- MAI-Image-1 是微软首个内部开发的图像生成器，首次亮相 LMArena 前 10 名。
- 他们的提案重点关注照片级真实感、生成速度以及通过精选数据和评估来减少“AI 外观”。
- 您可以在 LMArena 免费试用，并且很快将逐步在 Copilot 和 Bing 上推出。
- 此次发布是微软摆脱 OpenAI 束缚、加强生态系统战略的一部分。
微软推出MAI-Image-1，这是其首个完全自主研发的文本图像生成AI模型，此举可谓大胆之举。许多人认为，这是微软与OpenAI和其他行业巨头正面竞争的战略举措。MAI -Image-1的主要优势在于兼顾速度和极高的视觉质量，尤其是在处理照片级真实场景、复杂光照和细微细节方面，这些往往是图像处理引擎的短板。
除了技术方面，此次发布正值微软的关键时刻：微软市值首次突破 4 万亿美元，并计划投资超过 120.000 亿美元用于基础设施建设，这主要得益于 Azure 和其对人工智能的承诺；MAI-Image-1 正好符合这一路线图，可以减少对外部供应商的依赖，并在Copilot 和 Bing中提供原生体验，目前已可通过公共 LMArena 平台免费预览。
什么是 MAI-Image-1，为什么板子会发生变化？
MAI-Image-1 是微软人工智能的全新 AI 图像生成器，该模型可在几秒钟内将书面指令（提示）转换为图像，并且由内部团队从头到尾构建；我们说的不是DALL·E 或其他授权技术的简单替代品，而是微软自主与 OpenAI 的 gpt-image-1 或 Google 的 Gemini/Image 等解决方案竞争的基石。
该项目与由 DeepMind 联合创始人 Mustafa Suleyman 领导的微软人工智能部门重组计划相契合；该公司此前一直严重依赖 OpenAI 的 Copilot 和 Azure 服务，但现在正加速开发自己的模型，例如MAI-Voice-1（语音）和 MAI-1-Preview（文本/多模态），甚至在一些 Microsoft 365 流程中用 Anthropico 模型对其进行补充。
战略解读很明确：微软希望控制其关键的 AI 技术栈，减少对第三方的依赖，同时在合理的情况下保持合作；这种与 OpenAI “合作与竞争”的平衡体现在 MAI-Image-1 中，它是为创作者和创意团队的实际应用而设计的，而不是简单的实验室实验。
从功能上看，该模型接受自然语言描述，并返回可迭代、导出和与其他工具配合使用的可视化结果；其重点在于每次请求都能生成与提示一致的图像，减少典型瑕疵，并具有显著的响应速度，从而促进更灵活的试错循环。
对于普通用户而言，这意味着能够想象一个场景，输入它，然后点击一下即可获得；对于企业而言，这意味着更短的创意迭代周期、更少的等待时间，以及更自然地融入设计、营销或产品工作流程，在这些流程中，评估视觉变化的速度至关重要。
关键功能：视觉质量、速度和更少的“AI外观”
微软团队坚持两大支柱：质量和速度；MAI-Image-1 特别注重光照（反射、反射光、一致的阴影）、精细细节和风景，这些方面历来是区分“像样的”合成图像和真正可信的合成图像的关键所在。
另一个重点是避免出现臭名昭著的“AI 外观”：重复的图像、过度使用的风格或过于风格化的处理，最终看起来格格不入；为此，微软表示，他们精心挑选数据并进行评估，重点关注真实的创意任务，并听取创意行业专业人士的反馈，以改进模型的行为。
速度作为第三个因素进入了等式；MAI-Image-1 的目标是在不牺牲竞争质量水平的前提下，明显快于巨型模型，这在实践中允许探索各种想法和变化，而不会让每次测试都变成无休止的等待。
与此同时，微软强调了其对安全性和负责任使用的承诺；该公司解释说，该模型包含安全措施，以防止出现不当或低价值的结果，并且力求在不落入陈词滥调或重复模式的情况下提供灵活性和视觉多样性。
- 照片写实主义和连贯性 在照明、反射和复杂景观中。
- 快速迭代 这得益于较短的生成时间和富有表现力的提示。
- 减少“AI 外观” 通过选定的数据和面向真实案例的评估。
- 安全保障 并注重为创作者提供实用性。
实测性能：LMArena 首次亮相以及改进空间
为了更好地理解情况，MAI-Image-1 的首次公开评估是在 LMArena 上进行的，LMArena 是一个开放平台，通过投票和盲测来比较 AI 模型；该模型首次亮相就进入了前 10 名，从第 9 位开始，对于一个完全由微软开发的第一代模型来说，这是一个了不起的成绩。
值得记住的是，这种排名方式的工作原理是：用户面对来自不同模型的结果，却不知道哪个是哪个，他们选择他们认为对同一提示最合适的模型；一个新模型已经出现在前十名中，这意味着与字节跳动、OpenAI、谷歌或腾讯等巨头的成熟模型相比，它的图像令人信服。
尽管如此，微软至少目前还没有公布全面的定量比较或培训细节；该公司坚称，重点在于实际任务中的感知质量以及与专业人士的反馈进行迭代，这为随着时间的推移公布更多指标留下了空间。
微软人工智能管理层表示，目标是继续完善模型并提升排名；显然还有改进的空间，其理念是快速迭代，从LMArena社区提供的反馈以及Copilot和Bing等实际应用案例中学习。
就性能而言，起点很稳固，尤其考虑到质量和速度的结合；关键在于随着标准的提高和新功能的加入，保持这种平衡，因为这些新功能需要更多的计算或更多的视觉上下文。
可用性和集成：从 LMArena 到 Copilot 和 Bing
目前，测试 MAI-Image-1 的官方方法是通过 LMArena，该模型可用于生成图像并参与比较；微软已确认，其与 Copilot 和 Bing Image Creator 的集成将“很快”推出，但会逐步推出，不会在一夜之间完成。
实际上，这意味着我们将看到各种技术共存一段时间；各种消息来源表明，MAI-Image-1 注定要在某些 Copilot 功能中取代 DALL·E 3 和 OpenAI 的多模态模型，在成为默认选项之前，将分阶段进行大规模测试。
预计微软还将根据用例对第三方模型的集成进行微调；Microsoft 365的某些领域已经利用了 Anthropic 模型，因此采用混合方法，即每个任务都由当时性能最佳的技术来处理，也并不罕见。
对于开发人员和团队而言，这种转变可以开启通往更可预测的工作流程和更精细的控制的大门，从而在微软生态系统中实现更高效的控制；拥有自己的生成器有助于与 Azure、内容管道和生产力工具进行深度集成，从而减少延迟和合同依赖性。
显而易见的是，微软正在采取谨慎的做法：收集反馈、不断改进、逐步推广；其目标是，当 MAI-Image-1 完全嵌入 Copilot 时，能够为创意专业人士和非专业用户提供即时价值，并减少摩擦。
如何在 LMArena 上免费试用 MAI-Image-1
现在访问该模型非常简单且免费：只需从浏览器输入 LMArena，然后选择 MAI-Image-1 作为要生成的引擎；如果您选择单个模型模式并选择 Microsoft，您可以输入提示并查看其返回结果，并完全自由地进行迭代。
在首次公开测试中，该模型在光线良好的逼真场景和艺术构图中表现尤为出色；当要求它拍摄日落时的城市肖像或具有柔和反射和阴影的风景时，其光线和材质的连贯性从一开始就达到了令人惊讶的水平。
然而，与几乎所有当前的生成器一样，它也有一些方面需要改进；例如，手（手指）偶尔会出现错误，标签或嵌入式文本存在一些困难，以及目前在更改最终图像的宽高比方面存在局限性。
在人像摄影中，一些例子显示出微妙的“年轻化效果”和比预期更光滑的皮肤，以及暴露合成痕迹的皱纹；这些都是图像模型中常见的细节，可以作为未来改进的指导，包括数据改进和模型微调。
实用技巧：针对光线、风格和构图提出清晰明确的提示；当您提供光线类型、纹理、景深或镜头类型等细节信息时，MAI-Image-1 的响应会更好，从而减少达到您想要的效果所需的迭代次数。
微软和 OpenAI：必要的合作伙伴，日益激烈的竞争
商业背景解释了部分原因：微软在 2023 年向 OpenAI 投资超过 10.000 亿美元，获得了将其模型集成到 Azure 和 Word 或 Excel 等应用程序中的独家权利；据报道，这一联盟是让 Copilot 走向大众的关键，并得到了 GPT-4 及后续模型的支持。
然而，随着两家公司寻求更大的独立性，双方关系变得紧张；微软继续在关键产品中使用 OpenAI 技术，但同时也在加速开发自己的 LLM 和多模态模型，其目标是不再完全依赖外部供应商。
这场攻势的先锋是 Mustafa Suleyman，他重组了微软人工智能部门，以生产自己的先进模型；其中包括“Maia”系列以及 MAI-Voice-1 和 MAI-1-Preview 等版本，旨在与 OpenAI 和 Anthropic 的方案竞争，并原生集成到微软生态系统中。
OpenAI 也采取了措施来加强其运营自主性；它宣布了用于云基础设施管理的 Stargate 项目，并与 CoreWeave（五年内 11.900 亿美元）、三星、甲骨文和英伟达等公司签署了数百万美元的协议，以确保计算能力。
最近，两家公司签署了一份不具约束力的谅解备忘录，以重新定义他们的合作，但具体细节尚未公开；新闻报道指出，该备忘录将包括技术共享和收益共享的新参数，以及如果 OpenAI 达到“IAG”里程碑，则可能对技术获取条款进行修改。
透明度、安全性和培训数据
图像模型领域反复出现的问题是“它究竟是如何训练的”以及使用了哪些数据；目前，微软尚未详细说明训练集的细节，也没有发布与特定竞争对手的广泛技术比较。
该公司强调，其优先考虑严格的数据选择和针对实际任务的精细评估；其理念是通过避免平淡或冗余的结果来增强多样性、美观性和实用性，而这种情况在训练数据没有得到良好整理时经常发生。
在安全性方面，该模型融入了保障措施，以最大限度地减少问题用途并优先考虑负责任的结果；这包括内容策略和生成信号，有助于控制不必要的输出，符合行业最佳实践。
LMArena 上的公开测试也对这种持续改进起到了作用；从社区收集信号可以检测出错误、偏差和极端情况，然后可以通过模型调整、数据过滤或对齐技术来解决这些问题。
随着产品推广的推进，我们可以期待看到更多文档和用户指南；公司通常会在其技术进入受监管环境或特定商业产品时发布更多细节，因此建议密切关注未来的技术说明。
感知性能和当前限制
在日常使用中，用户强调了该模型在光线、反射和深度方面的出色表现；这使得室内外的材质（金属、玻璃、皮革、水）更加逼真，氛围也更加自然。
与此同时，典型的挑战依然存在：手部和嵌入式文本仍然是许多生成器的软肋；MAI-Image-1 也未能幸免于这些缺陷，虽然整体水平很高，但已经观察到手指畸形或标签字体不一致的情况。
已经尝试过的人还提到一点，那就是目前阶段的宽高比是固定的；横向、正方形或纵向格式对于广告活动和网络来说通常至关重要，因此随着产品推广，这方面的改进是可以预期的。
在人像摄影中，与现实相比，某些特征可能会显得“柔化”，这种效果也出现在其他模型中；这是一个敏感领域，因为保持真实的皮肤纹理和微观细节会极大地影响人们对真实性的感知，并将“漂亮的”渲染图与可信的照片区分开来。
总而言之，初步评估是积极的：在短时间内实现了高生产力和视觉吸引力强的结果；对于创意人员、内容团队和营销专业人员来说，这意味着可以进行更多迭代并做出更好的决策，而不会阻碍每一代人等待的议程。
对微软产品和生态系统的影响
MAI-Image-1 的到来，让 Copilot 和 Bing 能够改变日常任务：创作创意、产品原型、情绪板和广告视觉效果；原生图像 AI 可以降低延迟，改善与存储和权限的集成，并促进组织内部的大规模采用。
在 Azure，该模型符合其提供端到端 AI 服务的愿景；从可扩展的推理到使用代理和无服务器流程进行编排，所有这一切都旨在缩短从构思到交付的时间，同时提供可预测的成本和企业级支持。
对于开发者而言，拥有自己完善的集成模型可以扩展 API 和 SDK 的目录；这可以转化为更好的工具来控制样式、种子、变体，以及理想情况下控制宽高比，而这正是那些将图像生成集成到应用程序中的开发者所迫切需要的。
此外，微软还可以利用语音（MAI-Voice-1）、文本/多模态（MAI-1-Preview）和图像之间的协同作用；这些模型的结合为理解口述描述、生成视觉变体并返回所应用更改的文本解释的代理打开了大门。
已宣布的投资力度——超过 120.000 亿美元的基础设施投资——表明将有足够的资金来扩大规模；这很重要，因为高质量的图像模型需要大量的计算，而 GPU/TPU 的可用性决定了实际体验的极限。
未来几个月的预期
如果一切按计划进行，我们将看到解剖学保真度、排版和格式控制方面的逐步改进；同时，为了避免外观重复，我们也可以合理地预期会出现更多种类但更少“模板化”的风格预设。
在产品层面，与 Copilot 和 Bing 的集成应该伴有简单的控件，用于调整光线、颜色、构图和样式；调整起来越容易，无需从头开始重新创建提示，对于非专业用户来说体验就越流畅。
在社区内部，LMArena 将继续成为一个有用的晴雨表；如果该模型在最初几周后排名上升，这将表明持续改进正在取得成效，尤其是在区分最佳模型的困难提示方面。
与此同时，与 OpenAI 的关系似乎正朝着合作与竞争并存的新平衡发展；谅解备忘录的签署表明，游戏规则和获取技术进步的途径将被重新定义，同时每家公司都在加强其运营独立性。
MAI-Image-1 拥有强劲而雄心勃勃的业绩记录，在公开测试中已跻身前十，并有明确的集成计划；如果它能保持速度和质量之间的平衡，并改进仍在开发的领域，它可能会成为微软生态系统中的关键组成部分，为那些想要获得强大图像而无需无休止等待的创作者、企业和用户提供服务。
