两个月前，我在 Midjourney 里试着生成一碗拉面。汤底像琥珀色的树脂，溏心蛋的蛋黄亮得浑然一体，边缘利落得像机器切割。我盯着它看了很久，说不出哪里不对，但心里有个声音：这不是照片。
可同一周，我生成了一张人像，却几乎骗过了自己。为什么一个模型能画好一张脸，却画不好一碗面？这个反差困扰了我很久。
你可能会说：脸本来就难画，手指、牙齿、镜像反射，AI 翻车的地方多了去了。但食物恰恰相反——它没有五根手指，没有复杂的关节结构，表面看起来简单极了。可 AI 就是会在食物上露出马脚。问题不在形状，在两个字：质感。
它是在「画照片」，不是在「渲染场景」
先看生成原理。今天的文生图模型，底层几乎都是扩散模型：把图像生成建模成「从纯噪声里逐步去噪」的过程。训练时模型看的是「清晰图逐渐加噪变成纯噪声」的正向过程；生成时，它从噪声出发一步步反着走，每一步都在文字提示的约束下，把图像往自然图片的方向推一点。
- 正向加噪：把训练图片逐渐破坏成噪声，让模型学会辨认每一步添加的噪声。
- 反向去噪：从纯噪声开始，模型反复预测并移除噪声，逐步还原出画面。
- 条件控制：每一步的预测都受文字提示影响，保证结果与描述相关。
注意：整个过程没有任何一步涉及物理。模型不计算光的传播，不建立三维几何，不模拟材质。它的一切知识，都是「什么样的像素排列更像训练数据里的图片」。本质上，它是统计模仿者，不是渲染引擎。
第一个翻车点：光泽不是算出来的，是猜出来的
真实世界里，高光是反射定律的产物。光源打在物体表面，表面由无数微观小面组成，每个小面按自己的朝向反射光。所有小面的朝向分布，决定了高光长什么样：粗糙表面（橘子皮、烤面包）小面朝向杂乱，高光弥散；光滑表面（刷过油的烤鸭、糖衣）小面朝向一致，高光锐利。图形学里的微面元模型说的就是这件事——Cook-Torrance 反射模型把高光的形状和表面粗糙度直接挂钩。而物理规律只有一个：高光的位置，由光源方向、视线方向和表面法线共同决定。
扩散模型没有法线，没有光源，它只能从训练数据里统计「高光通常出现在哪」。大多数时候猜得不错，因为大多数照片的光源来自上方或左上方。可一旦形状、角度、材质的组合在数据里不常见，高光就会落在物理上不可能的位置。更常见也更隐蔽的，是高光的形状不对。
你看到的「塑料感」，本质是高光被平均化的结果。真实高光有锐利的尖峰——最亮处很亮，往外迅速衰减。塑料表面没有微观起伏，所以它的高光干净、均匀、缺乏变化。扩散模型在画「烤鸭皮」时，把不同油脂厚度、不同表面起伏的统计混合在一起，最后得到一种「中等锐利、处处均匀」的高光。它不属于任何真实材料——它更像塑料。
更糟的是，食物摄影行业有个公开秘密：造型师会给食物刷油、喷甘油，甚至用发胶固定造型，让它们在镜头前显得多汁、鲜亮。沙拉叶子上的水珠、牛排表面的油光，很多是「做」出来的。训练数据里的食物，本身就带着这种人造高光。模型把它内化成了默认值——所以 AI 食物总像刚被刷过一层油。
第二个翻车点：食物真正难的地方是「半透明」
第二件事藏得更深：食物大多是半透明的。光线不会停在表面，它会钻进西红柿的果肉，在细胞组织之间反复散射，再换一个地方冒出来。所以薄薄的黄瓜片边缘会透出绿光，逆光下的葡萄像小灯笼。图形学里叫次表面散射，2001 年那篇奠定实用模型的论文说得明白：大理石、牛奶、皮肤、水果，全都靠这个效果获得真实感。
扩散模型要模拟它，只能靠像素统计的近似。于是你看到两个极端：要么过度光滑——所有散射被简化成一层均匀柔光，整碗面像注了硅胶；要么过度琐碎——表面布满不自然的颗粒感，像被砂纸打磨过。真实食物的质感在两者之间，而且在同一物体上连续变化：西红柿顶部和底部、胡萝卜皮层和芯部，散射程度都不一样。这种「同一种材质内部的连续差异」，是模型最难学的东西。
还有一个更隐蔽的问题：细节平均化。面包皮的裂纹、牛排的焦化纹路、冰激凌的融痕，每次出现都不一样。当训练数据里同类细节的形态高度分散时，模型会倾向生成一个保守的「典型版本」：有裂纹的样子，但没有具体哪一道裂纹。这种平均化让表面「合理但陌生」——而不确定性，恰恰是真实质感的灵魂。
一张表看穿 AI 食物
| 维度 | 真实食物 | AI 食物的典型破绽 |
|---|---|---|
| 高光 | 随表面起伏变化，有明确尖峰 | 处处均匀，像统一刷了一层油 |
| 半透明质感 | 薄边透光，颜色从内部渗出 | 要么塑料柔光，要么砂纸颗粒 |
| 蒸汽与水汽 | 湍流、飘散、半透明、随气流变形 | 像棉花糖或浓烟，边缘黏糊 |
| 融化与流动 | 受重力、温度和表面张力控制 | 像油漆拖拽，边界过于干净 |
| 微观纹理 | 多尺度随机但连续，处处不同 | 细节平均化，像贴图反复出现 |
数据量早就够了，缺的是物理
我最早以为，AI 画不好食物是因为食物照片太少。后来发现这个猜测错得离谱——互联网上食物图片多到惊人，LAION-5B（Stable Diffusion 的训练集之一）有 58 亿张图，食物相关照片以百万计，ImageNet 里食物类别也占了相当比重。数据根本不是瓶颈。瓶颈在于：模型只保证统计相似，不保证物理一致。
过去两年进步确实是有的。ControlNet能约束构图，LoRA 微调能把生成分布收窄到某一种食物，负面提示词加 plastic 和 glossy 也能减少塑料感。但这些手段都是「约束」，不是「理解」。模型依然不知道光往哪走，不知道水蒸气和烟有什么区别。它只是被更多数据和更强的结构按住了。
提示词写得更好，能解决塑料感吗？
能缓解，不能根治。你加一百个 photorealistic，模型只会更努力地模仿照片风格，而不是更懂光学。真正有效的是收窄训练分布——比如用特定食物的 LoRA，或用负面提示词压掉塑料材质特征。
为什么人脸没那么容易翻车？
因为人脸在训练数据里数量极其庞大，而且结构高度一致——所有人脸的眼睛都在差不多的位置。食物没有这种一致性：烤面包和煮面包的质感天差地别，同样一盘菜，每次烹饪的纹理都不同。数据多，但每一种具体形态的数据很稀疏。
后期修图能救吗？
能救一部分。高光错了可以抹掉重画，纹理过度平均可以叠加噪点和细节层。但这是在替模型补物理课，成本很高。一张 AI 图如果需要修图师花两小时重做材质，它已经不比实拍便宜了。
它会越来越像，但还差一个物理引擎
我的判断：AI 食品摄影会在两三年内跨过「一眼假」的门槛。但跨过去的路径，大概率不是模型突然学会了光学，而是三种手段的组合：训练数据里加入更多物理正确的高光样本、模型架构显式编码材质属性、生成后接一个物理校验环节。在那之前，你在广告里看到的「完美汉堡」，只要用了 AI，背后必然有人类修图师的介入。因为一个真正的质感工程师知道：高光不跟着主光源走，消费者嘴上说不出，但眼睛会报警。
如果你需要商用食品摄影，我的建议是分工：让 AI 出创意——构图、配色、机位、器皿搭配，它已经做得很好；最终交付，交给相机和真实的食物。真实摄影里那种「光钻进西红柿、再从另一侧透出来」的微妙过渡，是物理在替自己画画。物理从不糊弄你——这正是它和 AI 最大的区别。
进阶阅读：为什么材质问题绕不开法线信息
微面元模型把表面想象成无数微小镜子——粗糙表面镜子朝向杂乱，反射分布宽；光滑表面镜子朝向一致，反射分布窄。扩散模型对材质的一切理解都在像素分布里，没有独立的「表面」层。要让 AI 真正学会材质，要么给它显式的表面信息（像 ControlNet 那样喂法线图、深度图），要么在训练时同时学习物理约束。这也是为什么「法线图引导生成」是当前改善材质质感最有希望的方向之一。
原创文章，作者：guanweilu，如若转载，请注明出处：https://guanweilu.cn/article/615.html