惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

M
MIT News - Artificial intelligence
罗磊的独立博客
Hugging Face - Blog
Hugging Face - Blog
J
Java Code Geeks
G
Google Developers Blog
美团技术团队
让小产品的独立变现更简单 - ezindie.com
让小产品的独立变现更简单 - ezindie.com
腾讯CDC
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
T
The Blog of Author Tim Ferriss
月光博客
月光博客
B
Blog
WordPress大学
WordPress大学
云风的 BLOG
云风的 BLOG
博客园_首页
人人都是产品经理
人人都是产品经理
aimingoo的专栏
aimingoo的专栏
Y
Y Combinator Blog
Jina AI
Jina AI
S
SegmentFault 最新的问题
H
Help Net Security
博客园 - 聂微东
Microsoft Azure Blog
Microsoft Azure Blog
Google DeepMind News
Google DeepMind News

人人都是产品经理

为什么你的产品找不到差异化?90%的失败都卡在第一步上(下) – 人人都是产品经理, 3年从30万到1300万用户、获2200万美元融资,这个AI教育产品用“抽卡”破解了获客难题 – 人人都是产品经理, 园区招商系统怎么做才能真正帮到去化?我加了这一个功能,推广链接转发400次阅读过万 – 人人都是产品经理, AI大事件:OpenAI发完网络安全模型又搞药物研发,小鹏汽车要抓”DeepSeek时刻” – 人人都是产品经理, 电商不是卖货,是一场更残酷的产品经理实战 – 人人都是产品经理, 没想到,活动营销又回来了! – 人人都是产品经理, 为何All-in海外KOC:一场关于AI时代窗口期的豪赌 – 人人都是产品经理, 重新理解企业的内部协作 – 人人都是产品经理, 苹果的 AI 战略到底是什么? – 人人都是产品经理, 医疗智能体·第2讲——合规护城河:等保、PIPL与HIPAA的架构实战 – 人人都是产品经理, 向量知识库五步法:从“答非所问”到“精准回复” – 人人都是产品经理, 鸿蒙PC三方库构建总指挥HPKBUILD(sha)库为例 – 人人都是产品经理, 何时该用LLM?AI产品经理的LLM设计指南 – 人人都是产品经理, 医疗信息领域的需求方、决策方、准入方以及关注点(二) – 人人都是产品经理, 即梦涨价:一场被误读的「傲慢」 – 人人都是产品经理, 面试AI PM必答题:Hermes和OpenClaw的区别,如何讲清楚业务价值 – 人人都是产品经理, AI的下一张船票:世界模型——AI产品经理必须理解的技术拐点 – 人人都是产品经理, 小红书做GEO,怎么让AI信你?记住这 3 个重要信息 – 人人都是产品经理, 5 家印度 AI 初创公司,看看印度 AI 再做什么 – 人人都是产品经理, AI项目跨团队协作:产品技术业务如何不打架 – 人人都是产品经理, Agentic Workflow(智能体工作流):让AI从”答案生成器”变成”数字员工” – 人人都是产品经理, lycium_plusplus 项目全景解读:OpenHarmony 三方库构建的“大管家” – 人人都是产品经理, 从爆单救火到前置履约:两套预采策略,把生鲜大促履约效率拉满 – 人人都是产品经理, 什么时候该补货?我用一轮数据做了一个决定 – 人人都是产品经理, 从“机械兜底”到“动态分流”:AI客服重复进线治理的4大底层逻辑 – 人人都是产品经理, 抖音拼效率,红书拼洞察 – 人人都是产品经理, 全民狂欢与退潮——为什么龙虾这波热潮冷却得如此之快? – 人人都是产品经理, Stripe押注!MPP重塑全球支付 – 人人都是产品经理, 小红书GEO:AI引用你的内容,不是因为你对,而是因为你看起来可信 – 人人都是产品经理, 前百度副总裁押注办公Agent,日韩付费爆发,Manus迎来强劲对手 – 人人都是产品经理,
遇到问题找AI,这次AI帮我解了燃眉之急
刘刚 · 2025-10-12 · via 人人都是产品经理

这篇文章将通过一个真实的故事,展示AI如何在关键时刻帮助作者解决了一个看似简单却棘手的问题——修图。

在聊AI之前,先聊聊别的。

我还记得,高中毕业后去深圳打暑假工,领了现金工资后,自己没有银行卡,担心拿着钱坐车回家弄丢了,于是去银行柜台,将工资汇款到家里的存折。

大学毕业后,来北京工作,刚开始给家里汇款的时候,也去过银行柜台,填写纸质的汇款单。

那时,如果想在非银行上班时间紧急汇款,基本行不通的。

后来移动支付、手机网上银行开始盛行,就再也没去过线下汇款,所有的转账都是通过手机完成。

当时没想到,将来有一天,对我来讲,去银行柜台汇款会成为历史。

这其实是一件很小的事情。背后反映的是科技在进步,时代在发展。有些看起来不起眼的改变,可能对我们工作、生活带来极大的便利。

最近,我就用AI,帮我解了燃眉之急。虽然这并不是一件大事,但背后反映的是,AI已经开始影响我们工作、生活的方方面面。

一、AI修图解了我燃眉之急

事情是这样的。

前段时间,因为工作需要,公司让我提供一张职业照,提交后同事没说照片有问题。

但在距离截止时间,只有不到半天时找到我,说“照片不符合规定,需要提供正面照。”

上面是我提供的图片,原照片是半身形象照,不属于证件照,仔细看的话,能看出来身体有点倾斜,不是标准正面照。

当时,我存在侥幸心理,以为这张照片能“糊弄过去”。

于是我说,照片几天前就发给你了,当时没说有问题,我以为你们审核通过了。

结果对方说,他们收集照片时,不做审核。照片要求已发给大家,需要大家按照要求提供照片。

因为当时临近中午,当时我首先想到的是,先不吃饭了,马上去公司附近的照相馆拍照。

但是转念一想,去照相馆拍照,来回折腾,加上照片的处理时间,估计得2个小时,既费钱,又浪费时间。

突然想到,现在AI也能生成、调整图片,是不是可以用AI处理一下。

于是,打开自己常用的“即梦AI”这款工具,输入上面那张被驳回的照片,输入如下的提示词:

将这张照片,按证件照的标准,调整为100%正面看镜头,长宽为1:1,像素1500*1500的个人白底照片,格式为.jpg,且包含完整面部、颈部、肩膀(约为胸口及以上位置),选择合适的光源,避免照片有阴影(需要露出完整的上半身)。

短短几秒钟,“即梦AI”就生成了满足要求的照片,也就是右侧下面那张照片。这张照片提交后审核通过了。

下面三张图片中,左侧和右侧上方是原照片,右侧下方是AI调整后的照片。

右下角这张新照片,有三个调整的地方:

一是从原来有点侧身,变成了正面照,这一点至关重要。原来的照片审核没通过,说照片不是正面照。AI调整后的照片,再次提交审核通过了。

二是背景色,从原来的灰色,变成了白色,让照片符合白底的要求。

三是脸部的颜色做了调整,原来面部颜色有点偏黄,调整后更白了。

当我得知,经AI调整后的照片,审核通过后,我内心有点小庆幸。

当时第一反应是,一个全新的时代即将来临,并且开始真真切切,实实在在地影响我们的工作、生活的方方面面。

毫不夸张地说,未来照相馆的生意会受到很大的影响。

比如我们随便拍一张照片,就可以让AI进行调整、美化,除了可以更换角度、背景和颜色,还能更换服装等,只要你能想到的要求,AI大概率能实现。

想象一下,你随手自拍了一张照片,尽管你穿的是T恤,但能让AI给你换成衬衣+西装,或者其他任何你喜欢的衣服。

也就是说,你想修图,只需要输入指令就可以。

以前照相馆修图,都是按张收费的,一张都要几十、上百,甚至更贵,而且也费时,未来这些工作AI基本能取代,并且做得更好,效率更高。

毫不夸张地说,不管你是否承认,AI时代已经真正到来,并且已经开始影响我们工作、生活的方方面面。

二、AI修图背后的逻辑

接下来,我们来说一下,AI修图背后实现的逻辑与原理。

首先,对于传统的图片处理软件,比如Photoshop,它是规则驱动,就像一把精密的手术刀,你需要告诉它:“选中某个区域,颜色改成白色”,它能按要求做,但不理解内容。

而AI图像模型是数据驱动的,它通过学习海量图像和对应的文本描述等,构建了一个视觉概念模型。它并不是在拼图,而是在理解你需求后,绘制出一张全新的图片。

对于AI的修图,核心动作是重画。它会在原图的基础上,运用其从海量数据中学到的知识,根据你的指令,重新绘制并按要求进行修改。

这个过程分为三步:

1、理解现状:

AI会先看一眼你的原图,理解里面有什么,包括有什么人、树、房子等。

比如上面这张照片,AI会理解,这是一张人脸,但照片有点侧身,看到一只耳朵和半边脸显示不全。

2、加入噪声:

AI会故意将原图片弄花,加入噪点,就像在画上撒一层薄薄的白沙。这一步是为了给AI留下创作空间。

3、按指令修改:

AI开始清理这些噪点,但在清理的每一步,它都会参考你的文字指令和原图的结构。它的最终目标,是生成一张既符合你指令、又与原图有一定关联的新图片。

比如上面这张图片的修改,AI会调用从数亿张正面人脸照片中学到的知识,识别出“一个正常的正面人脸,应该有两只对称的眼睛、两边对称的脸、两只对称的耳朵、一个鼻子、一张嘴。”然后AI按指令要求调整为正面照。

三、AI修图的局限

尽管AI处理图片的技术,总体效果不错,但仍有局限。

比如在处理人物图片时,人的手部姿势、面部表情多变,文字样本相对较少且组合复杂,导致模型对这些细节概念学习不充分、不到位,容易出错。

对于一些复杂的空间管理,或者物理常识,模型可能无法准确理解。

AI在对图片进行处理时,虽然能够理解需求,但要实现像素级的精确控制仍然非常困难,如果对图片处理要求非常高,就需要慎重。

四、结语

AI 修图不是在原图上涂改,而是先看懂内容,再按要求重新生成符合逻辑的图片。

AI是否能生成符合你要求的图片,全看你给的指令够不够具体,以及原图有没有清晰的参考信息。

如果你修图时,非常清楚地知道,自己要修改哪里、保留哪里、调整什么细节,AI通常就能高质量地完成任务。

本文由人人都是产品经理作者【刘刚】,微信公众号:【产品经理之路】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。

题图来自Unsplash,基于 CC0 协议。