Derfor ser AI-bilder fortsatt falske ut
Av Chatday Editorial Team ·
Du har sett på bildet av en kokk som anretter middagen i tre sekunder når du legger merke til hånden. Tommelen bøyer seg feil vei, og det er en femte finger der en fjerde skulle vært. Alt annet er nydelig. Dampen, lyset, de små stekemerkene på tallerkenen. Men den hånden røper alt, og nå klarer du ikke å la være å se det.
AI-bildeverktøyene har kommet langt. For en generasjon siden smurte de ut ansikter og gjorde tenner til pianotangenter. Nå lager de et portrett som lurer nesten hvem som helst. Nesten. Det er fortsatt en liten gruppe steder der illusjonen slår sprekker, og så snart du vet hvor du skal se, ser du dem overalt.
Så dette er det som faktisk skjer: hvorfor et verktøy som maler hud og hår nydelig fortsatt snubler på en hånd eller et gateskilt, og hva det sier om hvordan disse verktøyene ‘ser’.
Tegnene som fortsatt virker
Noen gamle spor er døde. Plastaktig, retusjert hud og de identiske glimtene i begge øynene skrek før ‘falskt’. De nye modellene håndterer hudtekstur og øyerefleksjoner godt nå, så alene sier de ingenting lenger.
Hva slipper fortsatt gjennom? En håndfull steder der modellen må holde mange små ting konsistente på én gang.
| Hvor du ser | Hva som røper det | Hvorfor det skjer |
|---|---|---|
| Hender i bruk | Ekstra eller sammensmeltede fingre når de griper, overlapper eller holder noe | Posituren er kompleks og detaljene bittesmå, så de lages sist og dårligst |
| Tekst i bakgrunnen | Utflytende bokstaver på et fjernt skilt, en bokrygg eller en etikett | Modellen legger innsatsen i motivet, ikke i det med liten skrift |
| Refleksjoner og skygger | Et speil som viser noe annet, skygger som ikke peker noe sted | Den maler en refleksjon som ser troverdig ut, ikke en fysisk korrekt |
| Gjentakende mønstre | Murrekker som buer seg, fliser som endrer størrelse over bildet | Å holde et matematisk jevnt rutenett over hele bildet er vanskelig |
| Smykker og kanter | En klokke som smelter halvveis inn i håndleddet, en ring som går i ett med huden | To flater som møtes rent er nettopp grensen den sliter med |
Ingen av dem er en vanntett test. De beste modellene i 2026 kan treffe hvilken som helst av dem. Trikset er at de nesten aldri treffer alle på én gang. Et bilde kan ha feilfrie hender og lesbar tekst, og så kommer lyset fra to retninger som ikke kan finnes samtidig.
Hvorfor hender og tekst får AI til å snuble
Nå kommer delen som overrasker. Modellen tegner ikke en hånd. Den aner ikke at en hånd finnes.
Peter Bentley, informatiker ved University College London, sa det rett ut i et intervju med BBC Science Focus: det er ‘2D-bildegeneratorer som ikke har noe begrep om den tredimensjonale geometrien til noe som en hånd’. De lærer ved å suge til seg millioner av bilder og fange opp mønstre. En hånd har som regel en håndflate, noen fingre og noen negler. Men, som Bentley sier, ‘ingen av disse modellene forstår egentlig hva helheten er’.
Tenk på det mindre som en maler og mer som autofullføring for piksler. Modellen forutsier hva som bør komme etterpå ut fra hva den har sett, uten noen gang å telle til fem eller resonnere om hvilken finger som skal hvor. Be om to hender med sammenflettede fingre, og du kan få, med Bentleys ord, ‘to håndledd og en ball av fingre’. Den gjetter en form den har sett massevis, men aldri virkelig forstått.
Det forklarer også problemet med treningsdata. På de fleste bilder er hender et rot. De er halvt skjult, knyttet til never, vinker, holder en kaffekopp eller vridd slik at bare to fingre vises. Ansikter ser rett inn i kameraet på millioner av rene bilder, så modeller ser ansikter fra alle vinkler og i alt lys. Hender ser de mest midt i bevegelsen og halvt tildekket, så en avslappet, utspilt hånd rett forfra er merkelig sjelden i dataene. Modellen blir kjempegod på det den har sett tydelig og ustø på det den har sett i biter.
Tekst er samme historie i annen drakt. For modellen er bokstaver former, ikke språk. Den vet at et skilt bør ha bokstavlignende tegn, så den maler bokstavlignende tegn. På nært hold, på en overskrift, kan de nye modellene stave. Skyv det ut til et fjernt utstillingsvindu eller en vegg av liten skrift, og den faller tilbake til krot som ser ut som ord bare på avstand.
Hva de nye modellene har fikset, og hva de ikke har
Det ville vært urettferdig å late som om ingenting har endret seg. Mye har endret seg.
Hud ser ekte ut nå, med porer og korn i stedet for den voksaktige glansen. Øynene stemmer. Ansikter har mikrouttrykk som unngår den gamle stivheten i uncanny valley. Kort, tydelig tekst kommer ofte rent ut. Enkle, hvilende hender, de som bare ligger i fanget, blir stort sett bra. Hvis du i dag så et toppbilde uten et eneste spor, ville du ikke blunke.
Det som holder stand, er alt som krever at modellen forstår regler i stedet for å kopiere utseender. Fysikk er den store greia. En refleksjon må adlyde geometrien. En skygge må stemme med lyset. En hånd rundt en kopp må vite at koppen er foran noen fingre og bak andre. Det er ikke teksturproblemer, det er logikkproblemer, og en mønstersøker driver ikke med logikk. Bentley påpeker at løsningen trolig går via å trene på ekte 3D-former så modellene ‘forstår formen bak bildene’, og det finnes allerede tidlig arbeid i den retningen, men de hverdagsverktøyene du bruker maler fortsatt flate gjetninger.
Er du nysgjerrig på hvor langt feltet har kommet nettopp med tekstproblemet, gikk vi i dybden på det i AI har endelig lært å stave i bilder. Og vil du bare vite hvilket verktøy som gir de reneste resultatene i dag, stilte vi dem opp i de beste AI-bildegeneratorene.
Slik får du AI-bilder som ikke ser falske ut
Å vite hvorfor bilder ryker forteller deg akkurat hvordan du unngår det. Du styrer modellen vekk fra det den roter til.
Hold hendene rolige eller utenfor bildet. Hvis en hånd ikke trenger å gjøre noe fiklete, la være. Be om hvilende hender, i lommene, eller beskjær rett og slett tettere. Et portrett fra brystet og opp går klar av hele problemet.
Ikke be bildet bære ordene dine. Trenger du en overskrift, en logo eller en bildetekst, legg det til etterpå i et hvilket som helst designverktøy. La modellen lage bildet og legg den ekte teksten oppå selv. Den blir skarp, korrekt og din.
Beskriv lyset. Si hvor det kommer fra. ‘Mykt vinduslys fra venstre’ gir modellen en regel å følge, og skygger og refleksjoner har lett for å havne på plass i stedet for å peke i tilfeldige retninger.
Generer, korriger, generer på nytt. Første resultat er et utkast. Finn sporet, juster prompten eller endre én detalj, og kjør igjen. De som får rene bilder er ikke heldige, de tar bare to eller tre runder. Her hjelper det å jobbe på ett sted, for du kan generere, se det utflytende skiltet og kjøre igjen uten å hoppe mellom apper. Det samme trikset driver mange av produktbildene laget med AI: noen raske runder, ikke én perfekt prompt.
Bruk det ‘ufullkomne’ med vilje. Et litt kornete, usentrert bilde med ekte preg leses som mer autentisk enn et feilfritt. Det er blitt en egen estetikk, og vi skrev om hvorfor AI-bilder ser ufullkomne ut med vilje.
Det ærlige er ikke at AI-bilder er dårlige. Det er at de er selvsikre, og selvsikkerhet er ikke det samme som å ha rett. Bruk tretti sekunder på hjørnene av bildet, så vet du det. Og når du så lager dine egne, kan du rette verktøyet mot det det er godt på og stille gå rundt resten.