2023年9月OpenAI发布DALL·E 3将AI绘画推向了理解自然语言的新高度。2024年2月Sora横空出世用60秒超逼真视频震撼世界。2026年3月Sora宣布关停——从惊艳全球到仓促退场仅25个月。这两年多里AI视觉生成领域经历了什么DALL·E 3、Midjourney V6/V7、Stable Diffusion 3、Sora、Runway Gen-3、Pika 2.0……每一个名字背后都是一次技术跃迁也是一次行业洗牌。作为一名从2022年就开始使用AI绘画工具的创作者我想用这篇万字长文带你完整复盘这段波澜壮阔的进化史。 本文核心脉络•2022年— DALL·E 2与Imagen奠定扩散模型霸主地位•2023年— DALL·E 3集成ChatGPTMidjourney V6实现说人话•2024年— Sora引爆视频生成SD3与Flux开启DiT时代•2025年— Sora 2上线AI视频进入社交化阶段•2026年— Sora关停国产Seedance崛起行业格局重塑一、序章2022年扩散模型统治世界要理解2023年之后的进化得先回到2022年——那是AI绘画的元年。2022年4月OpenAI发布了DALL·E 2[reference:0]。相比2021年的DALL·E 1DALL·E 2的分辨率从256×256提升至1024×1024提高了4倍精确度改善了71.7%写实度改善了88.8%[reference:1]。它还首次支持编辑现有图像——用户可以选中一个区域告诉模型在这里加一个花瓶[reference:2]。同一个月Google Brain推出了Imagen[reference:3]。Google声称Imagen在逼真度上超越了DALL·E 2[reference:4]。Imagen的核心发现是使用在纯文本语料上预训练的大型语言模型作为文本编码器效果出奇地好[reference:5]。2022年8月Stability AI开源了Stable Diffusion[reference:6]。这是整个AI绘画史上最重要的分水岭——一个普通人可以在自己电脑上运行的、完全免费的文生图模型。Stable Diffusion的开源催生了数万个衍生模型、插件和工具也为后续的LoRA、ControlNet等生态奠定了基础。我的观察2022年是技术验证期。DALL·E 2证明了扩散模型可以生成高质量的图像Imagen证明了语言模型的重要性而Stable Diffusion证明了开源的力量。这三条线在接下来的两年里各自演化最终在2024年交汇于一个共同的技术方向——Diffusion TransformerDiT。二、2023年大模型元年AI绘画学会说人话如果说2022年是能画了那么2023年就是能听懂了。2023年9月21日 — OpenAI发布DALL·E 3[reference:7]。这是整个AI绘画史上的里程碑事件[reference:8]。DALL·E 3最大的创新不是模型本身而是与ChatGPT的深度集成[reference:9]。用户不再需要学习复杂的Prompt编写技巧——只需要用自然语言说出想法ChatGPT会自动生成优化后的提示词[reference:10]。DALL·E 3解决了前代版本的多个痛点图像细节更丰富、能理解更长的提示词、终于会写字了[reference:11][reference:12]。在文字渲染方面虽然仍然不可靠但相比DALL·E 2已经有了质的飞跃[reference:13]。安全方面OpenAI设置了严格限制不能生成公众人物图像、不能模仿在世艺术家风格[reference:14][reference:15]。DALL·E 3于10月向ChatGPT Plus和企业用户开放[reference:16]11月开放API每张图收费0.04美元起[reference:17]。2023年12月 — Midjourney V6 Alpha版发布[reference:18][reference:19]。V6是Midjourney的一次架构重写[reference:20]。核心升级包括更准确的提示跟随、更长的提示词支持、连贯性大幅提升、分辨率提高2倍、以及——首次支持文字绘制[reference:21][reference:22]。V6最根本的变化是说人话——用户可以用350个词以上的短文做详细描述模型能理解构图中的每一个结构细节[reference:23]。在此之前Midjourney的Prompt需要大量魔法词和参数V6之后自然语言描述就够了[reference:24]。2023年也是AI视频的萌芽年 — 3月Runway发布Gen-2能根据文本生成3秒视频[reference:25]。7月Gen-2全面开放免费试用可生成最长4秒的视频[reference:26]。11月Pika Labs发布Pika 1.0输入一句话即可生成各种风格的视频[reference:27][reference:28]。虽然这些工具生成的视频只有几秒钟、分辨率低、物理规律常常出错但它们预示了一个方向AI不仅能画静态图还能让画面动起来。我的观察2023年是理解之年。DALL·E 3用ChatGPT解决了Prompt工程的门槛问题Midjourney V6用自然语言理解解决了说人话的问题。AI绘画从专业人士的工具变成了普通人的助手。与此同时Runway和Pika已经埋下了视频生成的种子——只是当时所有人都没想到这颗种子会在2024年长成参天大树。三、2024年Sora时刻视频生成引爆全球2024年是AI视觉生成史上最戏剧性的一年——从图像到视频从开源到闭源从玩具到工具一切都在加速。2024年2月22日 — Stability AI发布Stable Diffusion 3早期预览版[reference:29][reference:30]。SD3采用了全新的多模态扩散TransformerMMDiT架构[reference:31][reference:32]——为图像和语言表示使用独立的权重集再通过注意力机制连接[reference:33]。SD3提供8亿到80亿不等的参数版本[reference:34]2024年6月12日开源了20亿参数的SD3 Medium版本[reference:35][reference:36]。SD3在人类偏好评估中超越了DALL·E 3和Midjourney V6[reference:37]。它最突出的能力是文字渲染——解决了创意生图中的拼写容错等难题[reference:38]。2024年2月 — OpenAI发布Sora 1.0技术预览版[reference:39]。这是整个2024年最炸裂的AI新闻。Sora采用了与SD3相似的Diffusion TransformerDiT架构[reference:40]能够生成长达60秒、细节精细的视频片段[reference:41]。OpenAI将其称为世界模拟器[reference:42]。Sora的演示视频震撼了全世界——一个穿着时尚的女性走在东京街头、一群毛茸茸的小狗在雪地里玩耍、一辆老式汽车在盘山公路上行驶……这些视频的逼真程度让人分不清是实拍还是AI生成。Sora成为了AI视频的代名词业界用Sora时刻来定义其划时代意义[reference:43]。2024年还有两个重要事件 — 一是Flux模型的横空出世使用DiT架构将文字渲染准确率提升至88-92%[reference:44][reference:45]二是Midjourney V7在第三季度发布并在2025年6月17日正式取代V6成为默认模型[reference:46][reference:47]。我的观察2024年是范式转移之年。SD3和Sora不约而同地选择了DiT架构——把扩散模型和Transformer结合起来。这不是巧合而是行业共识的凝聚Transformer的序列建模能力 扩散模型的生成能力 更强大的视觉生成。图像和视频的边界开始模糊静态生成和动态生成的底层架构开始统一。四、2025年从技术到产品AI视频走向大众如果说2024年是技术突破年那么2025年就是产品落地年。2025年4月 — Midjourney V7发布Alpha版本[reference:48]。V7的核心升级包括更精确的提示词响应、更丰富的纹理和连贯的细节、草稿模式Draft Mode——以50%的GPU成本实现约10倍的生成速度[reference:49][reference:50]。草稿模式改变了创意工作流先用低成本生成大量草稿筛选构图再对选中的方向生成高质量输出[reference:51]。V7还引入了Omni Reference——通过单张参考图即可在多场景中稳定复用人物或物体特征[reference:52]。个性化功能默认开启用户完成约200张图像的偏好打分后系统会构建专属配置文件[reference:53]。V7在图像真实感方面被广泛认为是质的飞跃——皮肤、织物、金属等材质更接近摄影效果[reference:54]。但文字渲染依然是硬伤[reference:55]。2025年9月 — Sora 2正式上线[reference:56][reference:57]。Sora 2不再只是一个技术预览版而是一个独立的社交应用[reference:58]。它新增了音画同步、真人角色植入等高级功能[reference:59]。上线5天下载量突破百万一度登顶App Store免费榜[reference:60][reference:61]。2025年12月OpenAI与迪士尼达成一项为期三年的合作协议迪士尼投资10亿美元并开放超过200个迪士尼、漫威、皮克斯及《星球大战》的经典IP用于Sora平台内容生成[reference:62]。这一合作被视为AI视频走向主流内容工业的关键一步[reference:63]。2025年也是视频工具成熟之年 — Runway Gen-3成为专业视频生成的首选支持4K输出和多模态编辑[reference:64][reference:65]。Pika 2.0以轻量化创意为核心30-50秒即可生成5秒视频[reference:66]。字节跳动的Seedance开始崭露头角逐渐成为国内AI视频的主力工具[reference:67]。我的观察2025年是商业化之年。Midjourney V7从抽卡工具变成了可控设计助手[reference:68]。Sora从技术演示变成了社交产品。AI视频从概念验证变成了可交付的生产工具。但隐忧已经出现——Sora 2虽然在产品层面成功但在技术层面清晰度、纹理稳定性、画面干净程度始终存在短板[reference:69]。五、2026年Sora之死与格局重塑2026年是AI视觉生成史上最戏剧性的一年——不是因为某个产品的发布而是因为一个产品的关停。2026年1月 — Midjourney Niji 7上线[reference:70]。Niji 7是Midjourney与Spellbrush团队联合推出的动漫AI绘图模型在画面连贯性、细节表现力、提示词理解能力等核心维度全面跃升[reference:71]。2026年2月 — Sora推出Extensions功能用户可以在已有视频的基础上无缝延续[reference:72]。同月Sora支持带人物的图生视频[reference:73]。2026年3月24日 — OpenAI正式宣布关停Sora[reference:74]。声明写道我们要和Sora说再见了。感谢每一位用Sora创作、分享并构建相关社区的用户。[reference:75]Sora从发布到关停仅25个月[reference:76]。CEO Sam Altman在内部会议上说明视频生成产品线正在被整体移出OpenAI的核心版图但技术团队并未解散而是转向机器人、世界模型等基础研究方向[reference:77]。迪士尼的合作也同步终止[reference:78]。Sora关停的原因是多方面的技术层面清晰度、纹理稳定性、运动镜头失真等问题始终未能解决[reference:79]竞争层面字节跳动的Seedance在关键指标上完成了赶超[reference:80]商业层面视频生成的算力成本过高商业模式难以持续[reference:81]。2026年4月26日 — Sora网页版和应用端正式停止服务[reference:82][reference:83]。Sora API将于2026年9月24日停止服务[reference:84]。2026年6月 — OpenAI发布Sora 2模型此Sora 2与2025年9月的Sora 2并非同一概念而是新一代视频生成模型并推出名为Sora的iOS社交应用[reference:85]。但这更像是最后的告别演出——Sora API已被标记为弃用[reference:86]。2026年7月 — 字节跳动Seedance 2.5上线实现了30秒单段原生视频直出、支持50个全模态素材联合生成[reference:87]。按日消耗占比计算Seedance已经占到市场超八成份额[reference:88]。我的观察Sora的关停是2026年AI行业最震撼的事件。一个曾被寄予厚望、拿到迪士尼10亿美元投资的产品在不到两年半的时间里从巅峰跌落到关停。它证明了在AI领域技术领先不等于商业成功。算力成本、产品体验、竞争环境——任何一个环节出问题都可能导致全盘皆输。而Seedance的崛起则证明了另一件事国产AI已经具备了与国际巨头正面竞争的实力。六、技术演进的三条主线回顾这三年多的进化史我看到了三条清晰的技术主线主线一从U-Net到DiT架构的范式转移早期的Stable Diffusion1.x到2.x使用U-Net作为核心架构——把提示词映射成向量再喂给U-Net处理[reference:89]。这个设计简洁高效但存在一个硬伤CLIP文本编码器是在4亿图文对上训练的目标是判断这张图和这句话是否匹配而不是提取这句话里每个名词、动词、介词的精确空间关系[reference:90]。2024年SD3采用了MMDiT架构[reference:91][reference:92]Sora采用了DiT架构[reference:93]Flux也使用了DiT架构[reference:94]。这三家不约而同地选择了同一条技术路线——把扩散模型和Transformer结合起来。Transformer的序列建模能力让模型更好地理解长文本和复杂语义扩散模型的生成能力保证了图像质量。这是一次双向奔赴的技术融合。主线二从抽卡到可控工作流的质变2022-2023年的AI绘画本质上是抽卡——输入Prompt祈祷出好图。2024年开始ControlNet、LoRA、IP-Adapter等工具让可控生成成为可能。2025-2026年Midjourney V7的草稿模式和Omni Reference[reference:95]、DALL·E 4的精确编辑能力、Adobe Firefly的AI Markup——AI绘画正在从生成工具变成设计工具。用AIGC导演丁一的话说Seedance更像是Sora本该成为的样子——更高分辨率的输出、更稳定的长镜头控制、更准确的语义理解以及更接近真实摄影语言的镜头调度能力。[reference:96]主线三从静态到动态图像与视频的融合2022-2023年AI绘画和AI视频是两条独立的赛道。2024年Sora和SD3共享DiT架构预示了图像和视频的底层技术正在统一。2025-2026年DALL·E 4支持视频生成[reference:97]、Runway Gen-3支持4K多模态编辑[reference:98]、Seedance 2.5支持30秒原生视频直出[reference:99]——静态生成和动态生成的界限正在消失。七、我看到了什么站在2026年7月回望我想用三个词来概括这三年多的进化第一速度。从DALL·E 2到DALL·E 3用了17个月[reference:100]从Sora 1到Sora 2用了19个月[reference:101]从SD3到SD4用了不到两年[reference:102]。AI视觉生成的迭代速度远超摩尔定律——不是18个月翻一倍而是每年都在质变。第二融合。图像和视频在融合DiT架构统一底层、文本和图像在融合DALL·E 3 ChatGPT、生成和编辑在融合图生图、局部重绘、视频延续。AI视觉生成正在从一个独立工具变成一个基础设施——它嵌入到ChatGPT里、嵌入到Photoshop里、嵌入到剪映里。第三洗牌。2023年Midjourney一家独大2024年Sora横空出世2025年群雄并起2026年Sora关停、Seedance崛起。没有永恒的王者只有永恒的进化。正如一位用户在社交媒体上评论的短短四个月就从一个数十亿美元级别的合作走向终结这就是当单位经济模型失效时AI产品被重新定价的速度。[reference:103]最后我想说AI视觉生成的GPT时刻已经过去了。我们现在处于工业化的前夜——不是能不能生成的问题而是能不能稳定、高效、低成本地生成的问题。Sora的关停不是终点而是行业从烧钱换增长转向效率换生存的转折点。接下来的竞争将不再是谁画得更像而是谁能让创作者真正赚到钱。附关键时间线速览时间事件意义2022年4月DALL·E 2发布扩散模型成为主流分辨率提升4倍2022年5月Google Imagen发布证明语言模型对文生图的重要性2022年8月Stable Diffusion开源AI绘画走向大众生态开始构建2023年3月Runway Gen-2发布AI视频生成从实验室走向产品2023年9月DALL·E 3发布集成ChatGPTPrompt门槛大幅降低2023年11月Pika 1.0发布AI视频生成进入一句话出片时代2023年12月Midjourney V6 Alpha发布自然语言理解能力质变说人话2024年2月Sora 1.0技术预览60秒超逼真视频定义Sora时刻2024年2月Stable Diffusion 3预览MMDiT架构DiT成为行业共识2024年6月SD3 Medium开源20亿参数单机可跑2024年Q3Midjourney V7发布草稿模式、Omni Reference2025年9月Sora 2上线独立社交应用5天百万下载2025年12月迪士尼10亿美元投资SoraAI视频走向主流内容工业2026年1月Midjourney Niji 7上线动漫风格AI绘画的巅峰2026年3月OpenAI宣布关停Sora25个月的生命周期行业震撼2026年7月Seedance 2.5上线30秒原生视频市占超八成声明本文基于公开资料与个人实测经验撰写时间节点和产品特性以官方信息为准。AI行业变化迅速部分信息可能已更新请结合最新资料阅读。