科学网-Nano Banana 初体验：一张照片就能合成「跨时空合影」，AI 绘图变天了吗？-王树义的博文

切换到桌面版

Nano Banana 初体验：一张照片就能合成「跨时空合影」，AI 绘图变天了吗？

精选

2025-8-27 14:54

阅读：2929

感受技术进步的同时，你也应该防范它带来的风险。

今天咱们来聊聊最近一个很火的 AI 绘图功能 —— 它在社区里的昵称是 Nano Banana，估计你今早已经被它刷屏了。我们来看看它到底好不好使。

这个名字听着有点奇怪，因为它并非一个正式的产品名。它最初是大家在模型竞技场里发现的一个代号，指向的是 Google Gemini 模型中一项原生的图像生成新功能。这项功能并非一个独立的模型，而是深度集成在大语言模型（Gemini 2.5 Flash）之中，让 Gemini 具备了直接绘图的能力。

前些日子，这个功能先在一些 AI 模型竞技场上进行了灰度测试。用户无法主动选择它，但在模型匿名对战时，它会冷不丁地冒出来。大家很快就发现，这个模型的图片生成效果和能力比同场竞技的其他模型要强得多，因此都盼着它早日正式上线。因为当时的代号是 Nano Banana，这个名字就流传开来，成了大家对这项新功能的昵称。

当它真正上线后，名称改为了 Gemini 2.5 Flash Image. 社区非常兴奋，社交媒体上立刻涌现了大量的测试结果。下面就带你看看我自己的测试体验。

从《阿甘正传》说起

要测试，我们得先选个有意思的题目。我上中学时特别爱看《阿甘正传》这部电影，它在豆瓣上的评分至今高达 9.5 分，可以说是影史经典。

电影里有个片段，不知道你还有没有印象 —— 阿甘在白宫见到了肯尼迪总统。我们都知道，肯尼迪总统在 1963 年就遇刺身亡了，而这部电影是 1994 年上映的，显然不可能让总统本人来参演。那这个镜头是怎么实现的呢？

影片里的这个片段看起来非常自然。我当时觉得无比神奇，后来还特意让 GPT-5 Thinking 模型帮我查找资料，了解背后的制作过程。

以今天的技术，让一位逝去的演员在电影里 “复活” 已经不是难事，但在当时，这背后涉及的技术相当复杂。团队需要让演员在蓝幕前表演，然后通过数字技术处理成老胶片的效果。为了让肯尼迪 “开口说话”，制作团队需要将配音演员的嘴唇和下颌区域进行数字替换，再结合抠像、变形、转描、颗粒与色彩匹配等一系列繁琐操作。可以想象，在那个年代制作这么一个几秒钟的镜头，成本有多高，过程有多麻烦。

AI 图像合成的进化

其实到了 2024 年，我们已经可以轻松地把自己的形象放到任何场景中了。之前我也给你演示过，比如站在埃菲尔铁塔前。

或者和一条龙合影。

当时要做这样的图片，流程已经比原来大大简化，你不需要折腾像 ComfyUI 那样复杂的工作流。我的做法是，提供几十张个人高清照片，放进一个特定图片应用里进行微调（fine-tuning），训练出一个关于我的人物模型。之后，这个模型就可以生成我出现在不同场景的图片了。但这个过程依然有些麻烦，而且你的数字形象被锁定在了那个特定平台上，无法轻易迁移。

现在有了 Gemini 的这项新功能，你就可以尝试单样例生成 —— 也就是只给它一张照片，就能实现想要的人物和场景合成。我们来看个具体的例子。

实战测试：三张图搞定「跨时空合影」

这次测试，我准备了三张图片：

人物一：一张我自己的照片，前两天在第五届开智大会的讨论环节上拍的，笑得比较灿烂，我挺喜欢。
人物二：一张奥黛丽·赫本的经典照片，我想和一位历史名人同框出镜。
背景图：一张我在国家自然博物馆拍的非洲草原场景，里面有鸵鸟、狒狒，非常有动感和紧张感。

我的目标是：把我和赫本并肩放在这个非洲草原的场景前。我们使用的工具是官方的 Google AI Studio。

打开之后，你会在显要位置看到「What's new」里介绍了这项 Gemini 的原生图像生成功能。

它默认的示例提示词是生成一个香蕉，这大概也是对 Nano Banana 这个代号的致敬吧。我们不用它的示例，直接把刚才那三张图片上传，然后给出提示词：

图一中的人物与图二中的人物，并肩站在图三的场景之前握手，女士举起手机自拍。

要求很明确，我们来实际运行一下。点击运行后，它会先分析这三张图，然后开始生成。我估算了一下，整个过程耗时和 GPT-4o 的图像生成差不多。

耐心等待片刻，结果就出来了。结果相当惊艳！虽然系统还在进行一些局部细节的优化，但主体画面已经生成。

放大看看。

我和赫本站在非洲草原背景前，由她举着手机自拍。你会发现，我们俩的视线都非常自然地盯着手机的镜头 —— 这个细节把握得非常好。既然是自拍，眼睛当然要看镜头。整个人物和背后的场景融为一体，毫无违和感。

看到这个结果，我真的觉得太棒了。仅仅用了三张照片，所有我们想要的效果都实现了，人物的一致性也保持得非常好。技术的进步，让曾经无比复杂的图像合成变得如此简单。以后我上课如果需要什么特定的合成场景图片，用这个工具一下子就能搞定。

另一妙用：批量生成文章配图

看完了强大的照片合成功能，我们再来看看它的其他玩法。一个在我日常工作中非常重要的用途，就是用它来绘制卡通风格的图像，作为文章的题图或插图。

这次，我给它的指令是：

把用户的输入认真理解后绘制出来。其中如果提到 AI 的意象，用机器人来指代。在与内容不冲突的情况下，画风尽量要清爽明快、积极正面，建议使用 Q 版动画形式，16:9 尺寸。

随后，我把我最近在知识星球上写的一篇长文《氛围编程实战：Python 实现视频转 GIF 动图智能自适应优化》全文贴了进去，一直到最后的延伸阅读链接。

通常情况下，用 GPT-4o 的图像功能处理这类需求，它只会生成一张图。但 Nano Banana 的反应让我大吃一惊 —— 它直接给我列出了一个包含十张图的清单，说这些都是它认为可以为文章增色的插图创意，包括：封面图、痛点展示、传统工具的瓶颈、氛围编程的起始、AI 协作解决问题、结果展示、重器轻用的理念、享受技术红利、总结分享。看得我都有些应接不暇。

紧接着，它就开始一张一张地生成这些图片。这个过程我就不完整展示了，你会发现它画图的速度比刚才合成照片时要快得多。它就像一个任劳任怨的插画师，一篇文章喂进去，十张配图自动给你画出来，真正做到了 “量大管够”。

我们来看看成品。虽然图片中的中文文字显示还有问题（这也是目前许多海外模型的老毛病），但无论是画风、场景构图，还是它所展现的细节，我觉得都相当不错。

比如，这张图表达了参数太多导致调整缓慢的痛点。

这张图展示了我们用氛围编程进行协作并快速得到结果。

还有一张图形象地画出了如何将不同的 Web coding 工具结合起来实现 “重器轻用”。

总的来说，在这个用途上，Nano Banana 中文处理能力是短板。但别着急，我们都知道国产大模型在中文方面已经做得非常出色。这些技术一旦融合，我们未来用上既有强大绘图能力，又能深刻理解和表达中文的 AI 工具，是指日可待的。目前，一个简单的临时方案是在提示词里加个补丁，要求图片里如果出现文字，一律用英文展示。

小结

经过一番测试，我觉得 Nano Banana （Gemini 2.5 Flash Image）的绘图功能非常好用。它基本上把我之前使用的多种绘图工具的功能整合到了一起，无论是修改图片、合成照片，还是直接从文本生成图像，都极其方便。

特别是它支持三张图同时输入进行合成处理的能力，非常强悍。人物特征的一致性保持得很好，还能根据你的要求自动调整视线角度和表情，实在太棒了。如果你从事创意相关工作，这些功能想必会对你大有裨益。

但与此同时，我也想再次强调技术进步带来的风险。

只要别人拿到你的一张照片，理论上就可以让你和任何人在任何地点「做任何事」。这项技术给我们敲响了警钟。你看，就连赫本那张几十年前的黑白老照片，都能被还原成一个现实场景中的彩色人物，肤色和质感都高度逼真。

所以，到了今天，与其反复强调 “注重隐私保护、不要轻易发布照片”，意义恐怕已经不大了。因为在数字时代，你很难做到一张照片都不出现在公共视野中。

相比之下，更重要的事情是提升我们自己的 AI 素养。遇到事情，不要慌张。电信诈骗和敲诈勒索，利用的都是人们在信息不对称下的恐惧和脆弱。如果你因为一张合成照片就乱了阵脚，那会非常被动。因此，我们必须主动去了解，现在的 AI 技术已经发展到了什么阶段。只有具备了这种认知，我们才能做到不信谣、不传谣，不被别有用心的人利用技术带到沟里去。

赶紧试试 Gemini 里这项被昵称为 Nano Banana 的新功能吧，也欢迎你把自己的创意成果分享到留言区，咱们一起交流。

祝 AI 绘图愉快！

如果你觉得本文有用，请点击文章底部的「推荐到博客首页」按钮。

如果本文可能对你的朋友有帮助，请转发给他们。

欢迎关注我的专栏，以便及时收到后续的更新内容。