一句话看懂：越来越多餐厅用 AI 生成的图片制作菜单，但这些图像呈现出过度的“完美美学”和结构异常，正在引发消费者的“恐怖谷”式反感。这背后指向的是生成式 AI 在数据训练与内容多样性上的深层隐患。
事件核心：发生了什么
据 AIbase 9月4日报道，AI 生成图像正大规模进入餐厅菜单设计，但大量作品表现出高度同质化的审美倾向——过度对称、过度顺滑、过度精致。部分 AI 食物图片甚至出现结构崩坏，如食材层次颠倒、形状不合理，消费者将这种不适感形容为“恐怖谷效应”。
Reality Defender 首席技术官 Alex Lisle 认为，这一现象与模型训练机制直接相关。大语言模型和扩散模型需要从海量数据中学习模式，当训练集中充斥着连锁餐厅菜单风格的图片时，生成结果会趋同；而如果 AI 生成内容再次进入训练数据，这种风格收敛会被进一步放大。埃隆大学“数字未来想象中心”主任 Lee Renney 则指出，训练数据普遍倾向于“好看”且回避冒犯性内容，这种过滤机制推着图像和语言走向“圆滑化”。
一个典型的案例是，有用户在使用 ChatGPT 时对一张 AI 菜单图连续修改了 100 次，结果食物图像逐渐偏离原本形态。德国杜伊斯堡-埃森大学的研究者也发现，AI 生成的食物图片会诱发类似恐怖谷的负面感知。
为什么重要
这件事看似是美学争议，实际触及生成式 AI 发展的核心矛盾：当模型从互联网吸收内容并反过来生成内容时，如果生成物再回流到训练集，整个生态将面临“自我污染”的风险——多样性降低，误差累积，最终让输出变得千篇一律甚至失真。
对 AI 行业而言，这暴露了一个比算力成本更隐蔽的问题：数据质量不再只是“够不够多”，而是“够不够真实、够不够多样”。目前公开信息显示，绝大多数商业模型并未对 AI 生成内容进入训练数据做严格过滤，这可能导致图像生成、内容创作等应用出现系统性审美退化。
对用户/开发者/创作者的影响
对普通用户来说，使用 AI 生成菜单、宣传图或食物摄影时需要警惕“完美陷阱”——过于精致的输出反而可能削弱真实感和信任度，尤其在餐饮这类强调感官体验的行业。
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。
对开发者和创作者而言，这一案例提示了工具使用的边界：依赖单一模型反复迭代会带来内容失真。无论是调用 API 做批量生成，还是用开源模型做垂直场景微调，都需要建立人工审核环节，或者在提示词层面刻意引入风格噪声与多样性约束，避免生成结果滑入“过度平滑”的区间。
值得关注的后续
后续可以观察以下几个方向：第一，主流图像生成模型如 Midjourney、DALL·E 或 Stable Diffusion 是否会针对“风格同质化”推出多样性控制参数或反恐怖谷滤镜；第二，餐饮等垂直行业是否会出现基于真实食物摄影数据微调的专用模型，以替代通用模型生成菜单图的方案；第三，数据来源标注与训练过滤机制是否会从研究议题走向产品落地，成为内容平台和模型厂商的合规竞争点。
来源：AIbase
