مقایسه جذاب Nano Banana 2.1 با ChatGPT: رقابت پایاپای غول‌های تصویرساز هوش مصنوعی

گوگل موتور تولید تصویر هوش مصنوعی خودش یعنی نانو بنانا (Nano Banana) را یک پله دیگر ارتقا داده و حالا جدید‌ترین نسخه آن، یعنی Nano Banana 2.1، درست وسط بازار شلوغ و پرهیاهوی ابزار‌های تبدیل متن به تصویر، به گوگل جمنای (Google Gemini) آمده است؛ ابزار‌هایی که تنها با چند جمله پرامپت، تصاویری فوق‌العاده واقعی و چشم‌نواز تحویل می‌دهند. ادعای گوگل مثل همیشه آشناست: جزئیات دقیق‌تر، اجرای بهتر دستورات متنی، رندر نوشته‌ها با خطای کم‌تر و حفظ یکدستی سوژه‌ها میان تصاویر مختلف. اما چالش اصلی اینجاست که ببینیم آیا این به‌روزرسانی در عمل هم می‌تواند رقبا را کنار بزند یا خیر.

رقیب اصلی نانو بنانا، یعنی بخش تولید تصویر چت‌جی‌پی‌تی با مدل Images 2.5، اصلاً دست روی دست نگذاشته تا مغلوب شود. شرکت اوپن‌ای‌آی (OpenAI) با پیشرفت‌های چشمگیر در نورپردازی طبیعی، چیدمان ترکیب‌بندی‌های پیچیده و نوشتن متن درون عکس، قابلیت تولید تصویر را به یکی از سرگرم‌کننده‌ترین و کاربردی‌ترین ویژگی‌های چت‌جی‌پی‌تی تبدیل کرده است. با تلاش هر دو کمپانی برای پیشبرد مرزهای این فناوری، مقایسه‌ای مستقیم انجام شد تا مشخص شود آیا ارتقای اخیر گوگل توانسته از رقیب سرسخت خود پیشی بگیرد یا خیر.

اگر حساب کاربری جمنای داشته باشید، احتمالاً تا الان حساب شما هم برای استفاده از Nano Banana 2.1 ارتقا یافته است. برای به چالش کشیدن و مقایسه این دو ابزار تولید تصویر، پرامپت‌ها و دستورات متنی کاملاً یکسانی به جمنای و ChatGPT داده شد تا توانایی‌های مختلف آن‌ها محک بخورد. در این مقایسه شانه به شانه، خروجی‌های ChatGPT در سمت چپ و نتایج Gemini در سمت راست قرار گرفته‌اند. نتایج به‌طرز شگفت‌آوری نزدیک به هم بودند، هرچند هر دو مدل از نظر ذوق هنری و سبک بصری رویکرد متفاوتی در پیش گرفتند.

طوفان در دل طوفان

اولین آزمون طوری طراحی شد تا میزان درک مدل‌ها از نور، شیشه و بازتاب‌ها سنجیده شود؛ سه فاکتوری که معمولاً نقطه ضعف تصاویر هوش مصنوعی را خیلی سریع برملا می‌کنند. هدف این بود که صحنه‌ای با چندین سطح شفاف، نورپردازی پیچیده و جزئیات ریز فراوان خلق شود تا ارزش بررسی موشکافانه را داشته باشد. پرامپت این چالش چنین متنی بود: «یک تصویر کاملاً واقع‌گرایانه از یک گلخانه کوچک ویکتوریایی درون یک گوی شیشه‌ای برفی در حین طوفان ایجاد کن، همراه با بازتاب‌ها، شکست‌های نور و نورپردازی واقع‌گرایانه.»

هر دو هوش مصنوعی تصاویری چشم‌نواز خلق کردند که برای جلد یک رمان فانتزی جذاب کاملاً ایده‌آل بودند. نسخه چت‌جی‌پی‌تی یک گلخانه ویکتوریایی پر زرق و برق با نورپردازی طلایی دلنشین را داخل یک کره شیشه‌ای بزرگ به تصویر کشید که روی پایه‌ای از چوب صیقل‌خورده کنار پنجره‌ای باران‌زده قرار گرفته بود. آذرخش، طوفان بیرون را روشن می‌کرد و درون گوی، دنیایی مینیاتوری و پرجزئیات همراه با گیاهان، مسیرهای عبور و ظرافت‌های معماری دیده می‌شد.

در نقطه مقابل، مدل Nano Banana 2.1 گوگل سراغ فضایی کمی محتاطانه‌تر و ملموس‌تر رفت. گلخانه جمنای بیش‌تر به یک سازه مینیاتوری واقعی شباهت داشت؛ با قاب‌بندی فلزی تیره، سرسبزی باطراوت و نوری گرم در فضای داخلی که تضاد بصری زیبایی با طوفان خاکستری-آبی بیرون ایجاد می‌کرد. بازتاب‌های روی گوی شیشه‌ای فوق‌العاده باورپذیر بودند و نورپردازی حس طبیعی‌تری داشت؛ هرچند خیس بودن سطح میز انتخابی عجیب به نظر می‌رسید، چرا که کل صحنه در یک فضای سرپوشیده قرار داشت.

ندای تایتان

متن و تایپوگرافی همیشه یکی از خجالت‌آورترین نقاط ضعف مولدهای تصویر هوش مصنوعی بوده است؛ حروفی که در هم ذوب می‌شدند، کلماتی که هیچ معنایی نداشتند و عباراتی که بیش‌تر شبیه خطوط موجودات فضایی از آب درمی‌آمدند! در دومین آزمون، هدف این بود که ببینیم آیا این مدل‌ها می‌توانند یک بریف طراحی پرتقاضا را بدون خراب کردن نوشته‌ها پیاده کنند یا خیر.

پرامپت در نظر گرفته شده این بود: «یک پوستر تبلیغاتی گردشگری رترو-فیوچریستیک برای قمر تایتان زحل طراحی کن که دقیقاً شامل متن‌های 'TITAN IS CALLING' و 'Seven nights beneath the rings' و 'Starting at $2,499' باشد.»

چت‌جی‌پی‌تی یک پوستر تبلیغاتی لوکس گردشگری ساخت که درست شبیه بنرهای فرودگاه‌های بین‌سیاره‌ای برای توریست‌های فوق‌ثروتمند فضایی بود! سیاره زحل در آسمان نارنجی و چشم‌نواز قمر خودنمایی می‌کرد و اقامتگاه‌های آینده‌نگرانه به همراه زوجی که در حال لذت بردن از نوشیدنی بودند، تایتان را شبیه لوکس‌ترین مقصد تعطیلات در منظومه شمسی نشان می‌داد. تنها ایراد کار، فاصله ناخواسته‌ای بود که چت‌جی‌پی‌تی هنگام نوشتن قیمت میان علامت دلار ($) و عدد ۲ انداخته بود.

گوگل اما سراغ سبکی کارتونی‌تر رفت و یک پوستر علمی‌تخیلی وینتیج و رنگارنگ تحویل داد که شامل موشک‌ها، فضانوردان، کوه‌های یخی و یک پایگاه فضایی پیشرفته می‌شد. این پوستر با اینکه واقعیت خشن و غیرقابل سکونت تایتان را بهتر منعکس می‌کرد، اما حس و حال خوش‌بینانه پوسترهای فضایی دهه ۱۹۵۰ را همراه با حروفی بولد و بافتی نوستالژیک حفظ کرده بود. مهم‌تر از همه اینکه تمام متن‌های درخواستی، از جمله قیمت، کاملاً دقیق و بی‌نقص درج شده بودند.

کتابخانه روباه

حفظ پیوستگی و یکدستی کاراکتر یکی دیگر از چالش‌های نفس‌گیر در تولید تصویر با هوش مصنوعی است؛ به‌ویژه زمانی که یک شخصیت باید در چند صحنه متوالی حضور داشته باشد. در مدل‌های نه‌چندان قوی، روباه داستان ممکن است در هر فریم چهره‌اش تغییر کند، لباسش را از دست بدهد یا ناگهان دستی اضافی پیدا کند! برای ارزیابی این ویژگی، یک داستان مصور ساده انتخاب شد که هم به تداوم بصری نیاز داشت و هم به خط داستانی منسجم.

پرامپت ارائه شده به مدل‌ها چنین بود: «یک کمیک چهار فریمی بساز که در آن یک روباه نارنجی با شال‌گردن سبز کلیدی جادویی پیدا می‌کند، قفل یک در را باز می‌کند و وارد یک کتابخانه می‌شود. ظاهر روباه باید در تمام فریم‌ها کاملاً یکسان باقی بماند.»

چت‌جی‌پی‌تی چهار تصویر تقریبا سه‌بعدی ارائه داد. نورپردازی تصاویر بیش‌تر حالت رندرهای کامپیوتری را تداعی می‌کرد، هرچند همان‌طور که خواسته شده بود، هویت روباه در طول فریم‌ها قابل تشخیص باقی ماند. با این حال سبک بصری آن بیش‌تر به تصویرگری کتاب‌های کودک شباهت داشت تا یک کمیک‌استریپ استاندارد.

اما مدل Nano Banana 2.1 نتیجه‌ای ارائه داد که بسیار بیش‌تر به یک کمیک‌استریپ سنتی نزدیک بود؛ همراه با خطوط محیطی ضخیم، کادربندی‌های مشخص و روباهی کارتونی که پیوستگی ظاهرش به‌خوبی حفظ شده بود. نسخه گوگل از پیدا کردن کلید در جنگل شروع می‌شد، با بررسی آن و باز کردن در تعبیه‌شده روی تنه درخت ادامه می‌یافت و در نهایت به ورود به کتابخانه‌ای جادویی ختم می‌شد. روایت داستان بسیار روان‌تر بود و ویژگی‌های روباه، از شال‌گردن سبز گرفته تا نوک سفید دمش، در نهایت دقت ثابت مانده بود.

گوگل در این بخش توانست برتری خود را ثابت کند، چرا که چهار فریم خروجی آن کاملاً مانند قطعات پیوسته یک داستان مصور حس می‌شدند. تک‌تصاویر ChatGPT پرجزئیات‌تر بودند، اما ابعاد و فرم بدنی روباه میان فریم‌ها کمی تغییر می‌کرد و کلیت کار شبیه چهار تصویر جداگانه به نظر می‌رسید.

اژدها روی میز کار

در آخرین آزمایش، تمرکز روی ارزیابی دقت مدل‌ها در اجرای مجموعه‌ای پیچیده از دستورات مستقل بود. ابزار‌های تولید تصویر هوش مصنوعی عادت دارند وقتی با پرامپت‌های پر از جزئیات روبه‌رو می‌شوند، برخی از موارد را نادیده بگیرند. جا دادن تک‌تک آیتم‌ها در کادر تصویر یک چالش است و رعایت دقیق تعداد و جزئیات آن‌ها چالشی به مراتب بزرگ‌تر.

پرامپت نهایی چنین متنی داشت: «یک عکس واقعی از زاویه دید بالا از یک میز چوبی ایجاد کن که روی آن این موارد دیده شود: یک دفترچه یادداشت با طرح اژدها، یک قطب‌نما رو به شمال، یک ساعت جیبی که زمان ۳:۱۵ را نشان می‌دهد، دقیقاً سه عدد مهر و موم قرمز مومی، و یک سنگ قیمتی آبی‌رنگ.»

مدل چت‌جی‌پی‌تی عکسی دیدنی از زاویه بالا از یک میز چوبی قدیمی تولید کرد که درون دفترچه بازشده روی آن، نقاشی ظریفی از یک اژدها جا گرفته بود. قطب‌نما، ساعت جیبی، دقیقاً سه عدد مهر و موم قرمز و سنگ قیمتی درخشان آبی همگی در صحنه حضور داشتند و چیدمان کار کاملاً هماهنگ و چشم‌نواز بود.

مدل Nano Banana 2.1 نیز تمام اشیای درخواستی را درون کادر قرار داد، اما تصویر اژدها کوچک‌تر و ساده‌تر بود و مهرها، سنگ قیمتی، قطب‌نما و ساعت اطراف دفترچه چیده شده بودند. هرچند تصویر گوگل فضایی طبیعی‌تر از چیدمان اشیای تاریخی داشت، اما مرتکب یک خطای رایج در هوش مصنوعی شد و زمان ساعت را به جای ۳:۱۵، روی ساعت ۳:۰۰ تنظیم کرد!

نزدیک شدن به نقطه برابری

اگر از مشترکان پلن‌های پولی گوگل شامل Google AI Plus، پرو یا اولترا در جمنای باشید، هم‌اکنون به مدل Nano Banana 2.1 دسترسی دارید، چرا که این نسخه به مدل پیش‌فرض سرویس تبدیل شده است. البته کاربران پلن رایگان همچنان از نسخه قبلی یعنی Nano Banana 2 استفاده خواهند کرد.

مدل Nano Banana 2.1 ابزاری فوق‌العاده برای تولید تصویر است، اما چت‌جی‌پی‌تی نیز به چنان قدرتی دست یافته که پیشرفت‌های جدید گوگل لزوماً برتری مطلقی برای آن ایجاد نمی‌کند. هر دو هوش مصنوعی موفق شدند با پرامپت‌هایی نسبتاً کوتاه تصاویری جذاب و باجزئیات تولید کنند و هیچ‌کدام دچار گاف‌های فاحش بصری که پیش‌تر تصاویر هوش مصنوعی را در یک نگاه لو می‌دادند، نشدند.

البته پرامپت‌های گوناگون، سبک‌های هنری متنوع و بازتولیدهای متعدد می‌توانند نتایج متفاوتی را رقم بزنند. با این حال، این آزمون‌ها نشان می‌دهند که پیشتازان هوش مصنوعی به سطحی باورنکردنی از بلوغ رسیده‌اند و در اکثر فعالیت‌های خلاقانه روزمره، عملاً به نقطه برابری دست یافته‌اند.

این موضوع رقابت میان غول‌های دنیای فناوری را هیجان‌انگیزتر و انتخاب را برای کاربران دشوارتر می‌کند؛ زیرا تفاوت‌ها بیش از گذشته به سلیقه هنری و شیوه درک پرامپت‌ها وابسته شده است. شاید Nano Banana 2.1 ارتقایی چشمگیر برای گوگل باشد، اما چت‌جی‌پی‌تی ثابت کرده که به سادگی تسلیم نخواهد شد و برای حفظ پادشاهی خود در دنیای تصویرسازی تا آخرین نفس می‌جنگد!