一句话看懂：The Verge 在 2026 年 9 月 4 日发文，分析了为什么 AI 生成的食物图像普遍显得怪异、令人倒胃口。原因并不在“审美”，而在于扩散模型（diffusion model）在生成细长结构与重复纹理时的技术缺陷，以及模型对物理世界缺乏真实理解。
事件核心：发生了什么
The Verge 记者 Robert Hart 在这篇 2026 年 9 月发布的报道中指出，越来越多餐厅、咖啡馆和品牌开始使用 AI 生成食物图片来做宣传，但结果常常出现“蠕虫状面条”“像水泥的冰淇淋”“充满孔洞的卷饼”等令人不适的视觉。文中引用了牛津大学 AI 与计算机视觉专家 Chris Russell、那不勒斯费德里科二世大学行为科学家 Giovanbattista Califano、苏黎世大学数字文化教授 Roland Meyer 以及伦敦国王学院计算机科学高级讲师 Michael Cook 的多方观点，将问题归结为三层原因：扩散模型先构建粗略结构、后补细节的生成顺序可能导致结构性错误；模型在生成“细长、连续、有终点”的物体（如面条、触须）时表现不稳定；AI 对食物缺乏物理世界常识，只学会“看起来像什么”，不理解“应该是什么”。
为什么重要
这篇报道的观察精准对应了当前生成式 AI 在垂直场景落地的真实瓶颈。它揭示的不是某个模型的个别失误，而是扩散模型在几何学层面的共性弱点——细线、孔洞、种子、气泡等重复纹理难以被固定在合理边界内。对于正在将 AI 图像生成用于商品展示、本地生活和广告营销的企业而言，这意味着 AI 制作的内容目前仍需要人工强干预。尤其是食品这类对细节敏感、与安全感和食欲直接相关的品类，AI 生成图目前不宜作为直接交付物，而应定位为创意草稿或概念预览。“AI 不懂食物”本质上也是“AI 不懂物理世界”的一个具体切面，这直接关系到 AI 是否能从“生成好看的图”演进到“生成可信的图像内容”。
对用户/开发者/创作者的影响
对内容创作者和餐饮品牌来说，这篇文章是一个实用提醒：在使用闭源或开源的 AI 图像生成工具做食物宣传物料时，建议避免依赖一次生成结果，必须建立人工筛选和修正环节。对开发者而言，理解扩散模型的局限有助于更合理地设计产品——可以在生成流程中加入针对性后处理，比如对“细长结构”做分割修正，或对易触发密集恐惧的纹理做区块检测。创作者也不必淘汰 AI 工作流，而是可以扬长避短：用 AI 产出概念构图与风格灵感，再用传统摄影或修图软件落地。归根结底，这类“失败案例”本身就是改进提示词工程和训练数据筛选的重要参考。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
值得留意的是，未来的新一代视频/图像模型是否会针对细长连续结构做专项优化；同时可以观察主流图像生成 API 是否会在食品、人物手部等高频出错场景推出垂直化的修正工具或参考图功能。行业内若出现基于“AI 图像可食感/可信度”的评估或优化方向，应被视为模型能力和使用体验趋近成熟的有用信号。品牌方对 AI 物料的使用范围是否会因这类认知普及而回退到“内部创意辅助”，也是一种值得观察的行业选择。
来源：The Verge
