AI为何偏爱生成美女？从“Lena”测试图到数据偏见的反馈循环

事件概述

AI图像生成领域普遍存在偏向生成美女或性感形象的现象。这一现象并非偶然，而是由历史技术标准的延续、人类心理审美偏好、训练数据的结构性偏差以及商业反馈机制共同作用的结果。从1973年的实验室测试图到2024-2026年的主流大模型，这种“默认值”一直在被强化。

核心信息

1. 历史起源：Lena测试图的长期影响

• 背景：1973年，南加州大学研究人员为测试图像算法，使用了《花花公子》插页模特Lena Soderberg的扫描图作为标准测试图像。
• 原因：该图像细节丰富（包含阴影、纹理等），适合测试算法；同时，以男性为主的研究圈子对其有审美偏好。
• 争议与终结：尽管引发版权和性别歧视争议，该图仍作为行业标准使用长达51年。直到2024年4月，IEEE计算机协会才正式禁止在新论文中使用此图。

2. 技术根基：“平均脸”即美

• 心理学原理：1990年心理学家Judith Langlois的实验表明，合成的人脸越接近群体平均值，吸引力越高。生成模型本质是学习数据分布并从中取样，因此会自动生成接近平均的、符合人类审美的人脸。
• “超真实”效应：2023年澳大利亚国立大学研究发现，AI生成的白人面孔比真实面孔更常被判断为“真人”。这是因为训练数据以白人为主，模型生成的脸更接近该群体的平均值，从而产生“AI超真实”感。
• 特征固化：过去被视为瑕疵的“过度光滑皮肤”，如今已成为AI美女的典型特征，印证了统计伪影向审美标准的转化。

3. 数据偏见：训练数据的性别失衡

• Lensa案例：修图应用Lensa的“魔法头像”功能显示，女性用户未加提示词时，大量生成赤裸或性感姿势的头像；而男性用户则多生成宇航员、探险家等职业形象。
• 根源：互联网训练数据中本就充斥衣着暴露的女性照片，模型将其设为默认值。

4. 反馈循环：用户行为与奖励模型的强化

• 内容占比飙升：AI图像社区Civitai上，NSFW（成人向）图片占比从2023年初的41%升至2024年底的80%。
• 审美评分模型（Reward Model）：厂商使用如PickScore等模型来优化生成质量。这些模型基于用户喜好训练，即使输入中性提示词，若训练数据混入NSFW内容，模型也会增加生成性感图片的倾向。
• 前台拦截与后台拉扯：虽然官方演示和审核策略严格限制NSFW内容，但后台的打分机制仍在受用户口味驱动，导致模型在众所周知的不可控性下，持续产出迎合点击率的内容。

5. 商业变现：将偏好转化为付费服务

• Grok案例：X平台旗下Grok提供“Spicy”模式，付费用户可生成暗示性内容和局部裸露。2026年1月，该功能被用于制作“数字脱衣”图片，引发多国政府介入。
• 商业化逻辑：厂商将用户的点击偏好直接包装为付费功能，英国首相发言人批评此举是将生成违法图像的功能变成了收费服务。

值得关注

AI生成美女的趋势揭示了技术并非中立，而是反映了人类社会的数据结构和权力关系。从早期的男性主导实验室到如今的用户点击经济，AI正在不断放大既有的性别偏见和审美惯性。随着模型能力的增强，如何打破这种由数据偏见和商业激励构成的反馈循环，将是行业面临的重要伦理和技术挑战。