Самый мощный генератор изображений: почему Midjourney остаётся вне конкуренции

Ещё три-четыре года назад сама идея о том, что нейросеть способна за считанные секунды нарисовать фотореалистичный портрет или фантазийный пейзаж, казалась довольно смелой выдумкой. Люди, далёкие от мира машинного обучения, скептически качали головой — мол, компьютер и карандашом-то толком линию не проведёт. А те, кто всё-таки следил за прогрессом генеративных моделей, не рассчитывали на коммерчески пригодный результат раньше 2030 года. Время, однако, распорядилось иначе. Сегодня на рынке теснятся десятки нейросетевых генераторов изображений, от Stable Diffusion и DALL·E до Leonardo и Firefly, и каждый из них претендует на звание лучшего. Но стоит взглянуть на результаты внимательнее — и среди этого бомонда с заметным отрывом солирует Midjourney.

Откуда взялся Midjourney и чем он зацепил аудиторию?

Проект появился в 2022 году, и стоял за ним Дэвид Хольц — человек, ранее основавший компанию Leap Motion, специализировавшуюся на технологиях отслеживания движений рук. Уже сам по себе бэкграунд основателя намекал: речь идёт не о студенческом эксперименте, а о серьёзном продукте с амбициями. Первые версии модели распространялись через Discord, что многим казалось странным выбором платформы. Ведь мессенджер для геймеров — не самая очевидная среда для работы с изображениями. Но именно эта нестандартность сработала: сообщество разрослось до миллионов пользователей буквально за несколько месяцев. К слову, сам Discord-формат взаимодействия породил особую культуру — люди делились промптами, разбирали чужие генерации, устраивали стихийные конкурсы. И эта живая экосистема внесла немалую лепту в популярность сервиса.

Что же приковывало внимание с первых дней? Качество. Не техническое совершенство в пиксельном разрешении, а именно художественное чутьё модели. Midjourney с ранних версий тяготел к эстетике — изображения получались атмосферными, с продуманной цветовой палитрой и выразительной композицией. Конкуренты на тот момент выдавали нечто похожее на коллаж из стоковых фотографий, пропущенный через фильтр сновидения. А здесь — совсем другой антураж. Картинка выглядела так, будто над ней поработал живой иллюстратор с хорошим вкусом.

Почему конкуренты не могут догнать?

Вопрос не праздный. Ведь и DALL·E 3 от OpenAI, и последние итерации Stable Diffusion XL демонстрируют впечатляющий прогресс. Да и Adobe со своим Firefly вложила в разработку грандиозные ресурсы. Но нюанс кроется в подходе к обучению модели и в философии продукта. Дело в том, что Midjourney с самого начала делал ставку не на фотореализм ради фотореализма, а на визуальную привлекательность. Модель обучена распознавать и воспроизводить то, что человеческий глаз считает красивым. Это довольно тонкая грань — и именно здесь львиная доля конкурентов спотыкается.

Stable Diffusion, к примеру, — инструмент мощный, гибкий, с открытым кодом. Но он требует скрупулёзной настройки. Без правильной модели, без подходящего LoRA-адаптера, без грамотного подбора сэмплера и количества шагов результат бывает, мягко говоря, непредсказуемым. Для энтузиаста, готового часами ковыряться в параметрах, — настоящий рай. А вот обывателю, которому нужна красивая картинка здесь и сейчас, такие махинации ни к чему. DALL·E 3, в свою очередь, великолепно справляется с точным следованием промпту — текст на изображении, конкретное расположение объектов, буквальное исполнение запроса. Однако в плане художественной выразительности он всё ещё уступает. Картинки выходят чистенькие, аккуратные, но нередко — безжизненные. Как витрина магазина: всё на месте, а душа отсутствует.

Версия 6 и переломный момент

Настоящий скачок. Когда в конце 2023 года команда Midjourney выкатила шестую версию модели, даже скептики признали: разрыв с конкурентами стал ещё внушительнее. В чём конкретно это выразилось? Во-первых, модель научилась куда точнее понимать текстовые запросы. Раньше стоило написать что-то вроде «старик сидит на скамейке в парке, читает газету, рядом лежит рыжий кот» — и кот мог оказаться на голове старика, а газета превращалась в свиток. С версии 6 подобные конфузы случаются куда реже. Во-вторых, фотореалистичный режим вышел на такой уровень, что отличить генерацию от студийного снимка бывает довольно сложно даже натренированному глазу.

Отдельно стоит упомянуть работу с текстом внутри изображений. Буквально год назад ни одна генеративная модель не справлялась с этой задачей хотя бы сносно — буквы плыли, сливались, превращались в абракадабру. Midjourney v6 решил эту проблему не идеально, но заметно лучше остальных. Да, огрехи ещё всплывают, особенно на длинных фразах. И всё же прогресс налицо. К тому же, команда продолжает работу над версией 7, которая, по слухам, ещё серьёзнее прокачает именно эту сторону.

Что насчёт стоимости?

Бьёт ли подписка по бюджету? Смотря с чем сравнивать. Базовый план обходится примерно в десять долларов в месяц и даёт около двухсот генераций. Для человека, который использует нейросеть от случая к случаю — скажем, сделать обложку для статьи или иллюстрацию к посту — этого хватает с запасом. Стандартный тариф за тридцать долларов открывает доступ к пятнадцати часам быстрой генерации и неограниченному количеству медленных. Ну, а профессиональный план за шестьдесят долларов рассчитан на тех, кто работает с изображениями каждый день — дизайнеров, маркетологов, владельцев контент-агентств.

Для сравнения: Stable Diffusion формально бесплатен, но запуск на собственном железе требует видеокарты с объёмом памяти от восьми гигабайт, а лучше — от двенадцати. Добротная видеокарта такого уровня обойдётся в сумму от шестисот до полутора тысяч долларов. Облачные сервисы вроде RunPod или Vast.ai берут поминутно, и при активной работе кошелёк станет легче на те же тридцать-пятьдесят долларов в месяц. Так что «бесплатность» — понятие растяжимое. DALL·E 3 доступен через подписку ChatGPT Plus за двадцать долларов, но количество генераций там ограничено, а гибкость настроек минимальна. Adobe Firefly тоже требует подписки, причём в рамках экосистемы Creative Cloud, что само по себе серьёзное вложение.

Стоит ли верить критикам?

Разумеется, не всё так безоблачно. У Midjourney хватает подводных камней, и замалчивать их нет смысла. Первая ложка дёгтя — закрытость. Модель не имеет открытого кода, алгоритм работы засекречен, и пользователь целиком зависит от серверов компании. Если завтра сервис решит поднять цены вдвое или изменить политику использования — деваться будет некуда. Вторая претензия касается авторских прав. Вся суть в том, что модель обучалась на миллиардах изображений из интернета, и вопрос легитимности такого обучения до сих пор не урегулирован юридически. Несколько громких исков от художников и фотографов уже на рассмотрении в американских судах.

Ещё один неоднозначный момент — зависимость от Discord. Хотя команда уже тестирует собственный веб-интерфейс (доступ пока по приглашениям), львиная доля пользователей по-прежнему работает через бота в мессенджере. Для новичка это может показаться неудобным — вместо привычного графического редактора приходится вводить текстовые команды в чат. Впрочем, многие к такому формату привыкают за пару дней и потом уже не хотят возвращаться к классическим интерфейсам. Дело привычки.

Промпт-инженерия: искусство или навык?

Без правильного промпта даже самый продвинутый генератор выдаст посредственный результат. Это правило работает везде, но в Midjourney оно ощущается особенно остро. Дело в том, что модель чувствительна к стилистическим указаниям — упоминание конкретного фотографа, художника, эпохи или техники рисования способно кардинально изменить итоговую картинку. Написал «in the style of Gregory Crewdson» — получил кинематографичную сцену с тревожным освещением. Добавил «shot on Hasselblad, natural light» — и генерация приобрела фактуру плёночного среднеформатного снимка.

Но тут же кроется и сложность. Не стоит перегружать промпт десятком стилистических отсылок одновременно — модель начинает «путаться» и выдаёт кашу. Лучший результат достигается, когда запрос лаконичен, но точен. Два-три предложения, описывающих сцену, плюс одно-два стилистических указания — золотая середина. К слову, опытные пользователи давно заметили: Midjourney лучше реагирует на существительные и прилагательные, чем на глаголы. Вместо «женщина бежит по полю» эффективнее написать «running woman, vast wheat field, golden hour» — и добавить параметры вроде —ar 16:9 для широкого формата или —stylize 750 для усиления эстетической обработки.

Где Midjourney применяют уже сегодня?

Кладезь применений. Один из самых популярных сценариев — концепт-арт для игр и кино. Студии, которые раньше тратили недели на предварительные наброски, теперь получают визуальные референсы за пару часов. Это не заменяет художника, но радикально ускоряет первый этап работы. Далее следует маркетинг: рекламные креативы, обложки для социальных сетей, иллюстрации к статьям и блогам. Малый бизнес, у которого нет бюджета на профессионального иллюстратора, находит в Midjourney самый настоящий спасательный круг.

Отдельно стоит упомянуть архитектуру и дизайн интерьеров. Архитекторы используют генератор для быстрой визуализации идей — вбивают описание будущего здания и получают изысканный рендер, который можно показать заказчику на первой же встрече. Конечно, финальный проект всё равно делается в специализированном ПО, но на этапе переговоров и вдохновения нейросеть творит чудеса. А если вспомнить ещё и мир моды — дизайнеры одежды генерируют эскизы коллекций, экспериментируют с цветовыми сочетаниями и фактурами ткани, не потратив ни метра материала.

Вопрос этики: можно ли называть это искусством?

Спор не утихает. Одни убеждены, что генеративные изображения — полноценное творчество, просто инструмент изменился: раньше кисть, теперь промпт. Другие категоричны: без ручного мастерства нет и искусства. Истина, как водится, болтается где-то посередине. Нельзя не признать, что хороший промпт-инженер тратит часы на доведение результата до нужной кондиции — перебирает формулировки, подкручивает параметры, комбинирует результаты. Это не «нажал кнопку — получил шедевр». И всё же щепетильный вопрос авторства остаётся открытым. Тем более что в 2023 году Бюро авторского права США отказало в регистрации произведений, созданных целиком нейросетью, без существенного человеческого вклада.

Многие профессиональные художники воспринимают Midjourney не как врага, а как ассистента. Они берут нейросетевую генерацию за основу, дорабатывают её в Photoshop или Procreate, добавляют авторские штрихи — и получают гибридный результат, который не под силу ни чистому ИИ, ни человеку в одиночку. Такой колоборативный подход, пожалуй, и отражает самый здравый взгляд на ситуацию. Не «машина против человека», а «человек вместе с машиной».

Что ждёт Midjourney в ближайшем будущем?

Слухов хватает. Команда активно работает над видеогенерацией — об этом Дэвид Хольц упоминал в нескольких интервью, хотя конкретные сроки не называл. Если учесть, как стремительно развивалась модель в области статичных картинок, переход к движущемуся изображению — вопрос ближайших полутора-двух лет. Кроме того, в разработке находится полноценный веб-редактор с возможностью точечного редактирования сгенерированных изображений: замена фона, изменение позы персонажа, доработка деталей прямо в браузере. Такой инструмент превратит Midjourney из «генератора картинок» в полноценную творческую платформу.

Ну и, конечно же, конкуренция не стоит на месте. Google со своим Imagen 3, компания Black Forest Labs с моделью FLUX и десятки стартапов поменьше — все они наступают на пятки. Но у Midjourney есть то, что довольно сложно скопировать: сложившееся сообщество, узнаваемый «почерк» генераций и репутация сервиса, который из версии в версию удивляет. Именно эта комбинация — технология плюс культура — и держит проект на вершине.

Мир генеративных изображений меняется с такой скоростью, что любой прогноз рискует устареть через полгода. Но одно можно утверждать с уверенностью: Midjourney задал планку, до которой конкурентам ещё тянуться и тянуться. А тем, кто пока не пробовал этот инструмент, самое время окунуться в эксперименты — результат наверняка удивит и, вполне вероятно, изменит привычное представление о том, где заканчивается работа алгоритма и начинается настоящее творчество.