OpenAI vừa tung ra một bản nâng cấp “khủng khiếp” cho khả năng tạo hình ảnh của ChatGPT, và đây thực sự là một trong những khoảnh khắc khiến bạn phải chớp mắt, nhìn lại, rồi bắt đầu tự hỏi liệu thực tại có đang bị bóp méo hay không. Thay vì làm lãng phí thời gian của bạn với các con số khô khan, kích thước mô hình, hay bao nhiêu tỷ giờ GPU mà mô hình mới này ngốn, chúng tôi sẽ trực tiếp cho bạn thấy những gì mà công cụ này có thể làm – và cách nó vượt trội hơn so với mô hình DALL-E cũ. Đây không chỉ là một bước tiến nhỏ, mà là một cú nhảy vọt đáng kinh ngạc trong lĩnh vực trí tuệ nhân tạo tạo sinh hình ảnh, hứa hẹn mở ra nhiều ứng dụng và trải nghiệm mới mẻ cho người dùng, đặc biệt là những ai đang tìm kiếm một công cụ AI tạo hình ảnh chân thực và chi tiết vượt trội. Khả năng tạo ảnh của ChatGPT 4o đã được nâng tầm đến mức khó tin, xóa nhòa ranh giới giữa hình ảnh do AI tạo ra và ảnh chụp thực tế.
7 Thử Thách “Khó Nhằn” Mà ChatGPT 4o Đã “Vượt Mặt” DALL-E
Khi khả năng tạo hình ảnh bằng AI lần đầu tiên trở nên phổ biến, chúng ta đã vô cùng kinh ngạc. Nhưng rồi, khi nhìn kỹ hơn, một dấu hiệu nhận biết của ảnh AI chính là những chi tiết bất thường về giải phẫu bàn tay và ngón tay. Vậy còn cách nào tốt hơn để kiểm tra các mô hình này bằng cách yêu cầu chúng mô tả một hợp âm guitar? Để dành phần hay nhất đến cuối cùng, chúng tôi đã yêu cầu mô hình DALL-E gốc trước, và sau đó là công cụ tạo hình ảnh mới được tích hợp vào mô hình ChatGPT 4o. Kết quả sẽ khiến bạn bất ngờ về sự tiến bộ của công nghệ AI.
1. Tay và Ngón Tay: “Nỗi Ám Ảnh” Của AI
Bàn tay người chơi guitar hợp âm E minor do DALL-E tạo, với lỗi ngón tay và dây đàn không chính xác.
Ảnh trên là những gì DALL-E tạo ra. Mặc dù DALL-E vẫn có những hạn chế nhất định, nhưng ở đây, nó thực sự xử lý các ngón tay và giải phẫu chung khá tốt. Tuy nhiên, bản thân hợp âm thì… không ổn chút nào. Bàn tay được đặt quá cao trên cần đàn để có thể chơi hợp âm E minor. Nếu bạn phóng to một chút, bạn sẽ thấy cây đàn guitar có nhiều hơn bảy dây. Khoảng cách giữa các dây cũng lộn xộn.
Với những điểm đó trong tâm trí, hãy cùng chuyển sang ChatGPT 4o.
Hình ảnh chân thực bàn tay chơi hợp âm E minor trên đàn guitar do ChatGPT 4o tạo, thể hiện chi tiết ngón tay chính xác.
Tôi có thể đã đùa rằng đây thực ra là một bức ảnh cũ từ thời tôi còn chơi guitar. ChatGPT 4o tốt đến mức đó. Sáu dây, khoảng cách đều nhau, và hợp âm thực sự có thể là E minor. Tôi thực sự ấn tượng với khả năng chi tiết và độ chính xác đáng kinh ngạc của mô hình này. Điều này cho thấy ChatGPT 4o đã giải quyết được một trong những vấn đề nan giải nhất của AI tạo ảnh: việc mô phỏng bàn tay và các chi tiết phức tạp một cách chân thực.
2. Nhân Vật Lịch Sử Trong Bối Cảnh Hiện Đại
Giờ khi chúng ta đã “nhúng tay” vào vấn đề chi tiết tay và ngón tay, hãy thử thách với khuôn mặt. Tôi nghĩ chúng ta sẽ thử với các nhân vật lịch sử vì họ sẽ không “phật ý”, và sẽ rất thú vị khi thấy họ trong một bối cảnh hiện đại.
Người đàn ông giống Albert Einstein ăn kem ở Central Park, hình ảnh mang phong cách hoạt hình của DALL-E.
Thật đáng thất vọng. Công bằng mà nói, DALL-E đã cảnh báo rằng nó không thể sử dụng hình ảnh của Einstein mà sẽ tạo ra một người “rất giống” ông. Một trong những đặc điểm kinh điển của DALL-E là phong cách hoạt hình nhưng vẫn cố gắng thực tế, điều này thể hiện rõ ràng ở đây. Tòa nhà San Remo ở hậu cảnh gợi ý rằng đây là Central Park, nhưng đó là điểm cộng duy nhất. Chuyển sang ChatGPT 4o.
Albert Einstein trong trang phục đời thường ăn kem ở Central Park, hình ảnh chân thực tuyệt vời từ ChatGPT 4o.
Nếu bạn thêm một bộ lọc đen trắng, tôi có thể đã thuyết phục bạn rằng đây là một bức ảnh cổ điển có thật. ChatGPT 4o quá xuất sắc. Kem trên ốc quế trông thực sự “kem”, Albert vẫn giữ vẻ lãnh đạm đặc trưng của mình, và San Remo vẫn đứng sừng sững phía sau. Mọi thứ đều khớp. ChatGPT 4o đã làm rất tốt.
3. Các Nhân Vật Hư Cấu: Khi Hiện Thực Gặp Thế Giới Ảo
Đến giờ chúng ta đã thấy ChatGPT có thể “vẽ” các nhân vật lịch sử khá tốt. Vì khuôn mặt và con người vẫn là một trong những cách tốt nhất để kiểm tra khả năng của AI, hãy thử thêm.
Nhân vật giống Chúa tể Sith gọi taxi tại Quảng trường George, Glasgow, hình ảnh của DALL-E còn thiếu độ chân thực.
Tôi đã dùng cụm từ “tương tự” để bot hợp tác mà không bị “phàn nàn” về bản quyền. Kết quả của DALL-E thì tạm ổn. Hình dáng có gợi nhớ đến một Sith, và các yếu tố còn lại thì tương đối chính xác. Không có gì quá hoạt hình về nó, nhưng nó không tạo cảm giác chân thực. Muốn chân thực? Hãy xem những gì ChatGPT 4o đã tạo ra với cùng một prompt:
Sith Lord gọi taxi trên đường phố Glasgow dưới mưa nhẹ, hình ảnh tạo bởi ChatGPT 4o với bầu không khí ấn tượng.
Tôi yêu không khí mà bức ảnh này tạo ra – ánh sáng, mưa phùn, sự hiện diện u ám của Chúa tể Sith. Tất cả đều ở đó. Vấn đề duy nhất là vị Chúa tể bóng tối của chúng ta đang đứng trên đường gọi taxi mà lại quay mặt về phía vỉa hè. Ồ, và biển hiệu taxi ghi là “TAXL” thay vì “TAXI”.
Hãy chuyển từ viễn tưởng tương lai sang viễn tưởng lịch sử. Một cái gì đó như: “Một nhân vật giống Geralt of Rivia đang mua sắm đồ tạp hóa trong một siêu thị hiện đại, đẩy xe đẩy và cau mày nhìn đồ hộp.”
Người đàn ông giống Geralt of Rivia cau mày khi mua sắm tại siêu thị hiện đại, hình ảnh DALL-E tạo ra với lỗi chữ trên bao bì.
Không tệ chút nào. Hình ảnh vẫn mang cảm giác tổng hợp, hơi hoạt hình và chữ trên hộp ngũ cốc hoàn toàn là “ngôn ngữ lạ”, đúng như dự kiến.
ChatGPT 4o ban đầu từ chối prompt vì vấn đề bản quyền – nhưng nó đã hoạt động khi tôi đổi “tương tự” thành “giống”. Hãy xem đây:
Hình ảnh chân thực Geralt of Rivia (Henry Cavill) cau mày nhìn đồ hộp trong siêu thị, do ChatGPT 4o tạo ra.
Tôi không nói nên lời. Giống như hầu hết mọi người, phiên bản Geralt của ChatGPT về cơ bản là Henry Cavill, không phải phiên bản trong trò chơi điện tử – nhưng nó đã làm rất tốt. Vẻ cau có rất đúng điểm, và bối cảnh tạo cảm giác tự nhiên. Bức ảnh này có thể được dùng làm cảnh quay từ một quảng cáo crossover kỳ lạ. Và vâng, tôi đã đọc sách The Witcher trước khi bộ phim ra mắt.
4. Phong Cách Hoạt Hình: Sự Tinh Tế Trong Nét Vẽ
Khả năng tạo hình ảnh của OpenAI không chỉ giới hạn ở chủ nghĩa hiện thực. Trong khi DALL-E luôn có xu hướng hơi “mượt mà” một chút dù bạn yêu cầu gì, tôi quyết định đẩy cả hai mô hình vào chế độ hoạt hình hoàn toàn.
Thuyền trưởng cướp biển hoạt hình có cánh tay cơ khí trên tàu bay, hình ảnh DALL-E tạo nhưng nền trong suốt không đúng.
DALL-E thực sự đã làm khá tốt ở đây – và thậm chí còn hiểu yêu cầu về nền trong suốt. Đại loại là vậy. Cái mà chúng ta nhận được là họa tiết bàn cờ màu xám-trắng kinh điển thường biểu thị sự trong suốt… ngoại trừ ở đây, nó lại được “nướng” vào hình ảnh. Vì vậy, hoàn toàn không trong suốt.
Ngoài ra, trớ trêu thay, bàn tay sinh học của tên cướp biển AI của chúng ta có bốn ngón, trong khi cánh tay cơ khí lại có năm ngón. Có lẽ hắn đã “mạ crom” nhầm cánh tay?
Thuyền trưởng cướp biển phong cách hoạt hình với áo choàng đỏ và tay robot, hình ảnh sắc nét từ ChatGPT 4o có nền trong suốt thực.
Phiên bản của ChatGPT 4o cảm giác sắc nét và có chủ ý hơn. Phong cách tô màu khác biệt – liệu nó có tốt hơn hay không thì mang tính chủ quan – nhưng rõ ràng trông như một nghệ sĩ đã cố ý vẽ nó theo cách đó. Nền cũng thực sự trong suốt. Bạn có thể in hình này lên áo phông, in ra, hoặc thậm chí biến nó thành sticker WhatsApp ngay lập tức.
5. Gương và Phản Chiếu: Thử Thách Về Logic Không Gian
Gương phản chiếu – và các phản chiếu cần logic không gian để trông tự nhiên. Tôi đã đưa ra một prompt mà tôi biết DALL-E sẽ vấp ngã.
Bồn rửa mặt hiện đại với bàn chải đánh răng và dao cạo, DALL-E gặp khó khăn với phản chiếu và vị trí vật thể.
Đúng như dự đoán. Một cái gì đó đang cố gắng là phản chiếu từ vòi nước trong gương, nhưng nó quá dài. Bàn chải đánh răng đang lơ lửng, bên trong bồn rửa, và không tạo ra phản chiếu. DALL-E thực sự đã “đeo mũ bảo hiểm AI” của nó cho thử thách này.
Bồn rửa mặt hiện đại trong ảnh của ChatGPT 4o, phản chiếu gương tốt hơn nhưng bàn chải đánh răng lại không có trong thế giới thực.
Mô hình mới làm tốt hơn nhiều trong việc làm cho hình ảnh có cảm giác chân thực, như một bức ảnh thật. Phản chiếu của vòi nước hơi lệch nhưng chấp nhận được. Sau đó là bàn chải đánh răng, nó có phản chiếu nhưng lại không tồn tại trong thế giới vật lý – giống như một ma cà rồng ngược.
Không có người chiến thắng rõ ràng ở đây. Kết quả của AI không nhất quán, vì vậy tôi đã cho cả hai một thử thách khác tham vọng hơn một chút: “Một người phụ nữ đứng trước gương toàn thân trong phòng ngủ tràn ngập ánh nắng, trang phục và tư thế của cô ấy được phản chiếu chính xác, với hình ảnh phản chiếu của cửa sổ phía sau cô ấy.”
Người phụ nữ đứng trước gương toàn thân trong phòng ngủ, hình ảnh DALL-E gặp lỗi nghiêm trọng với phản chiếu gương.
…Tôi thậm chí không muốn phân tích cái này. Thưa quý vị, nếu bạn muốn làm DALL-E trông tệ, chỉ cần thêm từ “gương” vào prompt của bạn. Chuyển tiếp.
Người phụ nữ đứng trước gương trong phòng ngủ tràn ngập ánh nắng, ChatGPT 4o tạo hình ảnh chân thực dù phản chiếu vẫn còn lỗi.
Đúng như dự đoán, phiên bản của ChatGPT 4o trông thực tế hơn nhiều – nhưng có lẽ hơi siêu thực lần này? Tư thế và trang phục của người phụ nữ được phản chiếu, nhưng chỉ một phần, giống như hiệu ứng bật lên 3D trong Photoshop. Các góc phản chiếu cũng bị lệch. AI vẫn chưa thể xử lý logic không gian một cách hoàn hảo.
6. Ô Tô và Đường Phố: Chi Tiết Đến Từng Phụ Tùng
Tôi là một người đam mê ô tô. Khi các công cụ tạo hình ảnh AI lần đầu tiên xuất hiện, một trong những điều đầu tiên tôi thử là tạo ảnh ô tô. Kết quả khi đó không tốt, nhưng với mô hình mới ra mắt, tôi phải thử lại.
Xe Ford GT 2006 và Peugeot 206 dừng đèn đỏ trên Phố Wall, hình ảnh DALL-E mang phong cách hoạt hình với lỗi chi tiết.
DALL-E lại với phong cách hoạt hình ngày càng khó chịu của nó. Chiếc Peugeot đang ở trên vỉa hè, đèn giao thông mà tôi yêu cầu lại quay mặt vào các tòa nhà, và biển số xe toàn là “ngôn ngữ lạ”.
Xe Ford GT 2006 và Peugeot 206 dừng đèn đỏ trên Phố Wall do ChatGPT 4o tạo, thể hiện chi tiết xe chính xác.
Kết quả của ChatGPT 4o tốt hơn đáng kể. Các xe được mô tả chính xác – ngay cả nắp chụp bánh xe của chiếc Peugeot cũng rất đúng điểm và đúng thời kỳ. Loại chi tiết đó không phải là ngẫu nhiên. Nhưng còn tốt hơn nữa:
Cảnh xe Ford GT 2006 và Peugeot 206 dừng đèn đỏ trên Phố Wall, hình ảnh chân thực xuất sắc từ ChatGPT 4o.
Tôi thực sự có thể sử dụng bức ảnh này làm hình nền điện thoại của mình. Ánh sáng, bố cục, các phản chiếu – tất cả đều khớp. Ngoài sự trống trải kỳ lạ của đường phố, bức ảnh này hoàn toàn có thể được coi là một bức ảnh thật.
7. Văn Bản và Chữ Viết: Điểm Yếu Chí Mạng Nay Đã Biến Mất
Cuối cùng, chúng ta nhắm vào gót chân Achilles của mọi công cụ tạo hình ảnh. Hầu hết các AI tạo hình ảnh đều gặp khó khăn trong việc tạo văn bản đúng. Đến giờ, bạn đã thấy đủ các “ngôn ngữ lạ” từ DALL-E trong các ví dụ trước để biết ý tôi là gì. Để làm cho nó thú vị hơn – và nhất quán hơn – tôi đã thêm rằng bức thư nên chứa văn bản bài phát biểu của Vua Terenas gửi Arthas từ Warcraft III.
Cận cảnh lá thư viết tay trên giấy cũ, DALL-E gặp khó khăn với việc tạo ra văn bản rõ ràng.
DALL-E đã làm những gì nó giỏi nhất với văn bản: biến nó thành những chữ nhòe, khó hiểu. Nó vẫn cố gắng viết đúng một số từ, và không khí chung thì ổn – bút và lọ mực trông chắc chắn.
Lá thư viết tay cổ điển với nội dung rõ ràng, bút máy và lọ mực, hình ảnh xuất sắc do ChatGPT 4o tạo.
ChatGPT 4o đã làm chính xác – từng từ một, với chữ viết tay rõ ràng, sạch đẹp. Hoàn hảo đến từng chữ cái. So với DALL-E, đây là một bước nhảy vọt lớn. Xin chúc mừng, OpenAI.
Khả năng tạo hình ảnh bằng AI đã đi một chặng đường dài – và điều đó thể hiện rõ ràng. ChatGPT 4o dường như là mô hình đầu tiên thực sự hiểu rõ về ánh sáng, kết cấu và ngữ cảnh.
Tại thời điểm này, câu hỏi thực sự còn lại là: các biện pháp bảo vệ của ChatGPT mạnh đến mức nào? Tôi đã dễ dàng vượt qua các hạn chế bản quyền của nó. Bao lâu nữa thì ai đó sẽ “jailbreak” ChatGPT và bắt đầu tạo ra bất kỳ nội dung nào họ muốn bằng mô hình cực kỳ mạnh mẽ này?
Hãy chia sẻ ý kiến của bạn về khả năng tạo ảnh của ChatGPT 4o và những dự đoán của bạn về tương lai của công nghệ AI này trong phần bình luận bên dưới!
