当AI开始"故意变差",真正的危险就降临了

还记得几年前人类第一次见到 AI 生图时的反应吗？

先是靠判断违背物理常识的“一眼假”，比如生成的手指个数不对又变形，生成的人类永远吃不好面条。

随着 AI 发生常识性错误在一点点减少，它又走向另一个“极端”，生成的人像皮肤太光滑、光线太扁平、构图太端正，乍一看像P过的影楼写真。“这不像是人拍的”，对此，我们还能发出经验主义的警觉。

猛一看很真实，细看太过完美光滑｜APOB AI

但是，朋友们，在这个人机难辨的时代，任何识别经验都会被随时淘汰。

新的 AI 图像模型开始主动往“差一点”的方向走了。它们学会模仿手机摄影出现的不完美的质感：对比度不高、锐化过头、阴影被硬生生拉亮、构图带点随意，甚至有点糊。

也就是说，AI 不再追求生成“最好的照片”，而是试着生成“你会拍出来的那种照片”。而正是这些“瑕疵”，让图像突然变得可信了。

这个变化节点透露出一丝更加“危险”的气息，AI 正在学习如何显得不那么完美，就像人类一样。

AI：我装的

当事律师再谈取款4万遭盘问事件:发声没那么危险

银价暴涨不是炒作!而是"AI竞赛"真正的刚需

逼近美国门户!北京发力开启危险之路

真实世界从来不是高清、完美、对称、干净的。我们之所以相信一张照片是真的，并不是因为它好看，而是因为它符合我们记录现实的方式。

早期的 AI 图像，它们最大的破绽是一种诡异的“完美”。图像每一颗像素都太滑、太亮、太干净了，就像是把“磨皮”开到最大后又抹了层油和蜡，人像宛如蜡像，不生动。

原因很简单，当你输入“一张桌子”，AI 会生成一个“在任何评判标准下都符合的结果”，它大概率是一张“教科书图”。而且，从数据来源来说，往往被反复标注和引用的图片都是这种“标准图”，模型早期的核心逻辑是在真实中“求平均值”，AI 会调取它数据库里见过的几十亿张桌子，然后取一个中间值，那种随手一拍家里的脏乱桌子图在这种巨量的平均之下被“稀释”了。

去掉“油蜡感”是 AI 生图拟真的重点｜X

而今天训练模型的人在教 AI “搞砸”。

以最近 Gemini 里集成的 Nano Banana 为例。它生成的图像里，有着明显的过度锐化，对比度拉得死高，暗部细节丢失，甚至还有那种因为传感器太小而产生的特有噪点。

我们知道因为手机能承载的传感器很小，为了弥补光学上的先天不足，手机厂商会使用多帧合成算法，“暴力”地提升阴影亮度，锐化边缘以制造“清晰”的假象。

久而久之，我们的眼睛被手机厂商驯化得习惯了“手机味儿”，当 AI 开始模仿这种物理光学上的局限性时，其实是模仿人类的被上一代机器“驯化”后的认知方式。