AI 繪圖：為什麼它畫不出你的臉
資料偏差：你的臉不在訓練集裡
第一個原因最直接，也最殘酷：你的臉不在訓練集裡。AI 繪圖模型再怎麼強大，它畫出來的東西都受限於它「看過」什麼。主流資料集的組成有嚴重的偏差——以英文網路內容為主、以歐美面孔為大宗、以年輕與符合主流審美標準的臉孔居多。亞洲面孔、中老年面孔、少數族裔、身心障礙者、非主流妝容與造型，在資料集中的比例都偏低。
這意味著，即使你是一位五官清晰的台灣人，模型對「台灣人的臉」的內部表徵可能也相當粗糙。它或許知道「亞洲人」的粗略特徵，但無法精細到「台南人、四十歲、單眼皮、鼻樑有舊傷、笑起來左邊嘴角比較高」這種層次。你的個人特徵在統計分布裡是長尾中的長尾，模型自然只能給你一張「差不多是亞洲人」的平均臉。
地理偏差：資料集以歐美為主，亞洲面孔的細節表徵不足。
年齡偏差：年輕面孔佔多數，中老年特徵容易被模糊化。
審美偏差：資料集傾向收錄「好看」的照片，導致模型只會畫網紅臉。
情境偏差：專業攝影與自拍的分布不均，日常光線下的真實臉孔反而稀少。
提示詞的極限：語言無法精準描述一張臉
第二個原因是「語言的頻寬太窄」。你想讓 AI 畫出你的臉，唯一的溝通管道是提示詞（prompt）。但語言本身對於人臉的描述能力極其有限。你可以說「鵝蛋臉、雙眼皮、臥蠶明顯、鼻頭微肉、唇峰清楚」，但這些詞彙每個人腦中的想像都不一樣，更別說 AI 了。
一張臉之所以是「你的臉」，往往來自於那些語言難以捕捉的細節：眉骨的弧度、眼尾下垂的角度、笑起來時法令紋的走向、下巴那一小塊不對稱、耳朵的形狀、髮際線的鋸齒狀邊緣。這些資訊在文字描述中幾乎完全流失。就算你寫了三百字的臉部描述，AI 能接收到的有效資訊可能不到其中一成。
換句話說，提示詞是一條極窄的頻寬通道，而你的臉是一份超高解析度的資料。用文字去描述一張臉，就像用明信片去快遞一棟房子，註定只能傳遞輪廓，傳不了細節。
模型壓縮與遺忘：細節在潛空間中流失
第三個原因藏在模型的內部結構裡。Stable Diffusion 這類模型並不是直接在像素空間運作，而是先把圖像壓縮到一個較低維度的「潛空間」（latent space），在那裡進行去噪，最後再解碼回像素。這個壓縮過程本身就是一種有損壓縮——一張 512×512 的圖片，被壓縮成 64×64×4 的潛在表徵，細節大量流失。
在潛空間裡，模型保留的是「構圖、姿態、大致風格、粗略五官配置」，而精細的紋理、毛孔、微小的不對稱、獨特的痣與疤痕，往往在壓縮與解碼的過程中就被抹平了。這也是為什麼 AI 畫的臉常常有一種「過度平滑」的塑膠感——不是模型不想畫細節，而是它的內部表徵根本沒保留那麼多細節。
再加上模型容量有限，數十億張臉的資訊被擠進幾億個參數裡，必然發生「災難性遺忘」：罕見特徵被常見特徵覆蓋，個人特色被群體平均稀釋。你的臉在模型眼中，大概就只剩下幾個模糊的標籤。
三、AI 畫臉的三大技術瓶頸
除了上述的統計與資料層面問題，AI 繪圖在「畫人臉」這件事上，還有幾個更硬核的技術瓶頸。這些瓶頸不是調調參數就能解決的，而是牽涉到模型架構與監督訊號的根本限制。
身分一致性難題：同一個人不同角度
第一個瓶頸是「身分一致性」（identity consistency）。你可以輕易讓 AI 畫出一張好看的臉，但要讓它在不同角度、不同表情、不同光線下，畫出「同一個人」，難度就直線上升。這是因為模型學到的是「臉的分布」，而不是「某個人的身分表徵」。
人類辨識臉孔時，靠的是一套高度特化的神經機制，能在各種角度與光線下提取不變的身分特徵。但 AI 繪圖模型沒有這樣的機制，它每一張圖都是獨立生成的，彼此之間沒有「記憶」串連。除非你額外引入身分編碼（identity embedding）或參考圖機制，否則模型每次生成，都是在平均臉的分布裡重新抽樣一次，自然無法保證是同一張臉。
微表情與獨特特徵的丟失
第二個瓶頸是微表情與獨特特徵的丟失。人的臉之所以有辨識度，很大一部分來自於動態的微表情：挑眉的習慣、瞇眼的方式、說話時嘴角的抽動、思考時皺鼻的模樣。這些動態特徵在靜態訓練資料中極難捕捉，因為資料集裡大多是擺拍照片，而非連續的臉部動態。
此外，獨特特徵如痣、疤、胎記、不對稱的雙眼、特殊的齒列，在資料集中屬於少數，模型傾向於把它們「修正」掉，生成一張更符合統計常態的臉。這就是為什麼 AI 畫出來的你，常常像「去醫美微調後的你」——該有的都有，但那些讓你之所以是你的小瑕疵，全被抹平了。
光影與皮膚質感的「塑膠感」
第三個瓶頸是光影與皮膚質感。AI 生成的臉孔常常有一種說不上來的「塑膠感」或「蠟像感」，原因在於模型對次表面散射（subsurface scattering）、毛孔紋理、細紋、汗毛等微觀光學現象的建模能力有限。真實人臉的皮膚是有厚度、會透光、會隨表情產生細微皺褶的複雜生物組織，而 AI 學到的往往只是「看起來像皮膚的貼圖」。
這種塑膠感在近距離特寫時尤其明顯。當你放大檢視 AI 生成的人臉，常會發現毛孔分布不自然、眼角過度平滑、髮絲與皮膚交界處有詭異的融合。這些細節的缺失，讓 AI 的臉始終停留在「很像但就不是」的恐怖谷地帶。
四、那些「畫得像」的案例，其實是怎麼做到的？
講到這裡，你可能會反駁：可是我明明看過有人用 AI 畫出超像本人的照片啊！沒錯，這些案例確實存在，但它們幾乎都不是「純靠提示詞」達成的，而是動用了額外的技術手段。以下拆解三種最常見的做法。
LoRA 與微調：用少量照片教 AI 認識你
第一種做法是「LoRA」（Low-Rank Adaptation）或類似的微調技術。它的原理是：拿十到三十張你的照片，搭配對應的描述文字，對既有的 AI 模型進行小規模的額外訓練，讓模型在原本的權重之上，額外學到一組「你的臉」的低秩修正量。
打個比方，原本的模型是一本厚達千頁的「人類臉孔百科」，LoRA 則是一張貼在書頁邊緣的便利貼，上面寫著「這個人長這樣」。生成時，模型會同時參考百科內容與便利貼，於是就能畫出比較像你的臉。這也是目前社群裡最主流的「AI 分身」做法。
但要注意，LoRA 再怎麼訓練，本質上仍是「在平均臉的基礎上做偏移」，它能抓到你的大致輪廓與風格，但對於極細微的特徵，仍然力有未逮。而且訓練資料的品質與數量，會直接決定像不像——照片不夠多、角度不夠廣、光線不夠多元，畫出來就會「七分像三分不像」。
ControlNet 與參考圖：把臉「貼」上去
第二種做法是「ControlNet」或「IP-Adapter」這類條件控制技術。它的思路更直接：直接拿一張你的照片當作參考，透過額外的網路結構，把照片中的臉部特徵「注入」到生成過程中。這有點像在畫畫時，把一張透明描圖紙墊在下面，照著描。
這種做法能大幅提升相似度，因為它繞過了「用文字描述臉」這條窄頻通道，直接把視覺資訊餵給模型。但它也有明顯的限制：生成結果往往會帶有原照片的構圖與光影痕跡，靈活度較低；而且如果參考照片的角度與目標角度差異太大，模型還是會「腦補」出一個平均化的版本。
換臉與 Deepfake 的倫理邊界
第三種做法是「換臉」（face swap），先讓 AI 生成一張理想的構圖與姿態，再用臉部替換技術，把你的臉「貼」上去。這種做法在技術上已經相當成熟，效果也最逼真，但同時也是爭議最大的一種。
換臉技術牽涉到肖像權、隱私權、名譽權，甚至可能被用於詐騙、誹謗、偽造證據或非自願的性化內容。台灣的《刑法》與相關法規對於偽造文書、妨害名譽、散布猥褻物品等行為都有規範，而隨著 Deepfake 技術普及，各國也正在加緊立法。使用這類技術時，務必取得當事人同意，並清楚標示內容為合成，切勿遊走法律邊緣。
五、AI 畫不出你的臉，其實是好事？
談完了技術瓶頸與可能的破解手段，我們不妨換個角度想：AI 畫不出你的臉，真的是一件壞事嗎？在我看來，這其實是這個時代少數值得慶幸的事之一。
隱私與肖像權的保護傘
第一個理由是隱私。試想，如果 AI 真的能輕易、精準地畫出任何一個人的臉，會發生什麼事？任何人都可以用幾張你在社群媒體上的照片，生成你的各種姿態、表情、場景，甚至是你從未做過的事。這對個人隱私與名譽是毀滅性的威脅。
AI 目前「畫不像」的技術限制，某種程度上反而成了一層保護傘。它讓大規模、低成本、高擬真的身分偽造變得困難，也讓社會有更多時間去建立法律與倫理框架。當然，這層保護傘正在變薄，LoRA 與換臉技術的門檻越來越低，我們不能永遠依賴技術限制來保護自己，但至少現階段，它還勉強撐著。
人類獨特性的最後堡壘
第二個理由是關於「獨特性」。在這個 AI 可以生成無限張完美臉孔的時代，我們反而更應該珍惜那些「不完美」——你的不對稱、你的痣、你的笑紋、你那雙有點歪的眉毛。這些特徵無法被統計平均，無法被模型複製，它們是你之所以是你的證明。
AI 畫不出你的臉，提醒了我們一件事：人的價值不在於符合某種統計上的「標準美」，而在於那些無法被量化、無法被壓縮、無法被平均的細節。當 AI 越來越會畫「好看的臉」，我們或許該重新學會欣賞「真實的臉」。
六、結語：當 AI 越來越會畫臉，我們該如何看待？
總結來說，AI 畫不出你的臉，是因為它從一開始就不是在「畫你」，而是在「統計所有的臉」。你的臉不在訓練資料裡、提示詞的頻寬太窄、潛空間壓縮抹平了細節、模型沒有身分記憶、微表情與皮膚質感難以建模——這些層層疊疊的原因，讓 AI 只能給你一張「平均臉」。
但這不代表 AI 畫臉的技術會停在原地。LoRA、ControlNet、IP-Adapter、換臉技術正在快速演進，未來要生成一張「以假亂真」的個人肖像，門檻只會越來越低。這既帶來創作上的便利，也帶來隱私與倫理上的挑戰。
作為使用者，我們該做的不是恐慌，也不是盲目擁抱，而是理解技術的邊界與風險：知道 AI 為什麼畫不像，才不會對它抱有不切實際的期待；知道它為什麼可能畫得像，才會懂得保護自己的肖像與隱私。
下次當 AI 又畫出一張「很像但就不是你」的臉時，不妨笑一笑。那張平均臉再怎麼精緻，也取代不了你臉上那些獨一無二的、無法被統計的細節。而這，或許正是人類在 AI 時代最值得驕傲的地方。