传统的 AI 图像生成是“并行”的 —— 你给定一个指令，模型独立生成多个结果。而 Gemini 的方式是“串行”的 —— 生成第二张图时，模型“看到”了第一张图；生成第三张时，它“记得”前两张。这就像一个艺术家在创作系列作品，每一幅都考虑到了整体的协调性和差异性。
Gemini 团队最近在接受 Logan 采访时提到：“图像理解和图像生成就像姐妹。” 为什么模型能生成好图像？因为它理解图像。为什么它理解图像？部分因为它能生成图像。
图像和视频成为模型学习世界常识的"捷径"。通过"看"，模型学习到了语言中缺失的信息；通过生成，模型验证和深化了自己的理解。这种双向强化创造了一个良性循环，这也是为什么 nano-banana🍌表现出色的原因👀
当你去朋友家做客，回来后你不会在对话中特意提到"他们有一个普通的沙发" —— 这太平常了。但如果你拍了照片，沙发就在那里。这就是所谓的”报告偏差“（reporting bias）—— 语言倾向于描述不寻常的事物，而忽略日常。
在大量图像和视频模态数据的加持下，原生多模态的 Gemini 表现出了更好的自然理解和表达，以及更接近于真实的图像生成！
下面是对 Logan 这三十分钟访谈的核心洞察：
1. “智能感”是新标准：衡量一个模型好坏的标准，除了图像质量，更重要的是它是否“聪明” —— 能否理解上下文、创造性地解读意图、甚至给出超越预期的结果；
2. 代理指标的重要性：在复杂的 AI 系统优化中，找到如“文本渲染能力”这样能够反映全局性能的关键代理指标，是实现快速、有效迭代的突破口；
3. 分解与迭代的力量：面对复杂任务，与其追求“一步到位”，不如利用 AI 的快速迭代能力，将任务分解，通过“对话”逐步完善。这是 AI 时代的核心工作方法论之一；
4. AI 的终极形态：未来的 AI 将是“美学”与“事实性”的结合体，既能成为激发灵感的创意伙伴，也能成为制作精准图表、报告的可靠生产力工具，最终目标是成为真正理解世界的 AGI✨
Behind the scenes of Google's state-of-the-art "nano-banana" image model 采访视频完整版 https://t.co/APXBCR54wk
