把 JPG 拆分為圖層，正成為設計流程的標準步驟
設計師常用的工具正悄然發生轉變。過去一年大部分時間裡，AI 圖像領域最有趣的進展是生成：創造出原本不存在的東西。如今大量湧現的工具，則是從一張已經存在的圖像出發，把它拆解開來。
這個轉變很容易被忽略，因為它不會產生戲劇性的展示影片。沒有人會分享一張圖層分得很好的堆疊截圖。但正是這項改變，決定了生成的圖像能否用於專業工作，因為設計素材的價值，與其說取決於它看起來如何，不如說取決於它日後能否被編輯。
LayerGrab 於 10 月 2 日問世。它能把平面的 PNG、JPG 或 WebP 轉換成最多十六個獨立的透明圖層，附帶描述性的英文名稱，並透過內補繪（inpainting）重建被擷取元素後方的背景。它可匯出個別 PNG、ZIP，或供 Photoshop 使用的分層 PSD，並提供 Photoshop、Figma 與 Sketch 外掛，以及可從瀏覽器抓取圖像的 Chrome 擴充功能。瀏覽器工具本身不支援 .psd 匯出；圖層會以編號 PNG 的形式提供，讓你在編輯器中堆疊。
處理時間約需 60 到 100 秒。它採用分割與生成模型，包括 Qwen-Image-Layered——阿里巴巴在 10 月 2 日以寬鬆授權開源的模型。輸入檔案上限為 20MB，Chrome 擴充功能可讓設計師在任何網站上按右鍵點選圖像，直接送到分離面板。
為什麼圖層分解才是有用的那一半
生成解決了設計師多年來一直繞道處理的問題，卻也創造了一個新問題。AI 生成的圖像看起來像一張設計的平面照片，而不是可用的工作檔案。你無法把產品移到橫幅的另一側，因為它被焊死在像素裡。你無法替換標題文字，因為沒有文字物件，只有文字的外觀。
這正是圖層分解填補的缺口。它的重點在於找回平面圖像所隱藏的結構，讓圖像能像設計檔案一樣被編輯，而不是產生新的東西。
阿里巴巴對 Qwen-Image-Layered 的表述，把這個問題描述為「平面像素耦合」。該模型使用 RGBA-VAE 編碼器與圖層級 3D 位置編碼，來辨識空間層級與遮擋關係，然後把圖像分解成可獨立編輯的圖層。該公司聲稱，在精確編輯時能達到近乎零漂移，這解決了一致性問題——每當你改變圖像的某個部分，卻看到其他部分跟著位移時，就會出現這種問題。
螞蟻集團的 inclusionAI 在同一天發布了一對相關模型：Ming-Image-0.1-Design 用於生成完整的視覺設計，Ming-Image-0.1-Design-Layer 則用於把平面化設計分解成透明圖層；兩者皆為 6B 參數，預設部署都需要 80GB GPU。
創作者實際上拿它來做什麼
這些工具的描述讀起來像是一串小而不起眼的工作。把完成的廣告拆成圖層，再把產品移到另一側以配合新格式。把插畫分離成圖層，以製作視差動畫效果。把照片中的產品與背景拆開，讓它們能在不同投影片上各自做動畫。從海報中擷取元素，以更改文字或在新專案中重複使用圖形。
這些都不是會讓誰的作品集影片增色的任務。它們是耗掉設計師一整個下午的任務，而且過去完全無法自動化，因為沒有工具能從渲染完成的圖像中找回結構。設計師面對一張平面 JPG 時，只有一個選擇：手工逐層重繪，一邊猜測每個元素後方藏著什麼。
這件事比聽起來更重要的原因在於，設計師收到的大多數素材都是平面的。客戶寄來去年海報的 JPG，要求做一個新格式的版本。品牌團隊手上有最終匯出檔，卻弄丟了原始檔。某個活動素材只以螢幕截圖的形式存在。圖層分解把這些死路變成起點，而這是一種和生成截然不同的價值。
它也有一些老實說明的限制。LayerGrab 不會保留投射陰影。非常細小的文字在被模型重繪時，可能出現輕微色彩變化，而且文字會以圖像圖層的形式被擷取，而不是可編輯的文字。如同任何分割系統，同一輸入在不同執行之間，拆分結果可能略有差異。
Kenerate 的 Image Layer 工具採取類似做法，但側重點不同：它產生二到八個圖層，數量由使用者選擇，或使用自動判定數量——在 Pro 方案中通常落在六到十二個之間。它同樣匯出 PNG 而非 PSD，而文件也明確說明這項限制；這正是此類工具受益於的那種誠實。期待拿到可用 PSD 檔、卻收到一資料夾 PNG 的設計師，會浪費一個下午才發現差異。
工具之間的差異很具啟發性。一個針對設計師可控的固定圖層數量進行最佳化；另一個則讓模型自行決定。兩者都繞開同一個限制：圖層分割是一種判斷取捨，而不同工具做出不同判斷。
更大的方向
把這個月發布的東西當成一組來看，就會浮現一個模式。阿里巴巴開源了一個圖層模型。螞蟻集團發布了一對設計與分解模型。一個商業工具把這項能力包裝成設計師已在使用的編輯器外掛。這項能力從研究成果變成產品功能，大約只花了兩週。
這個速度才是有趣的地方。當一個模型以寬鬆授權開源後，「存在於論文裡」和「成為 Figma 裡的一個按鈕」之間的時間窗口就崩塌了。設計師採用的不是架構，而是按鈕。勝出的模型很少是基準分數最高的那一個，而是出現在設計師第二螢幕上早已打開的軟體裡的那一個。
實際效果是，AI 圖像不再是最終產物。今天生成的圖像，明天就能被拆解，週四重新編排，並以客戶團隊下一季仍能編輯的格式交付。這種彈性讓生成的素材能用於專業工作流程，也正是圖層分解從新奇事物變成標準步驟的原因。
下一個問題是，圖層分解最終會落在生成模型內部，還是旁邊。如果模型能直接產生分層輸出，獨立的分解步驟就會消失。在那之前，能從平面圖像找回結構的工具，就是生成器輸出與設計師需求之間的橋樑；而這座橋正以足夠快的速度搭建，快到大多數設計團隊會在不知不覺中使用它，甚至從未正式決定採用。