Scrivere «controluce» e vedere comparire una figura scura davanti a una fonte luminosa sembra una traduzione. Non lo è. Il modello ha visto molte coppie immagine-didascalia, cioè immagini accompagnate dalle parole che qualcuno aveva scritto sotto. Ha imparato quali parole ricorrono vicino a quali aspetti visivi. Non sa cosa sia un controluce nel senso in cui lo sa un direttore della fotografia[1]: riconosce una ricorrenza statistica fra quel testo e certe immagini.
Per usare questa ricorrenza, testo e immagini vengono trasformati in embedding[2]. Un embedding è una serie di numeri che rappresenta una parola, una frase o un’immagine in modo confrontabile. Puoi pensarlo come un indice di archivio: non contiene il fotogramma, ma gli assegna una posizione vicina ad altri fotogrammi che il sistema considera simili. Così «cane» e molte immagini di cani finiscono in zone vicine di uno spazio comune.
L’analogia dell’archivio ha un limite importante. Le schede di una cineteca sono ordinate da persone e hanno categorie leggibili. Le posizioni dell’embedding non portano etichette umane. Non trovi uno scaffale «focale 35 mm» e uno «tristezza». Il modello ha soltanto numeri che hanno imparato a stare vicini quando testo e immagine comparivano insieme.
Quando comincia a togliere rumore, il generatore consulta quell’indice molte volte. Lo fa con l’attenzione incrociata[3], un meccanismo che mette in relazione la parte dell’immagine che sta emergendo con le parti del testo. A ogni passo decide quali parole pesare di più per quella correzione. Non riceve il prompt[4] come un ordine unico, letto una volta e poi eseguito: lo rilegge durante il lavoro, e ne usa porzioni diverse in momenti diversi.
Il peso di un token[5] descrive questa priorità. Un token[6] è un pezzo di testo in cui il sistema divide le parole, talvolta una parola intera, talvolta una parte. Dire che un token pesa di più non significa che il modello gli obbedisca. Significa che quel pezzo di testo influisce di più su una certa correzione. Se chiedi una strada buia, bagnata e assolata, le parole non votano una contro l’altra. Il modello cerca una configurazione che le renda tutte abbastanza compatibili, spesso con un compromesso poco utile.
Un cliente può chiedere la stessa inquadratura[7] usando un termine di set e una frase colloquiale. La figura mostra perché i risultati possono divergere. Il termine tecnico funziona bene se è comparso spesso nelle didascalie da cui il modello ha appreso. Una formula corretta ma rara può pesare poco. Una formula comune, anche meno precisa nel linguaggio di reparto, può richiamare più esempi visivi. Non è una prova di competenza del modello, è un effetto della frequenza nei dati.
Le relazioni spaziali soffrono per la stessa ragione. «A sinistra di», «dietro» e «più in alto di» non sono oggetti da associare a una singola forma. Nelle didascalie compaiono poco e possono voler dire cose diverse secondo chi scrive. Se la posizione del soggetto[8] è decisiva, non affidarla a una frase. Imporla con una condizione è il tema[9] della Parte 3.
Anche le parole negative meritano cautela. Scrivere «senza pozzanghere» porta comunque nel testo la parola pozzanghere. Nella nostra pratica, una richiesta positiva come «pavimento asciutto» produce spesso un vincolo[10] più leggibile. È un’osservazione di lavoro, non una legge misurata. La regola resta semplice: usa il minimo testo che identifica la scena[11], poi verifica ciò che il testo non può imporre.
Come è nata la figura
Nano Banana Pro, 2K, 16:9[12]. Serie di 2 riquadri generati separatamente, senza incatenarli l’uno all’altro: la differenza fra loro è ciò che la figura mostra. Come immagine di riferimento è stato usato il ritratto del personaggio Matteo.
Prompt del riquadro 1 (il termine di set), in inglese come è stato inviato al modello:
Il prompt
A man of thirty-five with a full mass of dark curls and a short full beard, rust-coloured overshirt over a white t-shirt stands at a workbench in a bare room, hands flat on the bench, looking towards the camera. Editorial documentary finish, natural contrast. Shot in contre-jour.Prompt del riquadro 2 (la frase colloquiale), in inglese come è stato inviato al modello:
A man of thirty-five with a full mass of dark curls and a short full beard, rust-coloured overshirt over a white t-shirt stands at a workbench in a bare room, hands flat on the bench, looking towards the camera. Editorial documentary finish, natural contrast. Shot with the light behind him.Il responsabile dell'aspetto visivo e tecnico di una produzione cinematografica. Il suo compito principale è tradurre la visione del regista in immagini, attraverso la gestione della luce, delle ombre, delle inquadrature e della composizione. Lavora a stretto contatto con il regista, la troupe tecnica e altri reparti (come scenografia, costumi e trucco) per definire lo stile visivo del film, scegliere l'attrezzatura (telecamere, obiettivi, luci) e supervisionare la ripresa, garantendo coerenza e qualità dall'inizio alla post-produzione.
Traduce una parola, una frase o un'immagine in una serie di numeri. Il sistema usa questi numeri per calcolare vicinanze e relazioni tra contenuti. Così può mettere in rapporto ciò che il testo chiede e ciò che l'immagine contiene.
L'attenzione incrociata mette in relazione i pezzi del testo con l'immagine durante la generazione. Aiuta il sistema a far pesare le istruzioni mentre costruisce i pixel. Non assegna a ogni parola un controllo perfetto e separato.
Il comando, o la richiesta (scritta in linguaggio naturale), che un utente fornisce a un modello di intelligenza artificiale generativa per istruirlo sul contenuto che deve creare (es. "genera un'inquadratura grandangolare di una foresta al tramonto con stile anamorfico").
Indica quanto una parte del testo deve contare nella richiesta. Un peso maggiore rende quella parte più presente nel calcolo del risultato. Non è una garanzia che il dettaglio richiesto compaia senza errori.
