AI菜单图现恐怖谷效应生成美食陷审美同质化

生成式人工智能的触角正延伸至餐饮行业，越来越多的餐厅开始采用AI生成菜单图片。这一技术本应提高制作效率，却意外引发了新的视觉体验争议。不少消费者发现，AI生成的食品图像普遍呈现一种高度同质化的“完美美学”——每个元素都过度对称、表面光滑整洁，看起来近乎失真。部分作品甚至出现食物结构异常，例如比例失调、层次错位等明显瑕疵，观感令人不适，被网友形象地称为“恐怖谷效应”。

对于这一现象，网络安全公司Reality Defender首席技术官Alex Lisle从技术角度给出了解释。他认为，问题根源在于AI模型的训练机制。大语言模型和扩散模型需要从海量数据中学习并提炼模式，当训练集频繁参考风格相似的连锁餐厅菜单时，模型输出的图像自然也会趋于雷同。更值得警惕的是，如果AI生成的内容以数据回流形式进入下一代模型的训练集，这种风格收敛可能被进一步强化，最终固化为一套“模板化美学”。

埃隆大学“想象数字未来中心”主任李·雷尼则关注到数据筛选的隐性倾向。他指出，训练数据通常偏好美观、光洁、规避冒犯的内容，这一过滤逻辑会在语言和图像层面同时起作用，推动生成结果不断“去除棱角”。当AI被要求生成视觉上无可挑剔的食物图片时，它往往会舍弃真实食材常见的纹理、瑕疵与不规则性，只保留迎合审美偏好的特征。这种工业化审美对从事创意设计的专业人士而言尤为堪忧——他们需要的是能反映真实烹饪过程和食材质感的视觉素材，而非千篇一律的渲染图。

反复编辑会进一步放大这一缺陷。一位用户透露，他在ChatGPT中连续修改同一张AI生成菜单图像多达100次，在此过程中，食物图像逐渐偏离原始形态，细节开始退化，最终演变为一种似物非物的视觉状态。德国杜伊斯堡-埃森大学的研究人员此前也做过类似实验，结果表明AI生成的食物图像在感知层面可能诱发类似“恐怖谷”的负面情绪——越接近真实却越让人不安，这正是当前生成式图像技术的典型症候。

业内观点认为，AI生成内容已经大规模进入现实信息环境，从社交媒体到商业宣传，几乎无处不在。当模型自身产生的数据又反过来参与后续训练时，AI系统可能陷入“自我循环”的陷阱，输出内容将越来越远离人类经验的真实丰富度。生成式AI如何避免审美同质化，如何在产出视觉内容时保留真实世界的细节、结构与多样性，已成为比单纯提升模型参数更值得思考的问题。对技术开发者而言，在训练数据中引入更多元的视觉样本，优化对非理想状态的容忍度，或许是打破“完美美学”僵局的关键方向之一。