給 AI 繪圖一個靈魂
講者：數據女巫 | 數據女巫 | AI Artist
活動：11/12 Generative AI 年會小聚 2025
題目：給 AI 繪圖一個靈魂
這場分享其實對我非常有啟發，因為講者不是在講「怎麼把模型調到最強」，而是回答一個現在圖生態最核心的問題：
當每天至少 3400 萬張 AI 圖誕生時，我們到底還能怎麼做出差異化?
(數字來自 2023 的 EveryPixel 估計，2025 只會更高)
講者提到，現在的 AI 內容生態已經進入 AI 垃圾時代，模型能力越來越高，產出越來越快，但「可辨識度」卻越來越低，因此創作者能做的反而不是比算力，而是「比品味」。
講者提出的框架非常務實：
如果你不建立一個自己的審美系統，你就會被淹沒在海量作品裡。
而這個審美系統，不是一句「我喜歡特效風」的 Prompt 就能交差，而是像訓練模型一樣，是一個 multi-stage pipeline，講者把整個 Pipeline 分成四層，這四層疊起來，其實就像在做一個個人化視覺生成 stack。
1. 蒐集靈感
講者的做法很像在建立 aesthetic embedding，她會把靈感分成兩大類：
自我偏好類：例如華麗、閃亮、水晶、奇幻
藝術史與風格系統：巴洛克、洛可可、命理視覺語彙…
這做法其實很像在為「個人風格」建立向量空間。
2. 提示詞工程
這部分講者非常系統化，會分成：
人設提示詞
固定風格提示詞
透過「人設 × 風格」組合，實際上就是在做可重複生成的視覺模板，這讓創作者能把可控性拉到比一般 AI 圖更高的層級。
3. 風格參數
這段是我覺得學習最多的的地方，講者主要使用三種方法：
Sref（Style Reference）：快速固定風格向量，這個風格迥異各有千秋
seed discipline：建立可重現的風格
personalization（AI 個人化代碼）：在 v7 要跑 200 張 A/B test 才能生出代碼
personalization 其實就像是「訓練一個小型 embedding」，是把個人的審美 encode 進系統的一種方式。
4. 模型微調
這是最高階的方法，你可以直接把自己的美學變成一個模型，其中包含：
LoRA 微調：如講者手動標注 Monet 作品做訓練，推薦去講者粉專看，非常有意思
模型融合：混不同 LoRA、不同 base model
SDXL 風格進化史：用百張 REVERIE 系列訓練可商用模型
這一段對 AI 技術圈的人來說非常熟悉，這就是 dataset → fine-tune → deploy 的典型 ML lifecycle，只不過 domain 換成藝術，對我來說也是非常有啟發。
聽完這場分享，我覺得講者提供的是一種由技術驅動的個人品牌形成方法論，不是在教你怎麼畫得更美，而是在教你怎麼「建立一個可持續、可辨識、可演化的個人美學」。因為在 AI 時代，藝術家之間的競爭在於跟其他使用模型的人拉出差異化。
而這份差異化不能靠運氣達成，只能靠持續蒐集靈感，並建立完整 pipeline 不停進化技術深度，培養審美決策才能從中脫穎而出。
作者：Chi