是：把视频压缩成时空patch（时空块），在潜空间（latent space）里做扩散去噪，最终还原出视频。sora曾经的优势是长视频、复杂场景、物理真实感，能生成超过1分钟的连贯视频，场景切换自然，物理规律遵循较好。但它访问受限、价格昂贵，且生成速度较慢。

▌seedance2.0：bytedance的多模态扩散

seedance2.0，大概率基于dit扩散架构，但在此基础上做了一个关键突破：统一多模态音视频联合生成架构。

它支持同时输入最多15路混合模态：9张图像+3段视频+3段音频+自然语言，一次性生成带有同步音效的视频。

更重要的是它的两个核心能力：

•identity locking（身份锁定）：

通过"reference cluster（参考簇）"机制，将角色的面部特征、服装纹理绑定到生成输出，在角色运动过程中保持视觉一致性。

•物理仿真：

能生成双人花样滑冰的高难度动作序列，冰屑飞溅、服装随动、光影折射，严格遵循真实物理规律。

▌两者核心差异对比

有意思的是：在图像领域，openai用自回归颠覆了扩散模型的统治；在视频领域，双方都在用扩散模型竞争，差异在于多模态融合的深度和商业化的速度。

未来在哪里？

扩散模型和自回归模型的道统之争还远没有结束，他们之间的战场已经悄悄延伸到了下一世代：

📌生图：自回归将继续蚕食扩散模型的领地

gpt image2已经证明，自回归架构在精确控制、文字渲染、指令遵循上有结构性优势。随着推理速度的提升和模型压缩技术的成熟，自回归生图的速度劣势会逐步缩小。

未来的生图模型，很可能走向混合架构，用自回归做语义规划和布局，用扩散模型做细节渲染和美学优化，取两者之长。

📌生视频：扩散模型短期仍是主流，但自回归化是趋势

视频生成的核心难题是时序一致性——相邻帧之间的连贯性，扩散模型在这方面有天然优势。但随着自回归模型处理更长序列的能力增强，"把视频token化"的路线也在探索中。

openai已经在尝试用统一的自回归架构同时处理图像和视频token。这意味着未来可能出现一个模型，从同一个prompt直接输出静图、gif、短视频，由用户选择格式。

📌最终形态：多模态世界模型

无论扩散还是自回归，两条路最终都在走向同一个目标：

💡一个能够理解、创作、编辑整个视觉世界的多模态世界模型。

图像是它的一个输出切面，视频是另一个，3d场景、ar内容将是下一个。

当这一天到来，生图工具和生视频工具的分可能就会消失。