国内最近与 Midjourney 有关的内容如雨后春笋般层出不穷，说实话，短时间被大量的 AI 图像刷屏后，多少开始有点审美疲劳了。

正好我在 Substack 上刷到一篇文章， 竟然说 Midjourney 会是下一个 Netflix！读下来发现作者视角新颖，见解独到，于是决定全文翻译并分享给大家。若你和我一样对 AIGC 话题有点腻但又还没那么腻，不如一起来看看 Midjourney 到底会不会是下一个 Netflix？

本文翻译已获得原作者授权。专用术语尽量不做翻译，仅做注解。以下为译文：

Midjourney 正在发展成为下一个 Netflix（并剑指 YouTube）。了解其中的缘故将有助于我们破解关于生成式 AI 的一些迷思。

Midjourney 背后是 一支由 11 个人组成的自筹资金团队，有望成为下一个 Netflix。他们拥有一切成功的要素：增长、数据、用户以及高辨识度的品牌。

那么，一个主要使用提示词来生成图像的 AI 绘图平台，要如何又该从哪里开始与 Netflix 去竞争呢？

首先，我们对生成式 AI 存在一个盲点：它并不仅仅是用来创建旧媒体¹的工具，它本身就是一种「新媒体」。

随机与惊喜

当你用了一下 Midjourney，首先你可能不知道该请求什么？生成的图像可能也并不符合需求，你会有点失望，但这只是暂时的，很快你就会上头，抽卡抽到停不下来！

假如想要生成一只会飞的狗狗，就从发送「dogs that can fly」的提示词开始：

很快，你就会变身为「提示词工程师」，继续扩展你的提示词丰富度：

a golden retriever catching a frisbee in mid-air, Central Park, New York City, action photography, texture, film grain, intricate hasselblad dslr RAW, sunset

当 Midjourney 接收到提示词并开始生成图像时，会先进入模糊视图（这是 AI 生成从纯噪声²到图像的演变步骤）：

生成完毕，系统默认会返回四张图像（你可以选择放大图像细节或是创建变体）：

最终结果出炉：

完美？不是……似乎 Midjourney 生成图像的过程并不是一蹴而就？所以……你会去优化提示词，去重试，去创建更多变体。

这种不断尝试着去改进的交互才是重点。所谓的用户体验，就好比你把最爱的电影重播了十几次，每次它都能是不一样的效果。

故事、风格与新媒体

想象一下，如果《哈利波特》是由韦斯·安德森³执导的话：

或是由皮克斯动画工作室打造：

但……就只是一些有趣的图像吗？只是一种 AI 生成的 fan art⁴ 而已吗？

当然，我们也可以探讨一些更深层次的东西。人们自然很容易被 AI 生成的图像所吸引，所以那些 女王或者教皇 的创意图像可以在社交网络上疯传。

但这恰恰凸显了媒体范式转变所带来的挑战：我们看到的都是熟悉的事物。这种情况下，我们关注的是「成品」（图像、视频或 音乐），而忽略了创作过程本身就是一种「新媒体行动」。

想象一下：

• 你打开一部《哈利波特》电影，然后说：“嘿，Siri，给我改成韦斯·安德森的风格！”
• 当你看得正高兴，界面上突然浮现一个「泡泡」：这是其他观众创建的「提示」，并且已经被点了一百万个「赞」。你戳破泡泡，哈利波特立刻被性转，成了女主角！
• 继续，看到魁地奇比赛的情节时，界面上会有一个「remix」图标，点击就可以使用语音提示来更换比赛场地或游戏规则。

所以，你看得这部电影算是媒体吗？也许吧……因为你仍然可以像往常一样享受它。

那它现在算不算是 Netflix 出品的《黑镜：潘达斯奈基》那样的「互动电影」呢？某种程度上也算吧，只不过替代剧情是由其他用户「提示」的。

但剥离开表象，你可以将自己生成的提示词转化为另一种东西：一种媒体，它是一种消费体验，部分是由你可以与之对话的 AI 来实现的。

AI 激活了一种新型媒体，其中对内容的消费又包括具有创造性的「智能」对话服务。

涌现与社区

在上述内容中无法察觉，其实 AI 有两点是超越人类认知的，甚至已经 产生了一个 AI 神话（我自认为）：

你的提示词不只是与 AI 系统交互

你的提示词以及你对生成结果的反馈，会在系统中与其他所有人的，包括最初为 AI 提供训练且还在不断增长中的 LLMs⁵相结合。

想象一下，每天都有数千亿个数据点被添加到训练模型中，然后再被拓展增强。今天你给出的提示词所生成的狗狗图像，其眼睛周围可能会有轻微的变形，但毫无疑问，明天就会变得更好（或不同）。

AI 系统是涌现⁶的，具有不可预见性。

当你在 Midjourney 输入提示词时，那些开始从「模糊」逐渐到具体的图像也是一个巨大概率生成器的组成部分。虽然 Midjourney 可以通过使用各种权重、对抗网络⁷和不断训练来实现生成结果，但它终归就是一个随机生成器。

一旦图像生成，你就可以对其进行微调——例如用猫咪替换狗狗，或者做更精细化的调整。但在默认状态下，生成式 AI 仿佛就已经拥有了自己的意识一般。

事实上，在系统的最深层，即使是 AI 工程师也不能完全了解它是如何运作的。

以上两点对于将 AI 解析为一种新媒体来说非常重要。因为它们意味着：

• 「故事」可能会允许出现新奇内容，这些内容可能是超出人类认知的，会造成「观众」/创作者与和人类的创作过程相似但又「adjacent」⁸的 AI 之间关系紧张（思考下「adjacent」这个词的意思，因为它 饱含 寓意）
• AI 媒体产品永远不会有一个固定形态。 在「旧时代」，媒体的创作模式是固定的：写一本书，它就是一本「固定」的书;可以把书变成一部「固定」的电影;衍生出一本「固定」的漫画书。当然，可能会有 fan art 助攻来放大核心 IP 的影响力，但打造「经典」就是一种固化的创作模式，也反映出了旧媒体模式的僵化。
  
  AI 媒体时代可能不会再产生经典。是的，由 AI 制作并在其他平台上分发的媒体产物可能是「固定」的，但「新媒体」将是可变的、动态的、新奇的（并且通常在沉浸式空间中能得到最好地体验）。

媒体转型 101

还有一点是关于 AI 的一个悖论：它既是旧媒体的生产工具，又是媒体本身。

AI 作为媒体，某些方面看起来很像以前的媒体范式转变：

• 起初，新媒体看起来像是基于某些新技术的小众分发系统。无论是分发书籍还是广播，录像带还是流媒体，首先要解决的是技术层面的问题。
• 随着技术「问题」得以解决，注意力开始转向受众和覆盖面。如何让书籍或流媒体频道、电视广播和「交互式媒体」进入更多人的客厅？界面设计是重点，好的界面交互使新媒体更容易被大众所接受，无论书籍的大小还是电视机的设计都需要考虑。
• 努力理解新媒体/媒体的「语法」。广播很像舞台剧，电视很像广播节目，流媒体很像电视。
• 然后，热门产品出现了——利用新媒体的方式，并且使用了新的「film grammar」⁹来吸引更多的观众。简·方达健身操（是的，请查一下！），《黑道家族》，或者移动互联网时代 Instagram 这样的应用程序皆是如此。

然而，AI 令人困惑之处在于，它是首个对以往媒体进行「loop back」¹⁰的媒体。

电视不是用来改变广播制作方式的工具，流媒体也不是制作广播电视的工具套件。

但 AI 不一样。它既是电影创作者、书籍作者、摄影师和音乐家们的创作工具（或即将完全取代他们），也是一种新型媒体。

因此，关于 AI 的许多报道都集中在，它能够生成用于发布在社交媒体上的图像、在 Amazon 上出售的书籍或游戏中的 3D 元素上。

但 AI 本身就是一种媒体。

如上所述，你可以开始对即将到来的事情做一些预测了。其他人也同样在想象 AI 生成的未来：

• 红杉资本称 即将到来的时代 是「个性化梦想」之一。

• Scott Belsky，Behance 的创始人兼 Adobe 的 CPO，他设想了一个 合成娱乐的新世界。他设想「大张旗鼓即服务」，让 AI 生成物来庆祝你的创造性工作（所以，我猜，AI 生成的电影也可以拥有 AI 生成的粉丝），并预测「我们将在未来 12～18 个月内看到第一部由 AI 制作的原创 Netflix 节目」。
• Jon Radoff¹¹ 设想 沉浸式空间将专注于内容的可组合性：即轻松集成，链接和组合创意内容的能力。这意味着我们将会看到更多的新奇故事涌现。

作为新媒体的 Midjourney

Midjourney 有望成为 AI 即媒体时代的下一个 Netflix。

原因很简单，那就是内容永远是王道。

其他人都只专注于工具。例如：Stability AI 为 Midjourney 提供了部分基础技术支持，OpenAI 则完全专注在训练模型，工具和 API 上。

在早期，赚大钱的可能是电视机、收音机或 VHS 磁带的生产商。但真正的赢家其实是电影公司和 IP 持有人。

到目前为止，Midjourney 已经展现出了对提高其内容质量和创造完美用户体验的高度重视。

这种态度与其打造的「观看频道」相匹配，形成了一个拥有百万频道的初级「广播」平台：

该平台还有一个类似 Netflix 上点赞的「rank pairs」功能。

因此，即使在这个初期阶段，你也依稀可以看出 Midjourney 不仅是一个工具，还是一个社区平台，社交网络和伪广播公司。

内容优势在代码中

在幕后，Midjourney 正在发展另一种优势。因为假如 AI 交互是一种新媒体，并且每个新媒体都需要有优秀的（热门）内容，那么了解如何打造热门内容就非常重要。

下面是对 Midjourney 工作方式的简略描述，至少讲到了一个「层面」（我实际上会刻意避免讨论有关 AI 训练方式的话题）：

LLMs 解释提示词，提示词就是数据

假如你是一个电视网络，你不仅能获得「收视率」数据，你还可以获取观众的节目浏览历史记录。或者举一个当下的例子，你是 TikTok——你不仅知道用户在看什么，还能获取关于他们的偏好及意图的深度数据。

Midjourney 不仅完善了响应提示词的能力，还通过潜在的收集用户偏好创建的内容类型，从而具备了强大的洞察力。

现在，这已经不是什么新鲜事了。当下的 AI 热潮很大程度上就是靠 LLMs 和它们理解自然语言的能力所推动的。

但是，已经实现规模化的平台（如 Midjourney）正在发展越来越大的用户洞察优势（这些洞察也可以反馈回系统）。

管理 Checkpoint

一旦你发送了请求，生成式 AI 就会从随机噪声开始，通过一系列步骤推测出应该更改哪些像素点，以便生成符合你提示请求的图像。（再次强调...这是非常简略的描述）。

Checkpoint¹² 可以有效节约创建图像的时间和资源成本，在特定点进行「保存」，然后从最有可能产生高质量图像的点继续。

所以，假如你想要生成一幅「带船的油画」，你可以训练模型并找出能生成最佳结果的步骤，再投入一些用户反馈（大量的），既能提速，又能保质，结果就是又快又好。

Midjourney 正在创建一个庞大的 checkpoint 模板库（除此之外还有样式/ LoRA/其他任何东西），像是不同的「主题」模板。想象一下，假如你拥有了最佳「喜剧剧集」的创作模板会怎样。

美学引擎

实际上，我认为 Midjourney 的非凡之处在于，它正在创建一个庞大的美学引擎。它不直接做出风格和类型上的选择，但以它所具备的规模，它能够在创作者社区和系统之间实现创作闭环，达成一种蜂巢思维共识，当我们请求「奇幻插图」或「时尚照片」时，生成出真正符合我们要求和审美偏好的内容。

从这个意义上看，Midjourney 更像是 HBO，而非 Netflix。HBO 以拥有一定高质量的内容著称，Midjourney 也有类似的定位，尽管这些内容的美学特征都由代码来定义，而非产出于某个影视创作者的工作室。

通往新媒体巨头之路

让我们拿《继承之战》¹³ 最终季首集的观看人数来做个对比：

现在，每天有超过 27.5 万张图像（最高 估计）在 Midjourney 上被创建，官网每月有超过 400 万次的浏览量，其 Discord 服务器上还有近 1500 万名成员在活跃着。

这当然与 Instagram 的 1 亿张照片相去甚远。但我更愿意把它当作是一个庞大的内容生成焦点小组。

要成为「下一个 Netflix」，Midjourney 需要从过去的媒体范式转变中吸取教训，并记住，虽然技术很重要，也是能转变的原因，但你胜在拥有无缝的用户体验以及令人拍案叫绝的内容。

假如 Midjourney：

• 开始将其内容按照不同频道来分类。想看惊悚片还是动漫？你可以随心所欲切换自己偏好的类型。
• 创建了一个具备「优雅」提示的功能模块。就像前面举的《哈利波特》的例子，我在 Midjourney 网站上点击「remix this」按钮就能得到想要的效果，无需再费力研究提示词。
• 与优秀的故事创作者合作，并开始在特定宇宙上创建训练模型。当有一个官方认可的 Midjourney 版本的《哈利波特》出现，它还拥有书籍、媒体及游戏 IP 的改编权，到时会是什么局面？
• 为创作者提供收益支持，无论是在 AI 生成内容的过程中（比如提供提示或训练模型）还是在生成结果出现后（比如出售或分享图像）。
• 当 AI 生成的视频开始出现时，也能继续专注于美妙绝伦的用户体验和精彩纷呈的内容。

旧媒体孤岛将倾向于圈地自保。

当然，YouTube 可能会调整策略，加入 AI 创建工具来生成视频，甚至 Netflix 可能会播放一部完全由 AI 生成的节目。

但就像以前一样，新一代的创新者总会超越旧的思维模式、界面设计、风格类型以及叙事规则。

Midjourney 可能有足够新鲜的眼光、足够庞大的规模和足够宏大的愿景，意识到在 AI 称霸的时代，它可以成为下一个 Netflix。

原文作者：Doug Thompson

原文地址：Midjourney Is The Next Netflix. Here's Why (substack.com)