Därför ser AI-bilder fortfarande fejkade ut
Av Chatday Editorial Team ·
Du har tittat i tre sekunder på bilden av en kock som lägger upp middagen när du lägger märke till handen. Tummen böjer sig åt fel håll, och det finns ett femte finger där ett fjärde borde vara. Allt annat är underbart. Ångan, ljuset, de små stekmärkena på tallriken. Men den där handen avslöjar allt, och nu kan du inte sluta se det.
AI-bildverktygen har kommit långt. För en generation sedan smetade de ut ansikten och gjorde tänder till pianotangenter. Nu skapar de ett porträtt som lurar nästan vem som helst. Nästan. Det finns kvar en liten grupp ställen där illusionen spricker, och så fort du vet var du ska titta ser du dem överallt.
Så det här är vad som faktiskt händer: varför ett verktyg som målar hud och hår underbart fortfarande snubblar på en hand eller en gatuskylt, och vad det säger om hur de här verktygen ‘ser’.
Tecknen som fortfarande fungerar
Vissa gamla ledtrådar är döda. Plastig, retuscherad hud och de där identiska glimtarna i båda ögonen skrek förr ‘fejk’. De nya modellerna klarar hudtextur och ögonreflexer bra numera, så var för sig säger de inget längre.
Vad slinker fortfarande igenom? En handfull ställen där modellen måste hålla många små saker konsekventa samtidigt.
| Var du tittar | Vad som avslöjar det | Varför det händer |
|---|---|---|
| Händer i rörelse | Extra eller ihopsmälta fingrar när de greppar, överlappar eller håller något | Posen är komplex och detaljerna pyttesmå, så de görs sist och sämst |
| Text i bakgrunden | Utsmälta bokstäver på en avlägsen skylt, en bokrygg eller en etikett | Modellen lägger kraften på motivet, inte på finstilta detaljer |
| Reflexer och skuggor | En spegel som visar något annat, skuggor som inte pekar någonstans | Den målar en reflex som ser trolig ut, inte en fysiskt korrekt |
| Upprepade mönster | Tegelrader som böjer sig, plattor som ändrar storlek över bilden | Att hålla ett matematiskt jämnt rutnät över hela bilden är svårt |
| Smycken och kanter | En klocka som smälter halvvägs in i handleden, en ring som går ihop med huden | Två ytor som möts rent är precis den gräns som den har svårt med |
Inget av dem är ett vattentätt test. De bästa modellerna 2026 kan pricka vilket som helst av dem. Knepet är att de nästan aldrig prickar alla på en gång. En bild kan ha felfria händer och läsbar text, och sedan kommer ljuset från två håll som inte kan finnas samtidigt.
Varför händer och text får AI att snubbla
Nu kommer delen som förvånar. Modellen ritar inte en hand. Den har ingen aning om att en hand finns.
Peter Bentley, datavetare vid University College London, sa det rakt ut i en intervju med BBC Science Focus: det är ‘2D-bildgeneratorer som inte har någon som helst uppfattning om den tredimensionella geometrin hos något som en hand’. De lär sig genom att suga i sig miljontals bilder och plocka upp mönster. En hand har oftast en handflata, några fingrar och några naglar. Men, som Bentley säger, ‘ingen av de här modellerna förstår egentligen vad helheten är’.
Tänk på det mindre som en målare och mer som autokomplettering för pixlar. Modellen förutsäger vad som borde komma härnäst utifrån vad den har sett, utan att någonsin räkna till fem eller resonera om vilket finger som ska var. Be om två händer med sammanflätade fingrar, och du kan få, med Bentleys ord, ‘två handleder och en boll av fingrar’. Den gissar en form som den har sett massor men aldrig riktigt förstått.
Det förklarar också problemet med träningsdata. På de flesta foton är händer ett virrvarr. De är halvt dolda, knutna till nävar, vinkar, håller en kaffekopp eller vridna så att bara två fingrar syns. Ansikten tittar rakt in i kameran på miljontals rena bilder, så modeller ser ansikten från alla vinklar och i allt ljus. Händer ser de mest mitt i rörelsen och halvt skymda, så en avslappnad, utspärrad hand rakt framifrån är konstigt sällsynt i datan. Modellen blir jättebra på det den sett tydligt och skakig på det den sett i bitar.
Text är samma historia i annan kostym. För modellen är bokstäver former, inte språk. Den vet att en skylt borde ha bokstavsliknande tecken, så den målar bokstavsliknande tecken. På nära håll, på en rubrik, kan de nya modellerna stava. Skjut ut det till ett avlägset skyltfönster eller en vägg av finstilt text, och den faller tillbaka till klotter som ser ut som ord bara på avstånd.
Vad de nya modellerna har fixat, och vad de inte har
Det vore orättvist att låtsas att inget har ändrats. Mycket har ändrats.
Huden ser äkta ut nu, med porer och korn i stället för den där vaxartade glansen. Ögonen stämmer. Ansikten har mikrouttryck som undviker den gamla stelheten i uncanny valley. Kort, framträdande text kommer ofta ut rent. Enkla, vilande händer, de som bara ligger i knäet, brukar bli bra. Om du i dag såg en toppbild utan en enda ledtråd skulle du inte blinka.
Det som håller emot är allt som kräver att modellen förstår regler i stället för att kopiera utseenden. Fysik är den stora grejen. En reflex måste lyda geometrin. En skugga måste stämma med ljuset. En hand runt en kopp måste veta att koppen är framför vissa fingrar och bakom andra. Det är inte texturproblem, det är logikproblem, och en mönstersökare gör inte logik. Bentley påpekar att lösningen troligen går via att träna på riktiga 3D-former så att modellerna ‘förstår formen bakom bilderna’, och det finns redan tidigt arbete i den riktningen, men de vardagsverktyg du använder målar fortfarande platta gissningar.
Om du är nyfiken på hur långt fältet har kommit just med textproblemet, gick vi på djupet med det i AI har äntligen lärt sig att stava i bilder. Och om du bara vill veta vilket verktyg som ger de renaste resultaten i dag ställde vi upp dem i de bästa AI-bildgeneratorerna.
Så får du AI-bilder som inte ser fejkade ut
Att veta varför bilder går sönder säger dig exakt hur du undviker det. Du styr modellen bort från det den fumlar med.
Håll händerna lugna eller utanför bilden. Om en hand inte behöver göra något fingerfärdigt, låt den slippa. Be om vilande händer, i fickorna, eller beskär helt enkelt tätare. Ett porträtt från bröstet och upp kringgår hela problemet.
Be inte bilden bära dina ord. Behöver du en rubrik, en logga eller en bildtext, lägg till den efteråt i ett valfritt designverktyg. Låt modellen göra bilden och lägg den riktiga texten ovanpå själv. Den blir skarp, korrekt och din.
Beskriv ljuset. Säg var det kommer ifrån. ‘Mjukt fönsterljus från vänster’ ger modellen en regel att följa, och skuggor och reflexer tenderar att hamna på plats i stället för att peka åt slumpmässiga håll.
Generera, korrigera, generera igen. Första resultatet är ett utkast. Hitta ledtråden, justera prompten eller ändra en detalj, och kör igen. De som får rena bilder har inte tur, de gör bara två eller tre omgångar. Här hjälper det att jobba på ett ställe, för du kan generera, se den utsmälta skylten och köra igen utan att hoppa mellan appar. Samma knep driver många av produktbilderna gjorda med AI: några snabba omgångar, inte en enda perfekt prompt.
Utnyttja det ‘ofullkomliga’ med flit. En lite kornig, ocentrerad bild med äkta känsla läses som mer autentisk än en felfri. Det är numera en egen estetik, och vi skrev om varför AI-foton ser ofullkomliga ut med flit.
Det ärliga är inte att AI-bilder är dåliga. Det är att de är självsäkra, och självsäkerhet är inte samma sak som att ha rätt. Lägg trettio sekunder på bildens hörn så vet du. Och sedan, när du gör dina egna, kan du rikta verktyget mot det det är bra på och tyst gå runt resten.