淺談大眾對生成式AI的問答，對我們來說是什麼?

原本因為打太多字懶的發，逛PTT的時候陸續打出一萬三千字，逐一複製下來回應。
但是想到Chatgpt 5的進步我決定讓它來幫我整理結構重排論點讓閱讀更有結構性。

對，我也用到生成式AI，所以這篇文的重點不是反AI這件事情，
而是探討現在的AI是什麼，它可以做到什麼事情，以及它做不到什麼，不該期待它要實現什麼。

字依然不少我請GPT幫我整理後依然有九千多字，我分成十三個章節逐一把各論點講明白。

第1章　AI進步與生成過程的誤解

倖存者偏差與「AI神速進步」的錯覺

→ FoxBear: 早期的NAI到現在的V3，SD抬頭的橘子到現在pony
→ FoxBear: 沒有更新資訊的就會覺得AI進步神速什麼都會
→ FoxBear: 本質就是靠底模加上少量含動作色調構圖的LORA下去骰
→ FoxBear: 仿出來的畫風就六七分像，一跨出底模的限界立刻彆康

我認為會覺得「AI進步神速」的人，很多都是因為倖存者偏差。
也就是說，他們只看到網路上那些成功展示的成果圖，卻沒真的自己操作過。
我一開始看到 NovelAI 的時候也是這樣，覺得「這東西未免太強了吧」，
但直到後來 NAI 模型被洩漏、能在本地端跑之後，我親手試過一輪，才真的理解它的優勢和缺點。

現在網路上很多「AI圖」其實你根本不知道對方用了什麼設定。
以前還能靠複製 NAI 的 prompt 試著還原，現在你得知道他用哪個大模型、
有沒有套 ControlNet、用了幾個 LoRA、每個權重多少。
如果他用 img2img 或一直用 inpaint 局部重骰，那你根本不可能復現他的結果。
更別說有些人還會人工修筆，讓整張圖更逼真。這些都會讓 AI 的上下限差距變得極大。

所以我覺得「AI比人畫得快」這件事是要打個問號的。
要是骰得順，確實可能很快；但要是運氣不好、構圖崩了、要重骰十幾次，
那時間其實比手繪還長，更何況你心目中的構圖其實模型根本沒學過。
AI 生成看起來快，但實際上還是賭運氣的問題，且存在邊界。

模型訓練、畫風模仿與泛化問題

推 PandaCat: 那只是因為你看的都是同一套訓練出來的
→ PandaCat: 如果把某一個畫師通通拿去訓練 那那個畫師就變成你
→ PandaCat: 口中噁心的畫風

就一般使用者來說，很多人都是直接去 Civitai 抓別人練好的模型。
但這些模型本來就是訓練師自己的風格，所以你拿來用，結果自然就變成那個樣子。
換句話說，只要自己去訓練，就能做出屬於自己風格的模型。

我記得早在 2022 年那陣子，Dreambooth 超流行。
那時候有個叫 waifu-diffusion 的模型，很多人拿它來專門模仿特定繪師的畫風。
搜尋畫師名字就能找到 LoRA，一整頁幾乎都是照搬的。
雖然現在換成 LoRA 技術，但原理差不多，只是更輕量化、容易套用而已。
而且多數模型都會過擬合，意思是說，太像某一風格反而不泛用。
生成角色、道具還好，但一旦構圖或題材稍微跨出原資料範圍，結果就容易崩。

那為什麼現在大模型看起來這麼穩定、好像很難崩？
我覺得是因為現在的畫風不是來自某個人，而是「一大堆人」的平均結果。
你看到的畫面，其實是很多繪師風格碎片拼起來的東西。
所以模型能靠這些碎片去補洞，看起來就很穩。
但也因此，它失去了明確的個性，只剩下「不容易出錯」的中間值。
這種安全取向的結果，也讓畫面看起來越來越像是「沒有誰的風格」，
換句話說，就是大家的風格混在一起。

第2章　色調、VAE與AI圖像訓練的侷限

VAE、色調與AI圖像生成的限制

推 OtterWolf: 我覺得是配色問題。AI的圖就有一種很容易被看成AI的色調
推 LynxCat: 色調應該是vae的問題吧。
→ LynxCat: 不然直接套黑白照片濾鏡，就沒有色調問題啦。

我覺得這部分很多人都搞混了。
AI 圖那種「一看就知道是 AI 畫的色調」問題，主要還是出在大模型本身，VAE 只是其中一環。

我自己試過很多模型，每個模型的顏色風格都不一樣。
VAE（Variational Autoencoder）主要的作用，是在生成過程中穩定面部與細節，
讓線條更乾淨、顏色不會亂漂。
但如果用錯 VAE，整張圖會變得顏色發白、線條糊開，就像泡水後發霉的那種感覺。
這不是因為 VAE 是壞的，而是它和模型的訓練方向不匹配。

其實目前也沒有哪個 AI 模型能「包攬一切」，
每個模型的訓練都受到訓練者取向的影響。
AI 的本質就是在「泛化」和「擬合」之間找平衡。
越泛化，就越通用但個性模糊；越擬合，就越貼近特定風格但容易崩。
這個平衡點靠的就是 loss 值的收斂，但最終還是要人來決定想要哪種取向。
而繪圖類的 AI，其實就是刻意「讓它過擬合」，因為那樣出圖比較穩、風格也更明確。

說到底，AI 不可能「全面又特化」，
所以大模型最後都會在某個範圍內做妥協——挑幾個最穩的內容保留，
剩下的交給 LoRA 或 ControlNet 來補。
這也是為什麼「AI畫風都長得像」的原因之一。

有些人會說「那我套濾鏡不就好了？」
但其實這沒用。AI 在訓練的時候不只是學顏色，還學光影、飽和度、構圖、筆觸習慣。
這些全都會反映在結果裡。
所以你套個黑白濾鏡頂多蓋掉表層色差，底層的光影分布一樣是「AI那套」。

我常說 AI 是一個「懶人工具」，但它其實也有自己的框架。
你不能指定它只學「顏色」或「構圖」，它是整包學。
最後你能做的只有「接受結果」——看看出來的圖你能不能接受。
你要說這是工具，那也沒錯，但它不是可精確控制的那種工具。
它比較像是個你得慢慢摸熟的、會亂動的畫筆。

第3章　AI創作與靈魂的問題

「靈魂」作為創作的界線

推 WolfDeer: 我比較好奇什麼叫沒有靈魂
→ WolfDeer: 每次討論ai都會有這個說法
→ MoleCat: 怎樣叫有靈魂

這個話題其實是整個 AI 論戰裡最有趣的一部分。
我覺得「靈魂」這個詞，更多時候是被人拿來當成打 AI 樂子的最後防線（笑）。
但如果要認真講，它其實是哲學問題，甚至可以用日本文化裡的「付喪神」來理解。

在日本的妖怪傳說裡，付喪神 是指一個器物經過很長時間被人使用、寄託情感後，
最終「獲得靈魂」的存在。
這其實就像我們對「老物件」會產生的情感連結——
那不是物理上的差別，而是人的意識長時間投射在物件上所形成的共鳴。

我覺得這觀念很能拿來比喻「創作」本身。
人手創作的作品，其實就是在把自己的意識、想法、經驗投射進作品裡。
所以我們才會覺得某些作品「有靈魂」，那是因為它裡面真的有作者的痕跡。
這個痕跡甚至是在創作的過程中經歷時間推移形成的，並非作者一開始的初衷。

AI 就不同了。
AI 的生成是根據統計、關聯、權重去「還原」出一個看似合理的結果。
你可以引導它的方向，但它本身沒有「意圖」。
它只是拼湊出一個「看起來像」的東西。
所以從這個角度說，它沒有靈魂——因為它沒有創作意識。

什麼情況下，AI的作品可以被視為「有靈魂」

但如果我換個角度想，
假設我今天不是拿別人的畫風去模仿，也沒有要偽造誰的風格，
而是透過 AI 生成圖，然後我自己去引導、篩選、挑選出我想要的結果——
那這樣的創作，算不算「有靈魂」？

我覺得可以。
只要我在過程中有參與、有思考、有意圖，
那 AI 就變成一個延伸我想法的工具。
雖然它畫出來的不是我親手的線條，
但那張圖是我「選」出來的、是我覺得對的、是我認可的。
那麼，從創作行為的定義來看，它仍然帶著我的意志。

問題是，這樣的作品能不能達到繪師那種「所想即所得」的程度？
我認為目前還不行。
繪師的每一筆線條都是他當下決定的，
每個像素都可能藏著一點偶然、靈感、甚至情緒。
AI 目前還沒辦法做到那種層次的「意識與動作同步」。
所以我說，AI 最多只是幫你生成「你覺得接近的結果」。
它讓你去「認領」結果，而不是「創造」結果。

「認領創作」與真正創作的差距

舉個例子：
當我用 AI 生成一張圖，我可能覺得「這張臉太圓了，再骰一次」，
「這次眼睛太大，再骰一次」。
每一次的選擇都是我在「篩選誤差」。
而繪師的畫法，是從頭到尾都在做選擇——
他連哪條線該偏一點都知道為什麼要那樣。

AI 的創作就像你在扭蛋機裡挑扭蛋，
你可以控制種類、顏色、參數，但結果永遠有機率性。
而繪師則是自己打造那顆扭蛋。
這中間的差距，才是「靈魂」的界線。

我覺得要說 AI 有沒有靈魂，
其實可以這樣問自己：
「如果我能完全認同這張圖，覺得它100%符合我的期待，
而且我能清楚地講出創作動機與想法——那它對我來說就有靈魂。」
但如果只是因為它骰得剛好對味、剛好漂亮，
那只是運氣，而不是創作。

第4章　AI圖像的加工與辨識

AI圖像的加工、臨摹與可辨識性

推 HawkOtter: 繪師加工過後 不跟你講 你根本認不出來拉

我覺得「AI圖經過加工後能不能被認出來」這件事，得分兩個層面講。
加工 跟 臨摹 是完全不同的兩件事。

如果只是拿 AI 圖當參考去畫，
那就跟臨摹一樣——畫得越不像，反而越安全。
但如果臨摹得太像，那些細節手法、筆觸連接方式都會被複製下來，
結果你雖然是手畫的，卻依然保留 AI 生成的特徵。
所以 AI 臨摹「有可能被抓出來」，尤其是當你技術太好時。
因為你畫得越準，越容易露出 AI 模型的特徵痕跡。

「加筆」不是掩飾，而是混合訊號

那如果是「在 AI 圖上加筆」呢？
其實這樣更容易被辨認。
因為你修改的區域之外，全都是 AI 原圖的資料。
AI 在生成時會留下許多微小的降噪網格紋（就像細微的像素規律）。
這些在肉眼上看不太出來，但如果用訊號分析軟體或 AI 檢測器，是能抓到的。

所以有些人會用有損壓縮（像 JPG 的破壞性壓縮）
去覆蓋掉這些規律，讓人類和機器都看不出差異。
這其實就是「噪訊融合」的技巧，
用新壓縮的雜訊去打亂 AI 原有的生成規律。
聽起來像在躲避偵測，但更多時候只是為了不讓圖片太「假」。

要抹掉AI痕跡，其實比重畫還難

真正想徹底「去AI化」的方式，
其實是把所有可辨識特徵都抹掉、重畫。
早期大家常說「修手」、「修眼睛」就能去掉AI感，
但現在 AI 進步後，那些地方反而不再是主要問題。
現在最難修的是頭髮、線條銜接、體積感這些東西，
尤其是頭髮的髮束分層、光線反射，
你幾乎不可能完全改乾淨——最後還是得整塊重畫。

所以我認為，AI圖只要有保留一部分原始生成內容，
它就還是AI圖。
加筆可以讓畫面更自然，但不能改變它的本質。
就像是你在機器印的布料上再縫幾針，它還是印花布。

第5章　AI審美、模型訓練與創作門檻

「AI沒有審美」是一種誤解

→ MothDolphin: ai背後的人大多沒什麼審美設計觀看念 產出的圖都差不多
→ MothDolphin: 當然會膩

我覺得這其實是一種誤會。
會說「AI沒審美」的人，多半只看過一般使用者生成的圖，
而沒意識到 真正訓練模型的人，才是那個擁有審美的人。

以 NovelAI 為例，它的基礎資料來源是 Danbooru 上的圖和標籤，
但要讓 AI 學到「這是一張 masterpiece」並不只是把標籤丟進去那麼簡單。
那需要人去篩選、調整訓練批次，
不斷試、重煉、比較、再微調。
這整個過程，本身就是一種「美感工程」。

我覺得這也是很多人忽略的一點——
AI 生成的東西看起來像在「骰子」，
但背後有人在設計骰子的每一面。
那個人，就是審美的來源。

AI與「學畫」的關係：門檻改變，不是消失

我常聽到一句話：「既然AI也要學，那跟傳統工具有什麼差？」
我覺得這句話其實講對一半。
AI 的確讓畫圖變「容易開始」，但不代表「誰都能出好圖」。

AI 的學習邏輯來自統計學，
你不需要真的會畫畫，但你要懂變數、懂關聯、懂篩選。
它不是消除了門檻，而是把門檻換成了另一種形式。
會畫畫的人靠手感和構圖思維，
會用 AI 的人靠理解權重、關鍵字、風格組合。
說白了，一樣都在「學習怎麼控制表現」。

「AI圖都長一樣」的真正原因

大家常說 AI 圖看起來都差不多，
其實那是因為多數人都在用同一批熱門模型。
這些模型的風格、構圖取向、光影偏好都已經被固定了。
所以輸出的畫看起來像是一個系統製品。

但只要你真的去訓練自己的 LoRA，或微調模型，
就會發現那個「個性」還是能做出來的。
只是要時間，要硬體，要顯卡。
大模型就像是一張「大家共享的底稿」，
真正的創作還是要靠自己怎麼加工那張底稿。

我有時會比喻 AI 模型像是一個「洗腦 APP」。
你可以透過它「召喚」某位畫師來幫你畫圖，
但同一個 APP 也可以被別人下載使用，
大家都能同時「召喚」那位畫師。
所以最後所有人的圖都長得一樣，
那當然會膩。

AI作為「印表機」的比喻

如果把繪師比作創作者，AI 比較像是「印表機」。
它能複製風格、輸出相似作品、快速生產，
但它沒有勞動的痕跡。

有人可能會說這樣不公平，
但其實金亨泰自己就拿自己畫的作品去訓練模型，
再用 AI 畫出「AI 版金亨泰」來展示。
這樣的行為算侵權嗎？
他自己都覺得好玩，因為那本來就是一種「自我模仿」。
這就回到前面講的：AI 本身的審美永遠是訓練它的人。
拿著無數的圖去訓練也不挑選不建立審美，
出來的只會是一坨大便。

第6章　LoRA訓練與AI創作的邊界

LoRA的本質與訓練關鍵

→ FalconSeal: 覺得畫風固定代表完全不知道fine-tune跟lora

很多人會覺得「AI畫風都固定」是因為不了解 LoRA。
LoRA（Low-Rank Adaptation）基本上是拿大模型去做小範圍再訓練，
它不像大模型那樣從零開始學世界，
而是針對特定資料集微調。

舉例來說，假設我拿100張都包含「蘋果」的圖片去訓練，
那 AI 會把「蘋果」這個詞學成這100張的抽象概念。
這個概念可以是形狀、顏色、甚至整體氛圍。
而判斷「蘋果」到底是物件還是風格，
就要靠大模型的語意空間來協助。
所以 LoRA 在訓練的時候，其實仍然依賴大模型本身的語言理解能力。
如果大模型沒有見過這個關鍵字，它就無法準確地收斂。

 畫風訓練的限制與奇美拉現象

這也代表——你要訓練出穩定的畫風，
資料品質跟選擇模型一樣重要。
如果素材太少、太雜、或關鍵字標錯，
結果就會變成「奇美拉」：
畫面看起來融合了好幾種風格，但哪邊都不對。

我自己在練畫風 LoRA 的時候發現，
只要素材裡那個畫師從來沒畫過某個角度，
像是背面或倒立構圖，
AI 生出來的結果就會變得非常怪。
它會去大模型裡撈別的畫師的資料來「補洞」，
結果畫風就不再純粹。
所以除非你訓練集裡有對應的畫法，
不然 AI 根本不知道該怎麼「正確地」畫。

LoRA的角色：AI的補丁模組

這就是為什麼我會說，LoRA 有點像是 AI 世界的「MOD」。
缺什麼就補什麼。
你可以練一個「倒立 LoRA」、一個「特定服裝 LoRA」、一個「特定動作 LoRA」。
最後再用權重去混搭，找出平衡點。

但即使這樣，它也不可能重現一個繪師真正的構圖意識。
因為繪師的畫面安排，是一種從「意圖」出發的邏輯；
AI 的構圖只是從「統計機率」出發。
這就是差別。

資訊熵與創作邊界

我覺得這可以用熱力學第二定律來比喻。
人類創作時產生的是「有意義的新資訊」，
而 AI 只是重組舊資訊，沒有意義那麼就只是隨機。
每次生成的畫，看似新，但其實只是重新排列已有的像素分佈。
你可以叫它創造，但從資訊角度來看，它沒有「產出有意義的資訊熵」。

簡單講就是：
AI 不可能生成它沒學過的東西。
它只能根據「似曾相識」去拼湊。
你可以讓它「假設」有某種東西，但那不代表它真的「理解」。
AI 的世界裡沒有靈感，只有關聯性。

第7章　AI自我循環與品質退化

AI再吃自己：自我污染的問題

推 OwlRabbit: AI生成以後自己抄自己永動機

這句話我真的笑出來，但說實話——這正是目前AI正在發生的事。
AI 現在生成的內容越來越多，而網路上的資料集也越來越混雜。
未來 AI 在被重新訓練的時候，勢必會再吃到自己生成的東西。
只是比例多寡的問題。

我覺得這會帶來一個很現實的結果：
所有生成式 AI 的「黃金時期」，
其實只存在於它第一次出現之前。
因為那時候它吃的全部都是人類創作的資料。
但當網路上充滿 AI 產物後，
它再訓練的時候就會混進一堆自己做出來的殘渣，
品質自然下降。

為什麼AI無法分辨自己生成的內容

有人可能會問：「那AI不能自己判斷哪張是AI畫的嗎？」
很可惜，目前不行。
市面上那些「AI檢測器」也都是機率模型，
準確率有限。

更麻煩的是，
還有許多所謂「AI加筆」的圖——
像是只有手重畫過、背景沒改、或者只是做了小修飾。
這種圖在資料集中根本無法被自動標記。
AI 吃下去後只會被誤認為是「正常樣本」。
到最後，整個模型會越學越亂。

這也解釋了為什麼很多模型在幾個版本之後，
反而出圖品質下降、風格變得模糊。
不是你錯覺，是它真的「吃壞肚子」了。

資料污染與邊際效用遞減

這就是所謂的邊際效用遞減。
AI 一開始能爆炸性成長，是因為有大量乾淨的人類資料可用；
但當那批資料被吃光，
剩下的都是重複的、再製的、混雜的內容，
進步速度就會越來越慢。

我覺得 AI 的發展會卡在這個臨界點上——
因為理論上，AI 要再進步，
就必須靠「更多優質人類創作」。
但諷刺的是，AI 又正在搶走那些創作者的生存空間。
換句話說，它在吃自己未來的糧食。

第8章　AI取代與產業現實

廣告圈率先採用AI：因為「便宜」

→ GooseLynx: 還早 不過一堆平面廣告已經用AI圖當素材了

真的，我也有看到。
很多廣告公司開始用 AI，理由其實就一個字：「省」。
這種事不用想太多，企業看的是成本比——
當別人用更低的價格就能做出視覺素材，
你還在花錢請設計師，那就會被市場淘汰。

問題是，這樣的「節省」只會形成削價競爭。
就像中國近年的產業困境一樣，
當大家都在壓低成本、拼速度，
整體品質就會越來越差。
而這會逼著其他人也不得不用 AI，
變成一場惡性循環。

AI外包與素材盜用

現在也出現不少「AI外包商」在接案。
有的甚至直接拿別人生成的圖去交差，
或是加入 Discord 的 Midjourney 群，
偷偷把別人生成的圖爬下來、換個名字再賣出去。
雖然 Midjourney 說圖片都綁用戶ID、可以提告，
但現實是：法律還沒跟上。
就算提告，也不一定有法律條文能處理這種案例。

AI 正在壓榨人類創作者的著作權，
但諷刺的是，它自己生成的作品也不一定擁有著作權。
如果未來立法認定「AI作品無版權」，
那這些用AI作圖接案的公司就全賭錯邊了。
現在賺的，也只是立法前的灰色紅利而已。

歷史在重演：從印刷術到AI時代

這讓我想到早在 1710 年的「安娜女王法案」，
那時候印刷技術剛崛起，人們也在吵一樣的問題——
大量複製導致作品氾濫、作者權益模糊。
AI 就像是新一代的印刷術，
只是速度快到我們來不及反應。

如果真有時光機能把現代 AI 丟給當年的印刷商玩玩看，
我敢說那絕對會是歷史級的混亂現場（笑）。
因為每一次媒介革命，
都一定會先毀掉一批舊規則，
再逼人重建一套新的。

第9章　AI取代與就業現實

科技業的裁員與AI幻覺

噓 DingoMoth: 你知道科技業一堆人比繪師先失業了嗎

我相信這說法是真的，
但背後的原因未必像有些人想的那樣單純。
很多公司被「AI熱潮」洗腦，
誤以為只要導入 AI 就能取代人力、降低成本。

那些科技公司看到概念股漲停、看到某牌 CEO 穿著皮衣上台講「未來已來」，
就急著裁掉人員、添購設備，好像誰先AI化誰就贏。
但問題是——AI不是萬靈丹。
它能自動化流程，但它不能自動創意。
結果就是很多地方人砍了、AI上了，
但效率不升反降。

小型企業的生存壓力

我覺得這波影響最直接的反而是中小企業。
尤其那種本來就只有幾個人的設計或行銷公司，
常常一位美術就佔掉全公司開銷的一半。
當 AI 能幫他們做八成視覺稿的時候，
他們一定會先從那邊下刀。
不是因為誰壞心，而是成本壓力逼的。

這些公司通常是新人的練功場，
給剛畢業的設計師累積經驗用的。
結果現在這群新人變成第一波犧牲者。
反而大型公司沒那麼激進，
因為他們知道 AI 工具不穩，出錯成本太高。
所以真正受到衝擊的，是那些「想趕潮又沒餘裕」的公司。

AI取代的是機會，不是人

我覺得這波AI潮，不是真正取代「人」，
而是取代了「被練習、被培養的機會」。
以前一個新人有機會畫五十張稿，現在AI一天能產五百張。
那企業為什麼要留一個還在練手感的人？

短期看起來是效率革命，
但長期看是人才斷層。
因為當所有入門職都被AI接手，
再過幾年，誰還有機會成為真正的資深？
這是我覺得最值得擔心的地方。

第10章　AI發展的時間幻想

「再過幾年AI就無所不能」的老套預言

→ CraneDog: 2030年後再考慮取不取代的問題

這種說法我真的聽太多次了。
每次有新技術出來，總有人說：「現在才剛開始啦，給它幾年就不一樣了。」
我聽過這句話的版本包括——區塊鏈、NFT、元宇宙，
現在換成 AI。

問題是，如果「只要時間夠久就能解決所有問題」，
那這世界早就沒難題了。
AI 並不是魔法，它有數學架構的極限。
而目前的生成式 AI 是基於統計學的模型，
這意味著它的學習速度會越來越慢，
最終會收斂在一個固定值。

會說再給n年問題就迎刃而解的期待相當於落入無限猴子定理謬誤一樣，
概率接近0的結果給予永恆的時間隨機拼湊也不可能實現，
在AI這種統計學當中存在發散跟收斂更是。

資料枯竭與成長停滯

AI 要能「變聰明」，前提是有新資料能學。
但現在的 AI 已經吃遍全網路了——
人類花了三十年累積的數位資料，它幾年就全掃完。
接下來怎麼辦？

就只能重複學一樣的東西。
除非哪天人類又創造出新的資訊海洋，
不然 AI 的進步速度一定趨緩。
所以所謂「等AI再幾年就取代人類」這種說法，
根本就是忽略了資料飽和的現實。

「量變引發質變」的迷信

我知道有些人會說：「沒關係，只要資料量夠多，總會產生質變。」
這理論聽起來很合理，但問題是——
AI 不會自己長出理解力。
它可以靠統計找到規律，但那不是「懂」，那是「算」。
你讓它算到宇宙盡頭，它還是只能給你一個「最可能的答案」。

除非 AI 有新的學習結構（像是能動態建構概念、形成自主記憶的模型），
否則這條路只會越走越窄。
現在的 AI 已經到了「地球資料極限」，
再往上就是撞牆。

我常開玩笑說——
再過幾年要讓 AI 進步，
可能得靠外星人開放他們的資料庫給我們用了（笑）。

第11章　AI輔助創作的現實邊界

對AI過度樂觀的幻想

推 TigerSeal: 五年也太樂觀… 大概18個月 繪師最大
→ TigerSeal: 的功能是 下指令 調色 收邊 收尾
→ TigerSeal: 風格可以融合再請繪師微調，定義訓練

我其實蠻期待那種「繪師＋AI工具」的合作型工作流程，
但很多人誤會了現在這套生成式 AI 的本質。
像 Stable Diffusion 這種模型，是靠「熱噪逆還原」的原理在運作，
它不是畫畫，而是從雜訊中還原像素。
這就決定了它只能玩「統計學的文字遊戲」，而不是「構圖邏輯」。

有人說 AI 未來會幫繪師調色、修構圖、做布局，
但我覺得這根本是搞錯方向。
AI 並不理解三分法、九宮格、黃金比例這些構圖理論——
它只知道「大多數圖片裡主角出現在這裡」。
所以對它來說，左邊、右邊、中心是統計分布，不是藝術選擇。

構圖的機率與人類的意圖差距

舉例來說，如果 AI 學到在資料集中「主角在左邊」出現 50%，「在右邊」也是 50%，
那它就會認為這兩者沒有關聯性。
但人類知道，這兩種構圖都屬於「九宮格法」的變化。
AI 不懂這層語意，只能盲目地「平均分配」。
所以生成結果會很穩，但也很平。

AI 並不知道什麼叫「畫面的重心」。
它只是學到「這樣的圖比較常出現」。
這就是 AI 和繪師最大的差別——
繪師知道「為什麼這樣構圖會讓畫面更有張力」，
AI 只是「被動地模仿出這樣的結果」。

Prompt語意與顏色混亂的問題

再來是 Prompt 的語意問題。
有些人以為只要加關鍵字就能讓 AI 理解概念，
但這其實取決於訓練者怎麼定義這些詞。

例如，如果訓練模型時有人故意把「green」定義成藍色，
那這個模型的世界裡「green」就永遠是藍的。
所以當使用者輸入 prompt「green hair」時，
他看到的可能是藍頭髮的角色——
而他還以為是自己打錯。

AI 並不會「校正語意」。
它只會誠實地依照訓練資料去生結果。
這就是為什麼描述越長、越詳細的 prompt，
反而更容易失控。
因為 AI 會去抓語句之間的權重平衡，
多講反而讓它更困惑。

「AI輔助」不等於「AI創作」

我自己試過很多次，用 prompt 逼 AI 生成複雜構圖。
結果通常是：越具體，越不對。
反而一句模糊的描述，它能給出最平均、最「看起來像圖」的結果。

這讓我覺得——AI 目前最擅長的，是「製造看似合理的結果」，
但不是「創造有意圖的畫面」。
Photoshop 自動色彩校正都能算白平衡、套 LUT、調色溫，
但那不代表它理解畫面情緒。
AI 也是同樣的道理。

所以我覺得「AI幫繪師」這句話要打個折。
AI 是可以輔助，但絕對不是共創。
它幫的是流程，不是想法。

第12章　AI與攝影、模特產業的影響

攝影師與模特確實會被波及，但不會被取代

推 LynxDove: 不只是繪師 攝影師與model也會受影響

我同意這點，但要講清楚——
受影響，不等於被取代。
AI 的確能生成「像照片一樣」的畫面，
但那只限於概念圖、參考稿、或行銷預覽。

在真正的商業拍攝裡，
攝影師要處理的不是「美不美」，而是「真不真」。
光線要對、材質要準、構圖要能對上產品需求。
這些不是 AI 能靠想像補完的。
它不會知道模特的衣料會怎麼反光，
也不知道品牌 logo 需要放在畫面哪裡。
所以在我看來，AI 對攝影產業的衝擊是有限的——
它可能讓草稿更快出，但不會取代成品拍攝。

模特與服裝產業的現實困境

模特的情況稍微複雜。
AI 生成的模特照確實能當服裝示意圖用，
但那只是「參考圖」。
真正上架商品前，你還是得拍實體照。

我自己就遇過類似的案例。
我和品牌合作設計羽織時，
有人提議「用AI生成模特照」省預算。
但問題是——
AI 能理解平面設計圖的板型嗎？
能根據尺寸數據生成出一張合理的穿著照嗎？
目前完全不行。
就算能模擬出姿勢，
布料的重力、摺痕、反光都不會準。

那到頭來，還是得請人穿、請人拍。
AI 幫不了你生產實體，也幫不了你修正版型。
所以對服裝產業來說，它更像是一個視覺玩具，
不是替代品。

攝影師為什麼最不可能被AI取代

我甚至覺得，攝影師可能是最安全的一群。
因為他們拍的是「現實中還不存在的畫面」。
產品、建築、展覽、人物活動，這些都得靠實際拍攝。
AI 能生成過去的影像風格，
但無法預測明天的新品外觀。

商攝的價值就在於「把真實的東西拍得更好看」。
AI 沒辦法取代這件事。
你可以用它生成「假畫面」，
但只要客戶要的是真東西，
那終究得回到鏡頭前。

我常開玩笑說：
AI 可以幫你生成理想型，
但它畫不出你未來女朋友的臉。
這句話放在產業上同樣成立。

第13章　總結：AI不可怕，但人要清醒

從驚嘆到冷靜：AI只是另一種鏡子

我覺得這幾年我們都經歷了一場「AI狂潮」。
一開始每個人都震驚、好奇，
接著有人開始害怕、有人開始依賴，
最後我們慢慢發現——
AI 不是神，也不是魔，它只是個鏡子。

它映照出我們的欲望：想變快、想變強、想省力。
也映照出我們的盲點：懶得學、懶得分辨、懶得思考。
AI 之所以那麼像人，
不是因為它有靈魂，
而是因為我們用它補上了自己不想做的那部分人性。

工具與創作者的邊界

AI 的問題從來不是「能不能用」，
而是「你想怎麼用」。
它是一支強大的筆，但筆不會自己下筆。
一樣是 Stable Diffusion，有人拿來造假、
也有人拿來創作世界觀、畫角色、幫助靈感延伸。

我覺得這才是關鍵：
AI 沒有創作倫理，人有。
所以用它創作的人，
得比以前更懂什麼是「責任」。
以前是筆壞了要修，
現在是思想壞了會被放大。

技術的盡頭，是選擇的問題

我不覺得 AI 會取代人，
但我覺得它會逼我們重新定義「人」。
以前創作靠技術，想法在前，實現在後。
現在創作靠選擇，從結果當中挑選意義。
AI 讓「按鍵」這件事變得太容易了，
結果更難的是「按下前，你想做什麼」。

也許真正該擔心的不是 AI 會不會毀滅人類，
而是當我們越來越習慣讓它替我們決定時，
我們是不是也在慢慢放棄自己動手思考的那部分？

最後想說的話

我不排斥 AI，也不把它當作魔法。
我只是希望人們看它的時候，能多一點現實感。
它能幫忙，但它不會替你變強。
它能生成漂亮的東西，但那不等於創作。
它會節省時間，但也會磨掉耐性。

我覺得與其問「AI 會不會取代人」，
不如問「當AI幫我們做掉一切以後，我們還想留下什麼」。

你一定會說我的立場是什麼，到底是該恐懼AI還是擁抱AI?

至少你我已經無法完全逃離AI的影響，
網路上已經逐漸被AI產物佔據，
只要你沒有可靠的分辨方式，
遲早會吃下這個慢性毒物。

AI把所有訊息的門檻往下拉，上限卻從來沒改變過。
未來只會有更多低水準的產物透過AI精緻化，
但永遠無法超越懂的使用AI工具的人類。
所以基礎功還是要打好，
未來只會有兩種人——
用AI挑戰更高境界的高手，以及只會拿AI樣板圖一樂的跟風仔。