第03章 中美路线分叉：通用模型与场景模型的对决

两条路线不是对与错的问题，是两种不同的赌注。

2025年末，OpenAI 发布了 GPT-image-2，也就是中文用户俗称的"ChatGPT图像2.0"。在内部演示视频里，研究员输入一段文字描述，模型不仅生成了一张商业级的产品图，还自动识别了图中需要文字的区域，用正确的英文字体精准地排好了 logo 和标语——这曾经是 Midjourney 最被吐槽的短板。

同一个月，阿里巴巴旗下通义万象悄悄上线了一个新功能：专门针对淘宝商家的"商品主图一键生成"。用户上传白底商品图，选择场景风格，系统 15 秒内输出 9 张符合淘宝主图规范的效果图。准确率不是最高的，生成速度也不是最快的，但它嵌在淘宝商家后台里——商家不用额外注册，不用学新工具，打开就用。两个月内，日均调用次数超过 800 万次。

两件事放在一起，说明了一个分叉：一边在做更聪明的通用大脑，一边在做更顺手的专用工具。

一、OpenAI 的路：统一智能体

理解 OpenAI 的路线，先要理解他们押的是什么赌注。

OpenAI 的核心信念，是"一个足够强大的基础模型，在所有任务上都会超过针对单一任务优化的专用模型"。这个信念不是新的，2022 年就有了，但在视觉领域，它最近才开始被证明可能是对的。

GPT-image-2 是这个路线的最新一步。它不是一个专门的图像生成模型——它是一个多模态模型里的图像能力，和文字理解、代码生成、数据分析共用同一套权重。这意味着它可以"理解上下文再生成"，而不是"把文字描述翻译成图像"。

举一个具体例子：你告诉它"帮我做一张节日促销海报，参考上周我发给你的那张竞品图，保留我们品牌的蓝色，把折扣信息放在右下角"——这句话包含了历史记忆、视觉引用、品牌约束、排版指令，通用模型可以处理，专用模型通常无法处理这种复合语境。

OpenAI 路线的问题也很明显：通用能力强，但对于具体行业的用语、审美偏好、操作习惯不够了解。在淘宝场景里，AI 不知道"主图不能有水印但可以有角标"、“价格要用红色”、"新品期不能上悬浮图标"这些不成文的规则。

这些规则需要靠大量的行业数据来训练——而这些数据，OpenAI 没有，中国厂商有。

二、中国厂商的路：深耕场景

中国视觉 AI 的产品矩阵，到 2026 年已经形成了一个清晰的分层。

字节跳动旗下的即梦 AI 主攻内容创作者和电商，有专门针对小红书和抖音审美的"种草图模板"和"爆款封面样式"。可灵 AI（快手旗下）专注视频生成，能以极低成本生成 6 秒的商品展示视频。阿里的通义万象深度整合了淘天生态，帮助天猫商家批量生成符合平台规范的视觉素材。百度的文心一格则在教育和政务场景有大量部署。

这种分层的底层逻辑很简单：中国互联网巨头有流量入口，有平台数据，有现成的商家/用户群体，他们不需要从零推广——他们只需要把 AI 功能嵌入已有产品里。这是 OpenAI 所不具备的渠道优势。

但分层也带来了问题：每家厂商各自为政，缺乏跨平台的互操作性。同一个商家，在淘宝用通义万象出图，在抖音还要重新登录即梦 AI，在小红书又要用另一套工具——这个摩擦成本，最终都由内容创作者承担。

更深的问题是：中国厂商的产品节奏快，但底层模型能力的提升速度跟不上 OpenAI。2026 年 4 月的一次行业交流里，一位中国视觉 AI 产品经理坦率地说了一句话：“我们的模型能力跟最顶尖的美国产品差距还在，我们的分发效率超过他们三倍。” 这句话道出了核心：中国路线赢在交付，美国路线赢在能力上限。

三、两种路线的商业逻辑

这两条路线在商业上针对的是不同的客户群。

OpenAI 路线的目标客户，是愿意为"更好的通用工具"付费的专业用户——设计师、创意总监、品牌人员。他们接受学习成本，他们有能力把通用工具转化为专业工作流。这个群体有钱，但相对小。

中国场景化路线的目标客户，是"根本不想学习 AI"的普通商家——淘宝小店主、抖音带货主播、小红书博主。他们的技术能力有限，他们需要的不是"更强大的工具"，而是"一键就出图"。这个群体庞大，付费意愿参差不齐，但数量基数足够支撑商业模式。

从投资回报率的角度来看，两条路线都是理性的。但有一个维度值得关注：谁在做基础能力的积累，谁在做表层应用的封装。

基础能力的积累是慢的，需要巨大的算力投入和人才密度，短期回报低；但一旦建立起来，护城河极深。表层应用的封装是快的，市场反应快，商业化快，但护城河较浅——别人做出更好的底层模型，你的封装层价值就会迅速消退。

这不是说中国路线错了，这是说两条路线有不同的时间尺度风险。

四、2026 年：局势到了哪里

截至 2026 年 4 月，这场对局的结果是：分不出胜负，但节点已经出现。

OpenAI 的 GPT-image-2 在高端创意任务上被认可，在中国市场的渗透率依然受限于访问门槛和支付问题。中国厂商的场景化产品在日活和商业化上领先，但头部商家开始用"套壳模型叠加提示词工程"的方式，把海外顶尖模型能力引入国内工作流——这是另一种形式的"通用 vs 场景"融合。

最有意思的观察来自一位上海的设计工作室主理人，她在 2026 年 4 月的一次分享里说了一件事：“我现在用三个工具。日常客户需求用通义万象，快，不用解释；高端品牌项目用 GPT-image-2，效果好，得翻墙；某些需要图像叙事的项目，我用 AI 出草稿，自己再做 20% 的修改——这个 20%，才是我真正在收费的部分。”

这个"20%"是这一章最值得关注的线索——她不是在用一个模型，她在用多个模型的分层，为自己保留了不可替代的那 20%。

中国与美国的视觉 AI 分工，并不意味着两条路线之间没有融合。2026 年最有趣的现象之一，是中国的头部商家开始在内部建立"双轨工作流"——用通义万象等国内工具处理日常批量需求，用海外顶尖模型处理高端品牌需求。这种"工具分层"本身，也反映了客户对视觉质量的精细化需求在提高。分叉的背后，是整个视觉市场的分层成熟。在分叉的赛道上，知道如何在不同工具之间调度，本身就是一种稀缺能力。

⚡ 反共识：中美不是在竞争同一件事

很多行业分析喜欢用"中美 AI 大模型竞争"的框架，仿佛是一场赛跑，终点相同，看谁跑得更快。

这个框架在视觉 AI 领域并不准确。

OpenAI 在做的事情，更接近于"让机器学会看世界、理解意图"；中国场景化厂商在做的事情，更接近于"让现有商业流程里的图像生产环节自动化"。前者是认知科学问题，后者是工程优化问题。这两件事不在同一个维度上比较。

对于视觉行业的从业者来说，这个框架转变的实际意义是：你不需要等到"谁赢了"才开始行动。两条路线都会长期并存，你需要学会的不是押注哪条路线，而是在不同任务里知道用哪个工具。

视觉 AI 工具的"多工具协同"——就像一个厨师不会只用一把刀——这本身就是新的工作方式。

思考题

1. 你现在主要用哪种视觉 AI 工具？它属于"通用路线"还是"场景路线"？你有没有想过，它目前最强的地方和最弱的地方，分别是什么？

2. 如果通义万象和 GPT-image-2 都能"免费使用"，你会怎么分配工作量到两个工具上？分配依据是什么？

3. 那位上海设计师"20% 不可替代"的部分，在你的工作里对应什么？如果你今天必须找出这个 20%，你会怎么定义它？