本作是关于卡昂AIGC内容分享系列的第二篇章，前文佳作您可在我们的主页轻松查阅。纵使相隔一年，其中的理念依旧适用，不妨搭配美食一同品味（：
各位朋友，大家好！我是卡昂，今天非常荣幸能在这里与大家分享我在过去几个月中亲自实践并成功落地的AIGC工作流经验。本文旨在将那些深奥的AI知识转换成通俗易懂的专业内容，从AI的发展趋势、思维方式以及案例分析等多个角度，系统地梳理AI在我们日常工作中的具体应用流程。或许，这能对那些想要了解AIGC但面对众多碎片化知识感到无从下手的朋友们提供一些帮助。
需要注意的是，本文并非软件操作技巧的教程。如果您想学习相关技巧，可以在b站上搜索“comfyui”相关UP主，我特别推荐“惫懒の欧阳川”和“Nenly同学”这两位UP主。
（1）案例呈现
1. 个性换脸流程演示
2. 插画轻松转换三维效果流程
3. Q版游戏与运营素材制作，以及平面图形转三维模型流程
4. 原画或照片转水墨画风格流程
5. 草图深度细化流程
6. 超强放大与高清修复效果流程
（2）实例应用
（3）思维讲解
1. AI的目的：把细化交给AI，让设计师回归“设计”。
设计领域的发展，不仅局限于表面的形态塑造，它是一个从明确目标、实现工程到后续运营的连贯过程。在这个过程中，人工智能技术扮演着至关重要的角色，它能够帮助设计师从繁琐的重复性工作中解脱出来，显著提升工作效率，并突破传统技能和风格的局限，让设计师有更多时间去深入思考。
2. 探讨了Midjourney（MJ）和Stable Diffusion（SD）的发展历程及其应用场景。
1. 在众多咨询中，最常被提及的疑问莫过于：MJ与SD（包括webui和comfyui）两者究竟哪款更为出色？这实则取决于具体项目的需求。MJ在从零到一、即从无到有（生成图像概念或素材）的过程中表现更为出色，而SD则在内容的深化与细化（从1到2，即细化素材）方面更具优势。若需求方仅需某种风格而非特定内容，那么MJ便足以生成概念供其选择，随后再进行细节上的调整。然而，若需求方对角度、人物特征、表情、服装、动作、拍摄角度等有明确要求，那么SD将更为适用。总的来说，选择软件并非是站队，我个人的做法是，使用MJ来生成概念，SD来细化，若需输出视频，则可借助runway等工具，实现1+1大于2的效果。
2. SD的模型细分化程度极高，导致所需掌握的知识量庞大，或者说目前存在一定的混乱。例如，1.5/xr/lcm/xrturbo/lightning等不同模型品类，其效果和参数设定各有差异，若仅依赖单一品类中的某个模型来追求万能效果，那几乎是不可能的。相比之下，MJ则更为便捷，只需输入关键词和风格，即可调用任何（在大方向上）符合风格的内容。然而，这并不意味着“哪个更好”，而是要根据具体的工作需求来构建相应的工作流程。
3. 在一般的商业需求中，单纯的图像创作并非唯一目标，修改和明确需求是不可或缺的环节。在这种情况下，若需求方提出了高标准的具体要求，MJ可能就无法满足需求。但SD在处理大场景或小众风格时，往往难以找到合适的模型。这时，结合MJ生成图像和SD细化的流程便显得尤为重要。理论上，MJ可以被视为一个SD的无限大模型，因为它能生成任何风格的内容，而SD的工作流程则往往局限于某个模型自身的画风。这种相互补充的特性既是优点也是缺点，因为风格的高度统一性是业务需求的基本要求。总之，这些都是工具，最终的结果还是取决于使用者的能力。
4. SD主要的几种不同模型版本的优缺点：
SD1.5版本：其普遍体积介于2至6G之间，具备的优势在于对硬件配置要求较低，模型切换速度迅速，风格表现稳定，配置环境完备，且拥有丰富的模型库。然而，它也存在一些不足，如风格相对单一，底图尺寸较小，出图精致度和语义理解度均不理想。在GPU的选择上，建议使用4至8G的配置。
SDXL版本：通常体积超过6.4G，其优点在于风格多变，用户可以通过提示词轻松切换不同的风格，无需频繁切换大型模型；底图尺寸较大，出图精致度和语义理解度均较高，且模型库丰富。不过，它的运行和模型切换速度较慢，风格不够稳定，配置环境完善度相对较低，对配置的要求较高。GPU方面，推荐使用12G以上的配置。
SDXLturbo版本：体积同样在6.4G以上，它的优势在于降低CFG（1-3）值和采样步数（5-10）后，出图速度可提升3至5倍，同时仍能保持良好的画质。不过，它也存在质量损失、无法识别反向提示词以及图生图不适用等问题，对配置的要求较高，且模型数量较少。GPU推荐使用8G。
XLlightning版本：体积同样在6.4G以上，它的优点在于降低CFG（1-2）值和采样步数（4-12）后，出图速度可提升5至10倍，同时仍能保持较好的画质。然而，它也存在质量损失、无法识别反向提示词以及图生图不适用等问题，对配置的要求较高，且模型数量更少。GPU推荐使用8G。
SD3版本：目前尚未开源，根据官方API试用得出的结论是“更大的模型，更优质的图形质量，更丰富的效果，更智能的语义解析……以及更高的配置需求”，未来潜力巨大。
4. Webui与comfyui的受众与应用区分。
文章标题：AI工作流应用实践解析
原文片段：
探讨comfyui与webui的差异：二者实质上共享相同的内核，功能上亦颇为相似。然而，使用webui进行一小时的操作，下一次还需重头再来，耗时同样。而comfyui则能将这些操作简化为一系列节点，甚至能够将这些节点打包成工作流，方便团队共享。即便他人不熟悉SD，也能通过上传图片轻松复用这些流程。总体来看，webui上手更为便捷，但在团队协作赋能方面，comfyui无疑更胜一筹。
Webui的创作体验如同在餐厅点餐，你可根据喜好选择中式、西式、沙县风味或肯德基，上桌的菜肴已是成品，口味固定。相较之下，comfyui则如同面前摆放着一桌食材与调料，你可以精确控制添加什么，加多少。这一过程无疑更具挑战性，同时掌控感也更强。
comfyui能够将开源功能转化为自身节点，因此它不仅能制作视频、动画、音乐，还能进行翻译、后期制作等。将这些节点按照需求串联，便形成了一套完整的工作流。尽管目前部分节点尚不完善。
在易用性与控制性之间寻求平衡：在产品易用性方面，chatgpt优于webui，而comfyui则在细节控制上更胜一筹。
5. AI企业命名之奥秘：Open-ai看似开放却并不开放，stable-ai看似稳定却时有波动。
标题：AI工作流实践落地案例解析
段落一：
令人震惊的消息传来，stable diffusion的核心团队竟然集体离职。这些技术精英，他们的才华无可置疑，然而，运营层面的不足以及内部管理的混乱，似乎让他们的才华无法得到充分的发挥。
段落二：
SAI团队虽然汇聚了顶尖的科研力量，然而，糟糕的营销策略、杂乱的内部管理体系，以及产品开源属性带来的投资人顾虑，都成为了制约其发展的瓶颈。这些因素导致了产品核心更新的延误，甚至引发了核心人员的离职。
段落三：
在担忧AI的强大力量足以改变世界的当下，我们或许应该意识到，实际上“AI”的脆弱性远超我们的想象。
段落四：
一个优秀的产品同样需要出色的营销策略，在这方面，openAI的CEO奥特曼堪称行家里手。即便sora在公开几个月后仍未对大众开放，但它所引发的轰动效应，让openAI在短时间内融资价值大幅提升。
篇章标题：AI淘金浪潮中的实践心得分享
（本文第36/41节，正文部分，以下为改写内容）
在AI淘金的黄金时代，那些早期投入的“买铲子”者们，他们所获取的市场收益占据了大部分份额。然而，由于缺乏规模效应带来的成本降低，这些先行者们并未能充分享受到规模经济带来的优势。与此同时，那些致力于研发人工智能技术的企业，虽然投入了大量的精力和资源，却尚未找到一条切实可行的商业化路径。此外，目前市场上的AI产品本身还处于发展阶段，并未像Adobe那样建立起一套完整且稳定的效率提升流程。
6. 高针对性工作流或会成为公司/个人核心资产
文章标题：AI工作流程实例的实际应用心得分享
（文章第38/41部分，中间部分，直接输出改写正文）
原文片段：
每个应用级别的工作流都是针对特定需求的定制产品，而非通用的解决方案。比如我构建的“插画一键转3D”工作流程，由于模型节点等限制，通常仅能处理卡通人物、动物以及常见物品的生成需求。而对于其他未被覆盖的内容，则需要开发全新的工作流程。这一过程虽然为我们提供了宝贵的经验，即针对特定需求攻克一套成熟的工作流程，但最初的第一张图的实现可能需要花费一天、一周甚至一个月的时间进行实验。然而，一旦流程成熟，后续的一百张图每张仅需10秒即可完成。以此为鉴，如果我们能针对产品需求定制50种风格元素并实现稳定的工作流程，那么这就形成了一个数字资产库。为每个工作流配备封面和说明书，并定期进行系统性的更新和维护，那么在后续不同的产品需求中，我们就可以从这50种风格中选择适合的一种，从而在美术产出效率和效果实现范围上获得显著提升。
谈到开源与闭源，为何市面上公开的AI工作流大多实用性不强？
1. 工作流都是定制的，他人为特定项目开发的工作流程可能并不符合你的需求。
2. 许多优秀的商业级工作流程并未公开，因为它们属于个人或公司的资产，开发者在其中投入了大量时间和精力。无论是定制的模型或Lora训练，还是工作流程节点的搭建，其中有许多私密内容我们无法窥见。当然，我们也看到了一些创作者无偿开源的优秀工作流程和模型节点，“但这源于他们的慷慨，而非义务”。
3. 一套优秀的工作流程必须有相应的模型适配，最合适的模型往往是根据具体项目定制的。
4. 目前AI的发展环境和配置尚不完善，许多产品并未达到它们所宣称的效果。
7. AI的适用人群及其发展方向：C端还是B端？
在众多企业中，强制要求员工掌握SD等AI软件的做法并不可取。基于这样的思考，我们可以将受众划分为两类：一是那些负责研发工作流的专责团队，二是那些需要使用和应用工作流的实际操作者。我们可以让一小部分专业人员根据项目需求开发相应的工作流，然后将这些工作流传授给设计师，让他们能够无障碍地复用并修复其中的bug，从而在实际工作中应用。这样，在效率和效果上便能够实现无限的可能性。
然而，对于工作流研发人员的要求相当高。比如，如果一套工作流只能复现大约30%的质量效果，而剩下的70%都是bug（包括人物造型良品率、画面质感、细节还原度等方面），那么设计师很可能会选择放弃使用这套工作流。因为修复bug所需的时间已经超过了他们手动完成工作的效率。我们不应该为了AI而牺牲效率。因此，一个优秀的工作流必须能够复现至少70%以上的质量效果，才值得专业团队采纳。尤其是对于高级需求，这要求开发工作流的团队具备非常强的专业能力和丰富的知识储备。这与大众对面向个人消费者的娱乐级AI的理解是完全不同的。
在第八点中，我们强调，工作流的开发应当基于实验而非凭空想象。
如何实践我的工作流：人们往往习惯于用自身的旧有知识体系来评价非自己专业领域的内容，这往往导致无法进行深入的洞察。由于我自身并不精通3D技能，因此我经常将我的工作流结果发送给不同领域的3D设计师朋友，请他们帮忙找出其中的瑕疵。根据他们的反馈，我会对节点、模型以及各项参数进行优化，力求达到我所认知的最佳解决方案。也就是说，工作流的开发过程应当基于实践而非空想。
当前的局面是，技术领域的人才往往缺乏美术理解，而美术领域的专业人士又可能对技术不够精通。由于大多数工作流的开发者出身于程序员，这就使得工作流的研发难以与美术项目完美结合，落地实施。同时，那些提出需求的管理层由于对AI技术的缺乏了解，加之被充斥着营销短视频的轰炸，产生了一些不切实际的幻想，这导致了各种问题的产生。然而，这也催生了一个潜在的市场需求。
第9点：为何顶尖的AI工作流往往在游戏公司中出现？
游戏行业在AI工作流的实施上面临着极大的挑战，这也是我坚信未来最出色的AI工作流将诞生于游戏公司的理由所在。
对于活动营销类的内容，观众无需支付费用，即使出现画面BUG也不会带来风险。甚至有些互联网公司会以AI的产出作为宣传亮点来制作内容。然而，对于游戏公司而言，情况则完全不同。因为玩家需要付费购买皮肤、道具或内容，他们对AI的接受度较低，这种抵制情绪使得风险变得尤为巨大。
因此，若要攻克应用级的工作流，就必须确保AI能够达到百分百还原手工效果的级别。在AI工作流中，只有当其能够达到百分之七十以上的质量还原时，才值得投入使用。要完善一套应用级的工作流，无疑是一个庞大而复杂的工程，它需要环境和人的共同进步。
在此，我分享了一些个人的经验和心得，希望能与大家共同探讨。如果这篇文章对你有所启发，请给予点赞和支持，感谢您的阅读。
