从混乱到物理：AI 图像中的空间逻辑

空间的诡异谷

看过足够多的 AI 生成图像后，你会养成第六感。在你能说出为什么之前，就能感觉出有些不对劲。

影子落在左边，但窗口在右边。一个人站在通往无处的楼梯上。镜子中的倒影显示了一个完全不同的房间。物体浮在桌子上方。手以不可能的角度拿着杯子。

AI 图像模型擅长纹理和风格。但从历史上看，它们在物理方面一直很糟糕。

认识一下 Chen。他是上海的一位建筑可视化艺术家。2024 年，他尝试将 AI 用于室内渲染。他的提示是："现代客厅，落地窗，阳光流入，极简主义家具。"

结果看起来很漂亮——乍一看。然后他的建筑师同事指出：

• 影子表明太阳在地平线以下
• 玻璃桌子的倒影显示了一个完全不同的房间
• 地板和天花板的透视线没有正确汇聚
• 沙发在两个不同的方向上投下了影子

"看起来像一场梦，"他的同事说。"梦不遵循物理规则。"

Chen 在 Photoshop 中花了 3 个小时来修复这些错误。还不如从一开始就用传统方式渲染它。

这是 2024 年代 AI 图像生成的肮脏秘密：表面上很美，物理上是胡言乱语。

---

为什么物理对 AI 来说很难

扩散模型的盲点

扩散模型（DALL-E、Midjourney、Stable Diffusion）学习的是模式，而不是物理。它们在数十亿张图像上训练，学到：

• "房间通常有窗户"
• "窗户通常有光照进来"
• "光创造影子"

但它们没有学到：

• "光沿直线传播"
• "影子指向远离光源的地方"
• "反射遵循反射定律"

所以它们生成"看起来像影子的纹理"，但不与实际光源相对应。它们生成"看起来有反射的图案"，但不反映实际场景。

复合误差问题

一个小的物理错误会级联。如果光线方向错误，影子就错误。如果影子错误，物体放置看起来随意。如果物体感觉随意，整个场景就显得虚假。

用户会养成无意识的模式识别："AI 图像"="漂亮但略有不对"。

人工成本

对于专业用例——建筑、产品可视化、电影概念设计——这些错误不是怪癖。它们是交易破坏者。

• 建筑客户："为什么阳光照在北墙上？"
• 产品摄影师："反射显示了不同的产品。我们不能用这个。"
• 电影导演："透视有问题。我无法规划镜头。"

每一个都需要手动修正，往往抵消了 AI 生成的时间节省。

---

Nano Banana 2：空间推理引擎

从模式匹配到理解

Nano Banana 2 不仅识别视觉模式。它还推理：

• 光源：光从哪里来？它的颜色和强度是什么？
• 遮挡：什么遮挡什么？什么在前面，什么在后面？
• 透视：平行线如何汇聚？摄像机角度是什么？
• 反射：反射表面上应该看到什么？
• 比例关系：物体 A 相对于物体 B 有多大？

这不是后期处理。这是内置于多模态架构中的原生空间推理。

技术区别

传统扩散：

[提示："带窗户的房间"] → [生成在统计上与"房间"和"窗户"匹配的像素]

Nano Banana 2：

[提示："带窗户的房间"] →
[理解：窗户是光源] →
[计算：光从方向 X 进入] →
[生成：与方向 X 一致的影子] →
[验证：透视线正确汇聚]

它不仅在生成。它在模拟。

---

你现在可以采取行动

影子测试

所需时间：5 分钟。成本：约 $0.15。

第 1 步：在任何 AI 工具中生成测试场景：

"一个人站在汽车旁边，日落光线，长影子"

第 2 步：检查影子：

• 它们都指向同一方向吗？
• 它们的长度与日落（长）vs 正午（短）对应吗？
• 人物的影子与汽车的影子对齐吗？

在大多数 2024 年代的工具中，你会发现不一致。

第 3 步：在 Nano Banana 2 中生成相同的提示。

第 4 步：比较。影子一致性的差异立竿见影。

反射测试

第 1 步：

"咖啡馆内部，一个人在桌子上阅读，他们身后的窗户显示城市街道"

第 2 步：检查窗口：

• 它是否正确反映了室内灯光？
• 人物的倒影是否与他们的实际姿势匹配？
• 外面的街道场景是否与倒影对齐？

Nano Banana 2 保持了反射的一致性，这在其他工具中需要手动合成。

透视测试

第 1 步：

"一条长走廊，两侧都有门，低摄像机角度向下看"

第 2 步：检查透视：

• 天花板、地板和门框是否朝向消失点汇聚？
• 门的大小是否随距离递减？
• 天花板的高度是否看起来一致？

这是 Nano Banana 2 的空间推理闪耀的地方。透视在几何上是一致的，不是"大致正确"。

---

空间逻辑能做什么

建筑可视化

Chen 的新工作流程：

T1："现代办公大堂，3 层楼高，南侧有玻璃幕墙"
T2："早晨光线从玻璃墙进入，显示地板上的影子"
T3："在中心添加接待台，天然木材"
T4："台子应该投下与早晨光线角度一致的影子"
T5："在抛光地板上添加玻璃墙的倒影"

每个元素都遵循相同的光源。影子对齐。反射匹配。场景在物理上是可信的。

Chen 的建筑师同事："这个我可以用。照明研究确实很有用。"

产品摄影

电子商务团队需要在逼真的背景中展示产品：

"无线耳塞放在大理石台面上，咖啡馆背景，
从左边进来的自然窗光"

对可信度至关重要：

• 接触影子：产品与表面相接处
• 反射：大理石应该反射耳塞
• 背景虚化：Bokeh 应该光学上对得上隐含的摄像机设置
• 光包裹：面向窗户的边缘应该捕捉光线

Nano Banana 2 原生地生成这些物理细节。其他工具需要手动添加或看起来略微虚假。

电影概念设计

导演需要规划镜头。物理一致性很重要：

"肩头镜头，一个人看着墙上的画，
来自单一头顶光源的戏剧性光线"

为了让概念设计有用：

• 肩膀应该部分遮挡画（遮挡）
• 画应该从上方照亮，而不是正面照亮
• 影子应该向下落
• 角度应该暗示真实的摄像机位置

Nano Banana 2 的空间推理生成物理上可信的构图，导演可以实际用于规划。

---

空间逻辑的实践

照明场景

场景 1：一致的光源

"日落时的餐厅，金色时刻光线透过朝西的窗户流入"

检查内容：

• 所有影子向东落下（远离夕阳）
• 被照亮表面的温暖色温
• 较冷的影子（环境天光）
• 长影子长度（太阳角度低）

场景 2：多个光源

"夜晚的厨房，温暖的橱柜下照明加上来自窗户的冷月光"

检查内容：

• 两个不同的影子方向
• 光线重叠的地方有颜色混合
• 光源的逻辑位置（橱柜上方，月亮外面）

场景 3：复杂的反射

"镜子走廊，一个人站在中心"

检查内容：

• 反射从正确的角度显示人物
• 无限镜子反射遵循几何规则
• 没有显示场景中不存在的事物的"不可能"反射

透视场景

场景 1：一点透视

"沿着火车站台往下看，消失点在中心"

所有水平线应该汇聚到该中心点。

场景 2：两点透视

"从街道水平线看建筑物的角落，向上看"

水平线汇聚到左右消失点。竖直线保持竖直。

场景 3：三点透视

"从地面向上直视摩天大楼"

增加竖直汇聚。对传统 AI 来说很难。Nano Banana 2 能够连贯地处理。

物体关系场景

场景 1：遮挡

"三本书堆叠在桌子上，中间的书略微拉出"

中间的书应该部分遮挡后面的书。顶部的书应该覆盖中间书的一部分。

场景 2：比例一致性

"一只猫坐在笔记本电脑旁边"

猫的大小应该与笔记本电脑相比是合适的。没有"巨大的猫"或"微小的笔记本"。

场景 3：接触物理

"一个酒杯放在桌布上"

玻璃底部应该略微压下桌布。接触应该看起来物理上是扎根的，而不是悬浮的。

---

比较：有和没有空间逻辑

测试用例：办公室内部

提示："现代办公室，下午阳光透过大窗户，一个人在办公桌前工作，角落里有植物"

测试用例：桌子上的产品

提示："智能手机放在木桌上，头顶照明，咖啡馆背景"

---

空间逻辑最重要的时候

必须具有物理一致性

很好有物理一致性

不需要物理一致性

---

当前空间逻辑的局限

仍在学习：复杂光学

• 焦散：通过玻璃/水聚焦光线（光的池塘）
• 次表面散射：光进入材料内并反弹（皮肤、蜡）
• 体积光：光束通过雾/灰尘

Nano Banana 2 把基础做对了。高级光学现象仍在发展。

仍在学习：动力学

静止场景效果最好。运动模糊、复杂物理的动作姿势（运动、碰撞）更难。

仍在学习：极端尺度

微观摄影（昆虫眼睛）和天体摄影（星系尺度）突破了训练数据一致性的极限。

---

未来：物理感知生成

走向何方

2024 年："生成一个看起来正确的图像"

2026 年（Nano Banana 2）："生成一个物理上一致的图像"

2027-2028 年："生成具有准确物理模拟的场景"（光传输、材料属性、动力学）

轨迹：从外观到模拟。

影响

随着 AI 空间推理的改进：

• 建筑：AI 生成的渲染变成可靠的照明研究
• 电影：概念设计变成制作就绪
• 电商：AI 产品照片与工作室摄影不可区分
• 教育：AI 插图可以信任的准确性

"AI 生成"和"物理准确"之间的界限模糊了。

---

系列导航

这是 Nano Banana 2 Masterclass 系列的第 3 篇文章。

• 前一篇：E02：从文本到图像到对话到图像
• 下一篇：E04：从高级定价到每张图像几分钱
• 系列概览：Masterclass 索引

---

物理是可信度的差距。它正在缩小。