많은 사람들이 이제 기묘하고 새로운 시각적 본능을 갖게 되었습니다. 인포그래픽을 열고 배경, 아이콘, 라벨, 그리고 아주 작은 장식적 질감들을 훑어본 뒤, 왜 그런지 설명하기도 전에 해당 이미지가 AI 모델에서 생성되었다는 느낌을 받습니다. 이러한 의심은 보통 일련의 신호들로부터 비롯됩니다. 이미지는 선명하고 다듬어져 있으며 읽기 쉬울 수 있지만, 얇은 노이즈 층, 작은 점들, 반복되는 질감, 그리고 과도하게 복잡한 미세 디테일(micro detail)을 머금고 있습니다. GPT Image 2는 레이아웃(layout)과 텍스트(text) 구현 능력이 뛰어나기 때문에, 남은 결함들이 더욱 쉽게 격리되어 눈에 띄게 만들었습니다.

첫 번째 이유는 기계적입니다. 현대의 이미지 생성기(image generators)는 노이즈가 있는 시각적 상태에서 일관된 그림으로 이동하며 이미지를 생성하는 법을 학습합니다. 최종 결과물이 깨끗해 보일 때조차, 그 디노이징(denoising) 과정의 흔적이 입자(grain), 점묘(stippling), 부드러운 먼지, 또는 패턴화된 질감으로 남아 있을 수 있습니다. 사진의 경우, 노이즈는 대개 카메라 센서, 렌즈, 조명 조건 또는 압축 파이프라인(compression pipeline)의 논리를 따릅니다. 반면 AI 이미지의 노이즈는 종종 생성(generation)의 논리를 따릅니다. 종이, 유리, 피부, 금속, 그리고 평면적인 UI 패널처럼 서로 다르게 작동해야 하는 표면 전체에 노이즈가 나타납니다. 이러한 불일치가 우리의 눈이 이를 매우 빠르게 포착하는 이유 중 하나입니다.

인포그래픽은 초상화나 풍경화보다 이 문제를 더 극명하게 드러냅니다. 좋은 인포그래픽은 깨끗한 영역, 안정적인 타이포그래피(typography), 단순한 아이콘 기하학(icon geometry), 그리고 명확한 시각적 계층 구조(visual hierarchy)를 필요로 합니다. 또한 오류가 명확하게 드러나는 경계선이 많습니다. GPT Image 2가 모든 작은 라벨, 연결선, 그림자, 배경 패널, 그리고 다이어그램 요소를 시각적으로 풍부하게 만들려고 시도할 때, 이미지에 디테일을 과하게 채워 넣을 수 있습니다. 그 결과, 첫눈에는 인상적이지만 두 번째 볼 때는 인위적으로 보이는 표면이 만들어집니다. 모델은 전체적인 구도(composition)는 해결했지만, 국소적인 질감(local texture)은 너무 균일하게 생성된 느낌을 줍니다.

또 다른 이유는 문맥(context)입니다. 사용자들의 보고에 따르면, 동일한 채팅 내에서 반복적인 편집을 수행할 경우 때때로 아티팩트(artifacts)가 증폭될 수 있다고 합니다. 첫 번째 이미지는 아주 미세한 입자(grain)만을 포함할 수 있지만, 수정 과정에서 그 입자가 시각적 콘텐츠의 일부로 보존되고 재해석될 수 있습니다. 여러 차례의 턴(turn)을 거치면서 질감은 더욱 눈에 띄게 됩니다. 이것이 일부 제작자들이 이미지 워크플로우(workflow)를 재시작하고, 깨끗한 프롬프트(prompt)를 사용하며, 손실 없는 소스 파일(lossless source files)을 저장하고, 노이즈가 있는 이전 출력물을 다음 참조로 사용하는 것을 피할 때 더 나은 결과를 얻는 이유입니다.

출처(provenance) 문제도 존재합니다. OpenAI는 ChatGPT Images 2.0을 사실주의(realism), 지시 이행(instruction following), 세상 지식(world knowledge), 그리고 밀집된 텍스트 생성(dense text generation) 측면에서 큰 진전이 이루어진 단계라고 설명하면서, 동시에 합성 미디어(synthetic media)에 대한 안전장치(safeguards)를 강조했습니다. 대중적인 논의에서는 특정 질감 패턴이 반복되는 현상을 워터마킹(watermarking) 또는 출처 신호(provenance signals)의 가능성과 연결 짓기도 하지만, 특정 가시적 아티팩트의 정확한 원인이 완전히 공개되지는 않았습니다. 실무 사용자들에게 가장 안전한 결론은 간단합니다. 눈에 보이는 입자는 품질 관리(quality control) 문제로 취급하고, 모델 제공자가 정확한 기술적 설명을 제공하기 전까지는 출처를 별도의 정책 및 신뢰 문제로 취급하는 것입니다.

GPT Image 2를 사용하는 가장 유용한 방법은 아이디어 구상(ideation)과 최종 제작(final production)을 분리하는 것입니다. ChatGPT를 사용하여 논거를 탐색하고, 다이어그램(diagram)의 구조를 잡으며, 시각적 이야기가 타당한지 테스트하십시오. 계층 구조(hierarchy), 누락된 라벨(labels), 혼란스러운 흐름(flows)을 확인하기 위한 두 번째 검토자로 Gemini를 사용하십시오. 이미지에 공식, 방정식 또는 기술적 표기(technical notation)가 나타날 경우, Miss Formula를 통해 수학 내용을 사용 가능한 공식 형태로 복구할 수 있습니다. AI가 생성한 논문 그림(paper figure)이 유망해 보이지만 픽셀에 노이즈가 있는 경우, Editable Figure를 사용하여 해당 그림을 편집 가능한 벡터 형식(vector format)으로 변환함으로써 최종 버전을 정돈하고, 정렬하며, 출판용으로 준비할 수 있습니다.

프롬프팅 (Prompting)은 여전히 중요합니다. 깔끔한 평면 영역 (flat regions), 절제된 배경 디테일, 일관된 조명, 최소한의 질감 (texture), 크고 읽기 쉬운 라벨, 그리고 단순한 기하학적 아이콘을 요청하세요. 거친 느낌 (grit), 종이 질감 (paper grain), 먼지 (dust), 영화적 디테일 (cinematic detail), 그리고 미세한 질감 (microscopic texture)을 요구하는 스타일 단어들을 한 번의 요청에 무분별하게 쌓아두는 것은 피해야 합니다. 플랫폼의 압축으로 인해 변형되기 전, 원래의 결과물을 검토하십시오. 만약 이미지에 지저분한 패턴이 나타나기 시작한다면, 동일한 대화 내에서 끝없는 수정을 요구하는 대신 새로운 프롬프트로 다시 생성하십시오.

더 깊은 교훈은 AI 이미지 품질이 더 이상 모델이 손을 잘 그리거나 라벨의 철자를 맞게 쓰는지 여부만으로 판단되지 않는다는 점입니다. GPT Image 2는 복잡하고 유용하며 놀라울 정도로 가독성이 좋은 인포그래픽 (information graphics)을 제작할 수 있습니다. 이 모델의 약점은 이미지의 질감적 느낌 (material feeling)에서 나타납니다. 인간 디자이너는 아이디어를 보호하기 위해 불필요한 질감을 제거하는 경우가 많습니다. 반면 생성 모델 (generative model)은 시각적 풍부함이 완성된 작업물과 상관관계가 있다고 학습했기 때문에 질감을 추가할 수 있습니다.

이것이 사람들이 AI 인포그래픽을 매우 빠르게 알아챌 수 있는 이유입니다. 문제는 정보 디자인 (information design)과 생성 미학 (generative aesthetics) 사이의 불일치입니다. 정보 디자인은 메시지 주변의 정적 (silence)을 원합니다. 생성 미학은 종종 모든 픽셀이 참여하기를 원합니다. 이미지 모델이 여백 (empty space), 안정적인 평면 색상 (stable flat color), 그리고 다이어그램 (diagrams)의 정적인 절제미를 더 잘 존중하게 될 때까지, 질감 (grain)은 계속해서 그 정체를 드러낼 것입니다.