← Archive
lm-004121 · 2026-09

當手工看起來像 AI：同質化創作的反直覺問題

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

當手工看起來像 AI：同質化創作的反直覺問題

系列： AI 時代的創作、選擇與人類復古系列
篇次： 第 3 篇
版本： v0.1
性質： 理論論文／創作同質化模型／公開版

摘要

AI 生成內容經常被批評具有模板化、平均化、同質化與「一眼 AI」的特徵。然而，本篇提出一個反直覺但 increasingly important 的命題：

Human-Made⇏Human-Distinctive\boxed{ \text{Human-Made} \not\Rightarrow \text{Human-Distinctive} }

人類創作者同樣可能在高產量壓力、固定工作流、局部審美最優、長期自我模仿、缺乏外部審核與有限資源下，逐步收斂到高度模板化的創作吸引子。當這種收斂足夠強時，人類作品甚至可能在視覺、敘事、角色設計、程式結構或產品體驗上呈現與 AI 平均化輸出極為相似的特徵。

因此，「看起來像 AI」不能可靠推出「由 AI 生成」；同樣地，「由人類完成」也不能可靠推出「具有高度作者性」。

本篇建立 Homogenization Attractor Model（同質化吸引子模型），區分 AI 統計平均化、人類自我模板化、產量驅動收斂、工具驅動收斂與市場驅動收斂，並提出「來源—風格脫鉤」命題：

Provenance⊥Aesthetic Distinctiveness\boxed{ \text{Provenance} \perp \text{Aesthetic Distinctiveness} }

在 AI 時代，真正值得追求的不是「證明作品不是 AI」，而是提升 Identity Density（身份密度）、Selection Density（選擇密度） 與 Directional Coherence（方向一致性），使作品即使使用大量 AI 工具，仍能呈現明確、持續、可辨識的作者性。

關鍵詞

AI 同質化、人類模板化、作者性、審美吸引子、風格收斂、Identity Density、Selection Density、AI 創作、人類復古、來源與風格脫鉤

1. 「像 AI」到底在說什麼

當人們說：

這張圖很像 AI。

通常不是在做來源鑑識。

更多時候是在描述某些感知特徵：

  • 臉部結構相似；
  • 五官比例平均；
  • 光影過度平滑；
  • 細節密度均勻；
  • 缺乏局部怪癖；
  • 角色間辨識度不足；
  • 敘事語氣平均；
  • 設計像在同一個模板上換配件。

所以：

AI-like\boxed{ \text{AI-like} }

其實常常是在描述：

Homogenized Output\boxed{ \text{Homogenized Output} }

而不是：

Verified AI Provenance\text{Verified AI Provenance}

2. 因此必須分開兩件事

第一件：

P=ProvenanceP= \text{Provenance}

即：

作品由誰、用什麼工具做出來。

第二件：

D=DistinctivenessD= \text{Distinctiveness}

即：

作品本身有沒有明確差異、人格與辨識度。

兩者不是同一件事。

因此：

P⇏D\boxed{ P \not\Rightarrow D }

更進一步：

Human Provenance⇏High Distinctiveness\boxed{ \text{Human Provenance} \not\Rightarrow \text{High Distinctiveness} }

同樣：

AI Assistance⇏Low Distinctiveness\boxed{ \text{AI Assistance} \not\Rightarrow \text{Low Distinctiveness} }

3. 來源與風格正在脫鉤

過去很多人直覺認為：

Human→Unique\text{Human} \rightarrow \text{Unique} AI→Generic\text{AI} \rightarrow \text{Generic}

但這個對應在快速失效。

未來更合理的是：

Provenance⊥Style\boxed{ \text{Provenance} \perp \text{Style} }

也就是：

  • 人類可以做得很模板；
  • AI 可以做得很怪；
  • 人類可以高度同質；
  • AI 可以在強限制下非常一致且獨特；
  • Hybrid pipeline 也可以具有極強作者性。

所以來源不能再被當成風格代理變數。

4. AI 為什麼容易同質化

AI 生成的同質化可以粗略理解為：

Statistical Attractor\boxed{ \text{Statistical Attractor} }

模型在大量資料分布中學到：

P(x)P(x)

在沒有強約束時，生成結果容易朝：

arg⁡max⁡xP(x)\arg\max_x P(x)

附近收斂。

也就是：

高概率、低風險、平均可接受\boxed{ \text{高概率、低風險、平均可接受} }

的區域。

所以常見結果會出現：

  • 相似臉型；
  • 相似打光；
  • 相似構圖；
  • 相似文句節奏；
  • 相似角色 archetype；
  • 相似產品 wording。

5. 但人類也有自己的「統計吸引子」

人類不是沒有分布。

一個創作者長期工作後，也會形成自己的：

PH(x)P_H(x)

也就是：

  • 慣用臉型；
  • 慣用配色；
  • 慣用構圖；
  • 慣用角色性格；
  • 慣用劇情節奏；
  • 慣用 UI；
  • 慣用系統解法；
  • 慣用程式架構。

所以：

Human Creator\boxed{ \text{Human Creator} }

本身也會形成：

Personal Attractor Basin\boxed{ \text{Personal Attractor Basin} }

6. 人類同質化不是 Bug，而是效率策略的自然結果

當創作者需要大量產出：

N↑N\uparrow

且時間：

TT

固定，

則每個作品可投入的探索時間：

E≈TNE \approx \frac{T}{N}

因此：

N↑⇒E↓N\uparrow \Rightarrow E\downarrow

探索越少：

Reuse Existing Solution\boxed{ \text{Reuse Existing Solution} }

就越合理。

所以：

高產量→模板化\boxed{ \text{高產量} \rightarrow \text{模板化} }

不是 AI 專屬問題。

它是任何受限創作者都可能出現的資源配置結果。

7. 同質化吸引子模型

定義：

Ht=Homogenization Level at time tH_t = \text{Homogenization Level at time }t

則可寫：

Ht+1=Ht+αR+βP+γC+δM−ϵXH_{t+1} = H_t + \alpha R + \beta P + \gamma C + \delta M - \epsilon X

其中：

  • RR：Reuse Pressure，重用壓力；
  • PP：Production Pressure，產量壓力；
  • CC：Constraint Narrowness，限制狹窄程度；
  • MM：Market Convergence，市場收斂；
  • XX：Exploration，探索強度。

所以若：

R,P,C,M↑R,P,C,M\uparrow

而：

X↓X\downarrow

則：

H↑\boxed{ H\uparrow }

無論創作者是：

Human\text{Human}

或：

AI\text{AI}

都可能成立。

8. 人類自我模仿是最容易被忽略的來源

創作者會自然形成：

Self-Imitation\boxed{ \text{Self-Imitation} }

因為：

  • 過去這樣成功；
  • 這種畫法最快；
  • 這種角色最好畫；
  • 這種故事最熟；
  • 這種系統自己最會寫。

所以：

PastSuccess→Reuse\text{PastSuccess} \rightarrow \text{Reuse}

長期後：

Personal Style\boxed{ \text{Personal Style} }

可能逐步退化為：

Personal Template\boxed{ \text{Personal Template} }

這兩者很像，但不一樣。

9. Style 與 Template 的差異

Style 是：

可辨識的一致性\boxed{ \text{可辨識的一致性} }

Template 是：

缺乏必要差異的重複\boxed{ \text{缺乏必要差異的重複} }

所以：

Consistency≠Homogeneity\text{Consistency} \neq \text{Homogeneity}

真正成熟的創作者需要：

Stable Identity+Internal Variation\boxed{ \text{Stable Identity} + \text{Internal Variation} }

而不是：

Same Face+Different Hair\text{Same Face} + \text{Different Hair}

或：

Same Plot+Different Names\text{Same Plot} + \text{Different Names}

10. 同一張臉換髮型，是最典型的低差異生成

可以把角色設計寫成：

Ci=Fi+Hi+Bi+Ki+SiC_i = F_i + H_i + B_i + K_i + S_i

其中：

  • FF：Face；
  • HH：Hair；
  • BB：Body；
  • KK：Costume；
  • SS：Silhouette。

若大量角色只改：

Hi,KiH_i,K_i

而：

Fi,SiF_i,S_i

高度固定，

玩家就會感覺：

Characters are different in data, but not different in perception.\boxed{ \text{Characters are different in data, but not different in perception.} }

這正是很多「像 AI」感的來源。

11. 「人類畫的」不能免除辨識度責任

假設創作者證明：

AIUsage=0\text{AIUsage}=0

這只能回答：

來源是人類。

它不能回答：

為什麼角色彼此太像？

所以：

Provenance Defense\boxed{ \text{Provenance Defense} }

不能直接解決：

Design Homogeneity\boxed{ \text{Design Homogeneity} }

如果問題是：

所有角色都很像。

回答：

但都是我手畫的。

其實沒有處理原問題。

12. AI 可以被用來反同質化

這又是一個反直覺點。

很多人認為：

AI→Homogenization\text{AI} \rightarrow \text{Homogenization}

但 AI 也可以被用來：

Increase Search Space\boxed{ \text{Increase Search Space} }

例如一次探索：

  • 20 種臉型；
  • 30 種 silhouette；
  • 15 種服裝語法；
  • 不同年齡；
  • 不同文化；
  • 不同體態；
  • 不同角色氣質。

然後人類再選：

Which Difference Matters?\boxed{ \text{Which Difference Matters?} }

所以：

AI\text{AI}

既可以：

Compress Diversity\text{Compress Diversity}

也可以：

Expand Diversity Search\text{Expand Diversity Search}

取決於：

How It Is Used\boxed{ \text{How It Is Used} }

13. AI 的真正問題可能不是生成，而是缺乏選擇

如果流程是：

Prompt→Image→Use\text{Prompt} \rightarrow \text{Image} \rightarrow \text{Use}

那很容易得到平均化內容。

但如果流程是：

Prompt→50Variants→Critique→Recombine→Reject→Refine→Use\text{Prompt} \rightarrow \text{50Variants} \rightarrow \text{Critique} \rightarrow \text{Recombine} \rightarrow \text{Reject} \rightarrow \text{Refine} \rightarrow \text{Use}

則：

Selection Density\boxed{ \text{Selection Density} }

大幅提升。

因此真正重要的變量不是：

AIUsage\text{AIUsage}

而是：

SelectionDensity\boxed{ \text{SelectionDensity} }

14. Selection Density

定義：

DS=Meaningful Selection DecisionsFinal Output UnitsD_S = \frac{ \text{Meaningful Selection Decisions} }{ \text{Final Output Units} }

如果一張圖：

生一張就用。

則：

DSD_S

低。

如果一張圖經過：

  • 20 個概念；
  • 6 個方向；
  • 3 次重組；
  • 4 次否決；
  • 2 次局部重畫；
  • 最後人工整合；

那：

DSD_S

高。

所以：

High AI Usage+High Selection Density\boxed{ \text{High AI Usage} + \text{High Selection Density} }

完全可能比：

Human Only+Low Selection Density\text{Human Only} + \text{Low Selection Density}

更有作者性。

15. Identity Density

定義：

DI=Distinctive Identity DecisionsContent VolumeD_I = \frac{ \text{Distinctive Identity Decisions} }{ \text{Content Volume} }

一個作品如果：

  • 角色很多；
  • 圖很多；
  • 任務很多；
  • 系統很多；

但真正有辨識度的選擇很少，

那：

DI↓D_I\downarrow

所以：

Content Count≠Identity Density\boxed{ \text{Content Count} \neq \text{Identity Density} }

這在 AI 時代會變得尤其重要。

16. 高產量可能稀釋身份密度

假設：

I=Identity DecisionsI = \text{Identity Decisions} N=Content UnitsN = \text{Content Units}

則：

DI=IND_I = \frac{I}{N}

如果創作者只增加：

N↑N\uparrow

但：

II

沒有同比例增加，

則：

DI↓\boxed{ D_I\downarrow }

結果就是：

內容很多，但都像。

17. 人類創作也會有「平均化模型」

一個成熟但沒有自我挑戰的創作者，腦中也會形成：

Internal Predictive Model\boxed{ \text{Internal Predictive Model} }

例如：

玩家喜歡這種。

這種角色最安全。

這種 UI 最穩。

這種故事最容易。

久而久之：

Human Decision\text{Human Decision}

也會變成：

arg⁡max⁡PH(x)\boxed{ \arg\max P_H(x) }

也就是：

選自己最熟、最可能成功的局部最優。

這和 AI 的高概率生成，結構上其實很像。

18. 所以「AI 平均化」其實是一個更一般的優化問題

更廣義地說：

Homogenization=Repeated Optimization Toward Local Safe Optima\boxed{ \text{Homogenization} = \text{Repeated Optimization Toward Local Safe Optima} }

只要系統一直選：

  • 最安全；
  • 最熟悉；
  • 最快；
  • 最便宜；
  • 最可接受；

最後就會：

Converge\boxed{ \text{Converge} }

這和執行者是：

  • AI；
  • 人類；
  • 公司；
  • 編輯；
  • 市場；

沒有本質必然關係。

19. 市場也會製造同質化

即使創作者想創新，市場可能給：

Reward(x)Reward(x)

當某種內容成功：

Reward(x∗)↑Reward(x^*)\uparrow

其他創作者會模仿：

xi→x∗x_i\rightarrow x^*

結果：

Market Attractor\boxed{ \text{Market Attractor} }

形成。

所以：

同質化不只是生成模型問題，也是市場選擇問題。\boxed{ \text{同質化不只是生成模型問題，也是市場選擇問題。} }

20. 平台演算法也會塑造吸引子

平台推薦：

R(x)R(x)

會偏好：

  • 點擊率；
  • 停留；
  • 完播；
  • 轉化。

創作者於是學習：

arg⁡max⁡xR(x)\arg\max_x R(x)

結果：

Algorithmic Selection→Creative Convergence\boxed{ \text{Algorithmic Selection} \rightarrow \text{Creative Convergence} }

所以即使完全不用 AI：

平台演算法仍然可以把人類創作推向模板化。\boxed{ \text{平台演算法仍然可以把人類創作推向模板化。} }

21. 來源鑑識會越來越困難

當：

HumanOutput→AILike\text{HumanOutput} \rightarrow \text{AILike}

且：

AIOutput→HumanLike\text{AIOutput} \rightarrow \text{HumanLike}

兩者分布：

PH(x)P_H(x)

與：

PA(x)P_A(x)

會逐步重疊。

即：

DKL(PH∥PA)↓\boxed{ D_{KL}(P_H\parallel P_A) \downarrow }

粗略表示：

光看作品本身，來源越來越難判斷。

因此未來：

Style Detection\boxed{ \text{Style Detection} }

很難取代：

Provenance Verification\boxed{ \text{Provenance Verification} }

22. 「AI 味」最後可能變成時代風格，而不是來源證據

就像某些年代有：

  • 網頁 2.0 味；
  • 手遊味；
  • Unity Indie 味；
  • 90 年代 CGI 味。

未來：

AI-like\boxed{ \text{AI-like} }

可能只是描述：

某一時代的平均美學。

而不是：

這就是 AI 做的。

因此：

AI-like Aesthetic≠AI Provenance\boxed{ \text{AI-like Aesthetic} \neq \text{AI Provenance} }

23. 真正的反同質化不是「禁止 AI」

如果人類本身也會模板化，

那：

AI=0\text{AI}=0

並不能保證：

Homogeneity=0\text{Homogeneity}=0

所以更有效的策略是：

Increase Exploration+Increase Critique+Increase Selection+Increase Identity Constraints\boxed{ \text{Increase Exploration} + \text{Increase Critique} + \text{Increase Selection} + \text{Increase Identity Constraints} }

也就是：

反同質化是一個設計流程問題。\boxed{ \text{反同質化是一個設計流程問題。} }

24. Art Direction 才是真正的核心

Art Direction 不只是：

選顏色。

而是：

Define What Must Differ+Define What Must Stay Coherent\boxed{ \text{Define What Must Differ} + \text{Define What Must Stay Coherent} }

例如：

  • 哪些角色臉型一定要拉開；
  • 哪些派系輪廓必須不同；
  • 哪些配色可以共享；
  • 哪些技術語言不能混；
  • 哪些場景要保留共同世界感。

所以：

Good Art Direction=Controlled Diversity\boxed{ \text{Good Art Direction} = \text{Controlled Diversity} }

25. 敘事也有同樣問題

AI 文本容易：

  • 語氣平均；
  • 太完整；
  • 太順；
  • 缺少怪癖。

但人類大量寫作也可能：

  • 每個角色都像作者本人；
  • 每場對話節奏一樣；
  • 每個反派都同一種邏輯；
  • 每個笑點都同一套路。

因此：

Character Voice Diversity\boxed{ \text{Character Voice Diversity} }

同樣不能靠：

人類寫的。

自動保證。

26. 程式與系統設計也會同質化

同質化不是只有美術。

程式設計者也可能：

每次都用同一種架構。

遊戲設計者也可能：

每次都加 Level、Skill、Currency、Quest。

所以：

Design Homogeneity\boxed{ \text{Design Homogeneity} }

也是一種吸引子。

甚至：

Feature-Oriented Development\boxed{ \text{Feature-Oriented Development} }

本身就可能是一種個人模板。

27. 人類作者性真正來自「哪些地方不跟平均值走」

可以把作者性寫成：

A=∑iwi⋅ΔiA = \sum_i w_i \cdot \Delta_i

其中：

Δi=Deviation from Expected Default\Delta_i = \text{Deviation from Expected Default}

但不是所有偏離都好。

真正有價值的是：

Intentional, Coherent Deviation\boxed{ \text{Intentional, Coherent Deviation} }

即：

我知道平均答案是什麼，但我選擇不那樣做，而且這個偏離與整體作品一致。

28. 這就是「選擇密度」的核心

作者性不是：

我每一步都親手做。

而是：

我在哪些關鍵地方做出了不可替代的選擇。\boxed{ \text{我在哪些關鍵地方做出了不可替代的選擇。} }

所以：

Manual Action Density≠Authorial Selection Density\boxed{ \text{Manual Action Density} \neq \text{Authorial Selection Density} }

這兩者未來必須分開。

29. 高作者性 AI 作品是可能的

若流程：

Human→Define Constraints→AI→Explore→Human→Select→AI→Refine→Human→Integrate\text{Human} \rightarrow \text{Define Constraints} \rightarrow \text{AI} \rightarrow \text{Explore} \rightarrow \text{Human} \rightarrow \text{Select} \rightarrow \text{AI} \rightarrow \text{Refine} \rightarrow \text{Human} \rightarrow \text{Integrate}

則最終：

AI Usage High\boxed{ \text{AI Usage High} }

但：

Human Authorial Control High\boxed{ \text{Human Authorial Control High} }

完全可能同時成立。

30. 低作者性純人類作品也可能存在

相反：

HumanOnly\text{HumanOnly}

但流程：

Reuse Old Template→Repeat→Ship\text{Reuse Old Template} \rightarrow \text{Repeat} \rightarrow \text{Ship}

則：

Human Labor High\boxed{ \text{Human Labor High} }

但：

Authorial Selection Density Low\boxed{ \text{Authorial Selection Density Low} }

所以純人類並不是作者性的充分條件。

31. 人類復古真正不能賣「來源純潔性」而已

如果未來 Human-Retro 市場只賣：

100% 沒用 AI。

但作品：

  • 沒差異；
  • 沒作者性；
  • 沒更高品質；
  • 沒文化意義；

那：

Human-Retro\boxed{ \text{Human-Retro} }

很容易退化成：

Purity Branding\boxed{ \text{Purity Branding} }

而不是：

Creative Value\text{Creative Value}

32. Human-Retro 更合理的賣點

未來真正強的 Human-Retro 作品應該讓人感受到：

這不是「沒有 AI」，而是「有一個非常清楚的人在裡面」。\boxed{ \text{這不是「沒有 AI」，而是「有一個非常清楚的人在裡面」。} }

也就是：

Presence of Human Agency>Absence of AI\boxed{ \text{Presence of Human Agency} > \text{Absence of AI} }

這一句是本篇最重要的結論之一。

33. 一個簡化的反同質化模型

定義：

D=DistinctivenessD = \text{Distinctiveness}

可以粗略寫：

D=E+S+I+C−HD = E + S + I + C - H

其中：

  • EE：Exploration；
  • SS：Selection Density；
  • II：Identity Constraints；
  • CC：Critical Review；
  • HH：Homogenization Pressure。

因此：

D↑\boxed{ D\uparrow }

不需要：

AI↓AI\downarrow

只需要：

E,S,I,C↑E,S,I,C\uparrow

並控制：

HH

34. 對創作者的實務檢驗

可以定期問：

Q1

如果把角色名字遮掉，我還分得出誰是誰嗎？

Q2

如果全部轉灰階，silhouette 還能辨識嗎？

Q3

如果拿掉來源標籤，作品仍然有作者性嗎？

Q4

這十個設計裡，有多少其實是同一個模板？

Q5

哪些地方是「因為我一直這樣做」，而不是「因為這次真的應該這樣做」？

Q6

AI 是在增加探索空間，還是在複製平均答案？

Q7

我有沒有真正拒絕過自己的第一個安全答案？

35. 本篇與系列後續的關係

第一篇處理：

Human-Made 變稀缺\text{Human-Made 變稀缺}

第二篇處理：

稀缺不等於價值\text{稀缺不等於價值}

第三篇進一步證明：

人類來源本身也不等於差異。\boxed{ \text{人類來源本身也不等於差異。} }

所以系列開始真正走向：

Value→Selection→Authorial Agency\boxed{ \text{Value} \rightarrow \text{Selection} \rightarrow \text{Authorial Agency} }

下一篇將從市場端處理：

玩家、讀者、觀眾到底在買什麼？

也就是：

玩家買的是體驗，不是製程純潔性。\boxed{ \text{玩家買的是體驗，不是製程純潔性。} }

36. 結論

AI 時代最容易犯的錯誤之一，是把：

AI\text{AI}

與：

Homogeneity\text{Homogeneity}

直接畫上等號。

但：

同質化不是 AI 專屬現象。\boxed{ \text{同質化不是 AI 專屬現象。} }

它更一般地來自：

高產量+低探索+安全局部最優+市場收斂+缺乏外部審核\boxed{ \text{高產量} + \text{低探索} + \text{安全局部最優} + \text{市場收斂} + \text{缺乏外部審核} }

所以人類完全可能：

畫出「像 AI」的作品。\boxed{ \text{畫出「像 AI」的作品。} }

而 AI 也完全可能在強烈人類選擇、強 Art Direction、強世界約束下，產生高度有作者性的結果。

因此未來真正重要的，不是：

這到底是不是 AI 做的？

而是：

這個作品裡，到底有多少真正不可替代的選擇？\boxed{ \text{這個作品裡，到底有多少真正不可替代的選擇？} }

真正有價值的人類作者性，不是：

Absence of AI\boxed{ \text{Absence of AI} }

而是：

Presence of Distinctive Human Agency\boxed{ \text{Presence of Distinctive Human Agency} }

也就是：

即使不知道製程，我仍然能感受到——這不是平均答案。

這才是 Human-Retro 真正需要保存的東西。