還記得幾年前人類第一次見到 AI 生圖時的反應嗎？
先是靠判斷違背物理常識的「一眼假」，比如生成的手指個數不對又變形，生成的人類永遠吃不好麵條。
隨著 AI
發生常識性錯誤在一點點減少，它又走向另一個「極端」，生成的人像皮膚太光滑、光線太扁平、構圖太端正，乍一看像P過的影樓寫真。「這不像是人拍的」，對此，我們還能發出經驗主義的警覺。
猛一看很真實，細看太過完美光滑｜APOB AI
但是，朋友們，在這個人機難辨的時代，任何識別經驗都會被隨時淘汰。
新的 AI
圖像模型開始主動往「差一點」的方向走了。它們學會模仿手機攝影出現的不完美的質感：對比度不高、銳化過頭、陰影被硬生生拉亮、構圖帶點隨意，甚至有點糊。
也就是說，AI 不再追求生成「最好的照片」，而是試著生成「你會拍出來的那種照片」。而正是這些「瑕疵」，讓圖像突然變得可信了。
這個變化節點透露出一絲更加「危險」的氣息，AI
正在學習如何顯得不那麼完美，就像人類一樣。
AI：我裝的
真實世界從來不是高清、完美、對稱、乾淨的。我們之所以相信一張照片是真的，並不是因為它好看，而是因為它符合我們記錄現實的方式。
早期的 AI
圖像，它們最大的破綻是一種詭異的「完美」。圖像每一顆像素都太滑、太亮、太乾淨了，就像是把「磨皮」開到最大後又抹了層油和蠟，人像宛如蠟像，不生動。
原因很簡單，當你輸入「一張桌子」，AI
會生成一個「在任何評判標準下都符合的結果」，它大概率是一張「教科書圖」。而且，從數據來源來說，往往被反覆標註和引用的圖片都是這種「標準圖」，模型早期的核心邏輯是在真實中「求平均值」，AI
會調取它資料庫里見過的幾十億張桌子，然後取一個中間值，那種隨手一拍家裡的髒亂桌子圖在這種巨量的平均之下被「稀釋」了。
去掉「油蠟感」是 AI 生圖擬真的重點｜X
而今天訓練模型的人在教 AI 「搞砸」。
以最近 Gemini 里集成的 Nano Banana
為例。它生成的圖像里，有著明顯的過度銳化，對比度拉得死高，暗部細節丟失，甚至還有那種因為感測器太小而產生的特有噪點。
我們知道因為手機能承載的感測器很小，為了彌補光學上的先天不足，手機廠商會使用多幀合成演算法，「暴力」地提升陰影亮度，銳化邊緣以製造「清晰」的假象。
久而久之，我們的眼睛被手機廠商馴化得習慣了「手機味兒」，當 AI 開始模仿這種物理光學上的局限性時，其實是模仿人類的被上一代機器「馴化」後的認知方式。
OpenAI 剛升級的 ChatGPT Images，在宣傳片中也主打「真實拍攝感」｜OpenAI
當 AI 圖像不再試圖渲染物理世界真實的光影，轉而去渲染「手機攝像頭裡的世界」，用 The Verge
的評論，這叫「AI
學會了巧妙地繞過恐怖谷」。
這跟手機拍的風景照有什麼區別？｜The Verge
另外，Sora 2 和 Veo 3
也開始生成那種顆粒感十足的「監控畫質」視頻，它們利用了的一個邏輯：利用媒介的低劣，來掩蓋內容的虛構。
這張 AI 圖片也曾騙過無數網友，「隨手一拍」的臨場感加上模仿手機的攝影效果｜Reddit
而這種「主動變差」的策略，並不只發生在圖像生成模型上。
「繞過恐怖谷，巧妙地」
你有沒有發現，聊天機器人也變了？
從一開始那個「高智力低情商」的「偽人」——說話滴水不漏，姿態居高臨下，態度理性生硬，變得會猶豫、會共情、主動暴露脆弱。
有限的理性，偶爾的詞不達意，語氣中不可避免地透露出個人情緒……這些才是正常人類的表達。
去問 AI，AI 也會說這是一種「後台策略」｜ChatGPT
所以當一個 AI
「有意」展露出這些，反而比一個絕對理性、穩定、客觀中立的「聊天對象」更能拉近距離感，對此我們下意識的反應是，「挺有個性」、「完了，它好像真的在思考」。
這些「障眼法」背後是一個關鍵的問題，當 AI 展示不完美時，它到底是在暴露能力的邊界？還是在展示能力本身？答案恐怕是後者。
它在判斷「什麼樣的結果更容易被人類接受」：脆弱、遲疑、模糊、噪點？這些過去被視為缺陷的東西，正在變成 AI
博取人類信任的表演策略。
這就像我們在讀書時期偶爾聽說的會控分考試的天才學生。
當一個人，隨時決定要不要示弱，不是他真的被攻擊到了，而是示弱被他當作一種社交能力。AI
也是如此，當它表現出猶豫，並不意味著它不知道答案，而是知道這種表達更容易讓人卸下防備。
AI
開始理解，人類對「像人」的判斷，本身就建立在不完美之上。真實感的來源不是堆參數達到的技術指標，而是一種心理暗示和心理反饋。
AI 生成「低像素」的澳大利亞邦迪海灘恐襲「陰謀論」圖片｜圖源：X
事實證明，一直以來我們判斷真實與否本身就帶著人類的局限。
就像人類看不到紅外與紫外光，聽不到 20Hz 以下的低頻，我們感知到的「現實」，本就只是一個被生理和心理共同裁剪過的版本。
從這一點上來說，比剝離出 AI 生成但符合人類預期的虛假更難的是，逼迫人類承認判斷主觀和認知局限。
AI 繞過恐怖谷的新策略，不是全力擬真，追求零差錯，而是精準地設計出恰好落在我們信任閾值之內的「真實」。
作者：糕級凍霧
編輯：沈知涵