那些令人毫無食慾的AI生成選單背後的同質化問題
起初,你可能會懷疑自己的理智。你走進一家咖啡館,瀏覽一份擺滿貝果三明治的選單,卻發現每張圖片都完美得令人不安——對稱得無可挑剔,質感過於光滑——這觸發了你本能的感覺:有什麼地方不對勁。你並非在胡思亂想;你的直覺是正確的。生成式人工智慧影象已經滲透進餐飲業,這些影象由訓練有素的模型生成,其美學風格狹窄且“討喜”,即使你無法立即解釋原因,也會讓人覺得 inherently(本質上)是錯誤的。
有時,這些影象明顯是偽造的,比如一個芝士氣泡豐富、融化得如同前衛藝術而非食物的墨西哥捲餅。更多時候,它們看起來平淡無奇,只有當你停下來仔細審視時,才會暴露出它們的人造本質。
“這就像一個外星人試圖製作披薩,卻根本不瞭解其基本原理,”Reality Defender 的技術長 Alex Lisle 告訴 TechCrunch。(Reality Defender 是提供人工智慧檢測和內容驗證工具的初創公司群體的一部分——這樣一個市場在很大程度上正是由此類問題所催生。)
在紐約市扔塊石頭,你都會砸到一張略顯違和的人工智慧食品廣告。pic.twitter.com/lLXVkFIFoG
— Maggie (@maggiemoda) 2026年8月28日
Lisle 解釋說,這些模型的架構有助於闡明為何插圖會趨同於一種特定的美學風格——在這種風格中,每一勺冰淇淋都完美呈球形,蝦看起來像是經過基因改造以吞食自己的尾巴,從而形成他所謂的“洛夫克拉夫特式食物恐怖”。
大型語言模型(LLM)和擴散模型——分別為 ChatGPT 等聊天機器人和 Midjourney 等影象生成器提供支援的 AI 系統——是在海量資料集上進行訓練的。這些模型識別資料中的模式,以在收到“為漢堡餐廳建立選單”等請求時預測使用者意圖。
“其中大部分看起來像是 2015 年的奇樂餐廳(Chili's)選單,這其中有原因,”Lisle 指出。“那是模型從中汲取風格的‘作品語料庫’。”
圖片來源: ChatGPT Image 2.0
新的訓練資料對 AI 開發人員至關重要——例如,亞馬遜曾以獲取稀有書籍進行掃描以獲取訓練資料而聞名,之後便將其丟棄。一些 AI 生成內容滲透進這些龐大資料集是不可避免的。然而,當 AI 模型過度訓練其自身的輸出時,它們面臨著“模型崩潰”的風險。
“模型崩潰類似於瘋牛病……當你將模型的輸出反饋給它自己時,這種近親繁殖最終會變得不可持續,導致系統失效,”Lisle 解釋道。“我們在這裡觀察到的是趨同,這並不一定是模型崩潰。”
趨同的程度較輕,它降低了輸出質量,但並未使 AI 完全失效。
如果你要求 AI 生成快餐選單,它很可能會參考溫迪(Wendy's)、漢堡王(Burger King)或麥當勞(McDonald's)的設計。由於這些現有選單具有相似的風格,AI 的輸出也會模仿這種美學,如果生成的選單隨後被新增到訓練資料中,這種美學會得到進一步強化。
然而,食品廣告總是比現實看起來更好,就像麥當勞廣告中的巨無霸,每一層都由道具設計師精心排列以追求最大吸引力。這種效果在 AI 生成內容中可能會被放大。
“資料集的最佳化優先考慮‘討喜’或避免冒犯,這導致了同質化,”伊隆大學數字未來想象中心主任 Lee Rainie 告訴 TechCrunch。“眾所周知,AI 會平滑影象和語言中的稜角。”
在較小規模上,當使用者使用 AI 影象生成器生成選單並應用反覆編輯時,這種平滑就會發生。在 X(原推特)上,一位名為 Labtec 的使用者展示了當 ChatGPT 生成的選單被編輯 100 次時會發生什麼,展示了食物如何逐漸失去其真實外觀。(我們複製了該實驗,並觀察到了類似的結果。)
“最終結果實際上讓我感到不適,”Labtec 寫道。
我在 ChatGPT 中製作了一份餐廳選單,然後編輯了 100 次,看看那些可怕的糊狀選單是如何變成這樣的。最終結果實際上讓我感到不適 pic.twitter.com/sDIUKlabdp
— Labtec (@labtec901) 2026年8月19日
餐廳可能因反覆完善其 AI 生成的選單而成為這一問題的受害者,他們微調價格或專案名稱等細微細節。每次編輯後,食物影象變得稍微更圓、更光滑。
“與真實影象相比,人們在觀看 AI 生成內容時有一種幾乎無法解釋的感覺,”Rainie 說。“人們有時難以用語言表達這種感知,但當他們看到時,他們能識別出來。我相信這就是為什麼對使用 AI 選單的餐廳的強烈反彈如此顯著的原因。”
我們對這些 AI 選單的反感有科學依據。德國杜伊斯堡-埃森大學的研究人員發現,AI 生成的食物影象會引發“恐怖谷”效應,即近乎真實的影象比明顯虛假的影象引發更多的厭惡和不安。這種不適感因當前圍繞 AI 的文化背景而加劇。
如果消費者對這些影象產生負面反應,餐廳應重新考慮其對 AI 生成選單的使用。然而,完美烤制的漢堡麵包的影響超出了餐飲業的範疇。
“眼見為實,耳聽為虛,以至於我們的法律體系都依賴於這樣一個理念:證據的黃金標準是錄音供詞和影片錄影,”Lisle 表示。“情況已不再如此。世界發生了根本性的轉變,無論好壞。”
相關文章
OpenAI 產品負責人 Thibault Sottiaux 論為何世界似乎已做好準備
OpenAI 的軟體工程工具 Codex 長期以來一直與 Thibault Sottiaux 聯絡在一起,這位工程師以在產品達到重大增長里程碑時重置令牌限制而聞名。現在,OpenAI 旨在透過 ChatGPT Work 將這種成就感帶給更廣泛的受眾,這是一個旨在幫助白領專業人士利用 AI 代理的平臺。我們最近就該產品面臨的挑戰採訪了 Sottiaux,但我們希望與讀者分享更廣泛的對話內容。以下是經過輕度編輯和精簡的採訪稿,涵蓋了贏得懷疑者信任的策略、將探索作為核心設計理念,以及智慧的真實成本。
OpenAI 押注家庭,ChatGPT 深入千家萬戶
ChatGPT 將生成式 AI 推向聚光燈下已逾三年,OpenAI 正將其業務範圍從個人使用者擴充套件至整個家庭。OpenAI 正在舊金山招聘一名產品經理,以開發其平臺上的家庭導向體驗,目標受眾包括父母、照護者和老年人。根據職位列表,該職位要求具備為家庭及其他對信任敏感的消費者應用開發產品的背景。此次招聘與 ChatGPT 不斷演變的使用者群體相契合,其使用者年齡已超出最初的年輕群體。Sensor Tower 獨家向 TechCrunch 分享的資料顯示,全球範圍內,35 歲及以上使用者在 Q2 佔 Cha
AI算力爭奪戰:Cerebras會是下一個重磅產品嗎?
執行 AI 模型對算力的需求持續激增,然而行業參與者仍面臨兩大關鍵障礙:獲取合適的硬體,並將其部署到資料中心以開始產生收入。General Compute 是一家專注於推理階段的新興雲服務商,其專長在於模型響應使用者而非進行訓練的階段,提供的解決方案凸顯了 AI 生態系統不斷演變的方向。這些戰略優勢促成了由 FUSE VC 領投、Carya Venture Partners 和 Village Global Ventures 等機構參與的 1500 萬美元種子輪融資,投後估值為 6000 萬美元
相關專題推薦
評論 (0)
0/500
起初,你可能會懷疑自己的理智。你走進一家咖啡館,瀏覽一份擺滿貝果三明治的選單,卻發現每張圖片都完美得令人不安——對稱得無可挑剔,質感過於光滑——這觸發了你本能的感覺:有什麼地方不對勁。你並非在胡思亂想;你的直覺是正確的。生成式人工智慧影象已經滲透進餐飲業,這些影象由訓練有素的模型生成,其美學風格狹窄且“討喜”,即使你無法立即解釋原因,也會讓人覺得 inherently(本質上)是錯誤的。
有時,這些影象明顯是偽造的,比如一個芝士氣泡豐富、融化得如同前衛藝術而非食物的墨西哥捲餅。更多時候,它們看起來平淡無奇,只有當你停下來仔細審視時,才會暴露出它們的人造本質。
“這就像一個外星人試圖製作披薩,卻根本不瞭解其基本原理,”Reality Defender 的技術長 Alex Lisle 告訴 TechCrunch。(Reality Defender 是提供人工智慧檢測和內容驗證工具的初創公司群體的一部分——這樣一個市場在很大程度上正是由此類問題所催生。)
在紐約市扔塊石頭,你都會砸到一張略顯違和的人工智慧食品廣告。pic.twitter.com/lLXVkFIFoG
— Maggie (@maggiemoda) 2026年8月28日
Lisle 解釋說,這些模型的架構有助於闡明為何插圖會趨同於一種特定的美學風格——在這種風格中,每一勺冰淇淋都完美呈球形,蝦看起來像是經過基因改造以吞食自己的尾巴,從而形成他所謂的“洛夫克拉夫特式食物恐怖”。
大型語言模型(LLM)和擴散模型——分別為 ChatGPT 等聊天機器人和 Midjourney 等影象生成器提供支援的 AI 系統——是在海量資料集上進行訓練的。這些模型識別資料中的模式,以在收到“為漢堡餐廳建立選單”等請求時預測使用者意圖。
“其中大部分看起來像是 2015 年的奇樂餐廳(Chili's)選單,這其中有原因,”Lisle 指出。“那是模型從中汲取風格的‘作品語料庫’。”
圖片來源: ChatGPT Image 2.0
新的訓練資料對 AI 開發人員至關重要——例如,亞馬遜曾以獲取稀有書籍進行掃描以獲取訓練資料而聞名,之後便將其丟棄。一些 AI 生成內容滲透進這些龐大資料集是不可避免的。然而,當 AI 模型過度訓練其自身的輸出時,它們面臨著“模型崩潰”的風險。
“模型崩潰類似於瘋牛病……當你將模型的輸出反饋給它自己時,這種近親繁殖最終會變得不可持續,導致系統失效,”Lisle 解釋道。“我們在這裡觀察到的是趨同,這並不一定是模型崩潰。”
趨同的程度較輕,它降低了輸出質量,但並未使 AI 完全失效。
如果你要求 AI 生成快餐選單,它很可能會參考溫迪(Wendy's)、漢堡王(Burger King)或麥當勞(McDonald's)的設計。由於這些現有選單具有相似的風格,AI 的輸出也會模仿這種美學,如果生成的選單隨後被新增到訓練資料中,這種美學會得到進一步強化。
然而,食品廣告總是比現實看起來更好,就像麥當勞廣告中的巨無霸,每一層都由道具設計師精心排列以追求最大吸引力。這種效果在 AI 生成內容中可能會被放大。
“資料集的最佳化優先考慮‘討喜’或避免冒犯,這導致了同質化,”伊隆大學數字未來想象中心主任 Lee Rainie 告訴 TechCrunch。“眾所周知,AI 會平滑影象和語言中的稜角。”
在較小規模上,當使用者使用 AI 影象生成器生成選單並應用反覆編輯時,這種平滑就會發生。在 X(原推特)上,一位名為 Labtec 的使用者展示了當 ChatGPT 生成的選單被編輯 100 次時會發生什麼,展示了食物如何逐漸失去其真實外觀。(我們複製了該實驗,並觀察到了類似的結果。)
“最終結果實際上讓我感到不適,”Labtec 寫道。
我在 ChatGPT 中製作了一份餐廳選單,然後編輯了 100 次,看看那些可怕的糊狀選單是如何變成這樣的。最終結果實際上讓我感到不適 pic.twitter.com/sDIUKlabdp
— Labtec (@labtec901) 2026年8月19日
餐廳可能因反覆完善其 AI 生成的選單而成為這一問題的受害者,他們微調價格或專案名稱等細微細節。每次編輯後,食物影象變得稍微更圓、更光滑。
“與真實影象相比,人們在觀看 AI 生成內容時有一種幾乎無法解釋的感覺,”Rainie 說。“人們有時難以用語言表達這種感知,但當他們看到時,他們能識別出來。我相信這就是為什麼對使用 AI 選單的餐廳的強烈反彈如此顯著的原因。”
我們對這些 AI 選單的反感有科學依據。德國杜伊斯堡-埃森大學的研究人員發現,AI 生成的食物影象會引發“恐怖谷”效應,即近乎真實的影象比明顯虛假的影象引發更多的厭惡和不安。這種不適感因當前圍繞 AI 的文化背景而加劇。
如果消費者對這些影象產生負面反應,餐廳應重新考慮其對 AI 生成選單的使用。然而,完美烤制的漢堡麵包的影響超出了餐飲業的範疇。
“眼見為實,耳聽為虛,以至於我們的法律體系都依賴於這樣一個理念:證據的黃金標準是錄音供詞和影片錄影,”Lisle 表示。“情況已不再如此。世界發生了根本性的轉變,無論好壞。”
OpenAI 產品負責人 Thibault Sottiaux 論為何世界似乎已做好準備
OpenAI 的軟體工程工具 Codex 長期以來一直與 Thibault Sottiaux 聯絡在一起,這位工程師以在產品達到重大增長里程碑時重置令牌限制而聞名。現在,OpenAI 旨在透過 ChatGPT Work 將這種成就感帶給更廣泛的受眾,這是一個旨在幫助白領專業人士利用 AI 代理的平臺。我們最近就該產品面臨的挑戰採訪了 Sottiaux,但我們希望與讀者分享更廣泛的對話內容。以下是經過輕度編輯和精簡的採訪稿,涵蓋了贏得懷疑者信任的策略、將探索作為核心設計理念,以及智慧的真實成本。
OpenAI 押注家庭,ChatGPT 深入千家萬戶
ChatGPT 將生成式 AI 推向聚光燈下已逾三年,OpenAI 正將其業務範圍從個人使用者擴充套件至整個家庭。OpenAI 正在舊金山招聘一名產品經理,以開發其平臺上的家庭導向體驗,目標受眾包括父母、照護者和老年人。根據職位列表,該職位要求具備為家庭及其他對信任敏感的消費者應用開發產品的背景。此次招聘與 ChatGPT 不斷演變的使用者群體相契合,其使用者年齡已超出最初的年輕群體。Sensor Tower 獨家向 TechCrunch 分享的資料顯示,全球範圍內,35 歲及以上使用者在 Q2 佔 Cha
AI算力爭奪戰:Cerebras會是下一個重磅產品嗎?
執行 AI 模型對算力的需求持續激增,然而行業參與者仍面臨兩大關鍵障礙:獲取合適的硬體,並將其部署到資料中心以開始產生收入。General Compute 是一家專注於推理階段的新興雲服務商,其專長在於模型響應使用者而非進行訓練的階段,提供的解決方案凸顯了 AI 生態系統不斷演變的方向。這些戰略優勢促成了由 FUSE VC 領投、Carya Venture Partners 和 Village Global Ventures 等機構參與的 1500 萬美元種子輪融資,投後估值為 6000 萬美元





首頁






