以下为原文内容：

本文仅代表个人工作流总结&行业思考，较为粗糙，并无阐述过多技术点；如有其他想法欢迎交流。

有部分科普性质文字，同专业同学可以只看4、5。

导读：

1 不同aigc软件效果图

2 原理阐述&软件选择

3 aigc工业化到底是什么

4 举个例子

5 不同业务的要求下ai能够介入的程度，对设备及人员的要求

6 我所看到的盈利方向

7 ai对于我个人的影响

01

不同aigc软件效果图

目前aigc的主流软件有midjourney （下简称“mj”）和 stable diffition（下简称“sd”）。

我用mj生成的产出图

我用sd生成的产出图

可以明显看出，mj的生产图精细度更高，画面更细腻；sd则质量稍差一些。

二者根本区别在于，sd的底层框架是开源的，而mj是闭源的。

02

原理阐述&软件选择

开源的本质含义是——我可以自由的选择这项技术的任何节点，自我改造成适应我业务的模式；所以大多数情况下，适合介入工业化的软件都会是sd而不是mj。

03

aigc工业化到底是什么

与业务美术风格（画风）一致的前提下，ai可以根据项目的具体需求，快速大量出图解决需求or提高解决需求的效率；使人工成本降低，生产力提高。

美术要求越低越少量越大的业务，aigc可用价值随之增高。

具体落地的核心点只有两个：

1 可以训练出与项目画风一致的大模型；

2 可以结合软件快速完成多种多样的个性化需求。

04

举个例子

我个人在工作和个人创作中针对ai跑了很多条工作流想去节约自己的时间和提升效率，基于时间和隐私问题我就不再这里展开讲述，只是拿出基本的思路拆解给大家。

举个小例子：

某小业务的画风来源于一名叫rinotina的韩国画师，现有数字人/角色需求如图

AIGC会如何介入？

第一步

训练符合画风模型（此模型为我的友人工作室vortex训练提供，仅为此次文章练手，非商用无版权问题）

1 找到画风一致的素材图 70-100张左右；

2 打tag；

3 测试数据分批试跑 直至找到风格最接近且稳定的lora（目前不太推荐loha，乘积参数变量太大）。

第二步

结合软件快速完成多种多样的个性化需求

这里我推荐我个人的两种工作流，一种是面对想法少时间赶的文生图法，第二种是想法偏多的图生图法；同理想法越多设计师介入程度越高。

• 文生图

1 将需求转化为关键词

2 适当调整并输入

3 选图

4 我认为这张不错

可以看到这张图还存在诸多的细节问题，但已经可以基本满足60%需求了。从生成到选图的花费时间在3h左右，剩下的细节设计调整，就需要靠设计师手动调整并与需求方强交接。

这套文生图的方法流更多是做一个大方向的快速出具，给需求方更多的选择后靠设计师自行迭代完善，不过也可以用于需求方给美术出具参考图的环节。

• 图生图

1 需求方并没有那么确定自己的想法，那么画师前期可以多尝试一些草图，确认大方向。

2 利用插件controlnet介入，拒绝不稳定生成

Controlnet集合多个处理器 如canny线稿检测 openpose姿势检测等，将其他图片的内部信息检测后可应用到自己的图片创作中来。

将草图导入controlnet让后启动了hed处理器（我个人觉得这个处理器比较全面，所以喜欢用这个)。

3 设计师高强度介入，反复叠图修改

4 这张相对是比较想要的感觉

这样一张图基本可以达到最终效果的80%，他的设计在画师和ai的不断修正中已经基本确定，欠缺的是细节的调整和补充；这样的工作流是更合适想法偏多一些、磨合更多的需求当中。

不同业务侧需求不同

结合需求和ai介入程度自行打造管线即可，例如在某画风确定且有大量美术素材的游戏项目中，想利用ai节省美宣成本；那他的管线可以是：

固定角色lora＋场景lora＋画风lora或画风大模型

搭配文生图or图生图任意工作流

05

不同业务的要求下ai能够介入的程度，对设备及人员的要求

所有业务对于ai介入的底层逻辑思路其实都是一致的

想法越多，对于内容的确定性越强的时候，ai的介入程度就会变得越低

Ai无法顶替设计师，他始终是作为工具的辅助性存在，文娱内容向的产品重要的从来都是内容；而内容作为感性产物始终需要人为感应市场和他人的诉求后做出选择和决定，要求越高 那么美术皮下的内容和想法就越重要，ai的介入程度就越低，否则反之。

买量向产品，大众市场高迭代向产品，不管是品牌还是游戏 ai介入应该都是笔划算的买卖；此类业务中，Ai没有办法做到90分但可以达到70分，只要保证模型稳定需求清晰，可以提升20%甚至30%的前期美术效率。

但对于偏高品质要求高想法的业务中，ai对于uiux、插画、原画、平面设计师等工种更多是局部流程的改善，整体提升效果偏弱。

Aigc目前对于设备的要求尚可，sd本地部署基本需要2080的显卡及以上；云端部署对于中小业务来说是不错的选择。

而训练同理，Lora等小模型目前的开源训练包已经非常成熟，更多是分批测试较为花费时间成本；而对于人员 sd和mj的学习成本并不算很高，对于审美和需求磨合能力要求远高于技术能力，基本大多数需求方里1—2名设计师配合等比技术即可。

Ai的多应用方向

Ui 字体 都是可以被做成模型的应用方向。

06

我所看到的盈利方向

我个人的体感出发，想要盈利目前缺乏的是挖掘ai到底能被融入到哪些需求中的洞察力，而不是单一专注于ai技术本身；就像我在文章开头说过的，sd能应用工业化是因为它开源，但开源的技术一般都难以盈利。

sd直接盈利很难，不过拿来封包做应用就应该没那么难；尤其是做成妙鸭相机的甜品级应用（用户诉求不高、量大、单一），或是tob的业务应用（封包管线）。

更多的是一种将需求转化为可应用的能力让他盈利。

07

其实笔者作为一名画师，在刚接触ai时是极度焦虑的，甚至认为自己会失业，想要转变职业走向去逃避ai；但在一次次学习尝试和摸索中，我发觉Ai的出现让画面做精美的难度的确比之前大大降低，同时市场对画面故事性，情感性，风格特殊性的要求也会大幅度增加。

也就是说大家对于内容的要求增加了，本质我需要在日后漫长的职业生涯里学会预判下一步市场会喜欢怎么样的美术，什么创新尺度是我的观众可以接受的，我做的设计表达出来的内容观众能否第一时间感知到，这个内容是否也能引起他人共鸣成为了我新的职业命题。

我画的每一张画都不是画，是一个内容的一部分；单一精美的画面没有用，但如果是一百张精美连在一起的画面 伴随着一个个故事 设定 玩法 模型 动画；她就成了新内容的开始。

那内容的内核对于我来说究竟是什么呢？

就好像蜘蛛侠平行宇宙一样，不管在那个宇宙里，他是黑色还是白色，人类还是动物；画风在怎么变化。

只要他被一个蜘蛛咬了一口，爬到高楼之上；那他就是蜘蛛侠。

我爱蜘蛛侠。