AI உருவாக்கும் முகங்கள் அளவுக்கு மீறி அழகாக உள்ளன, அதற்கான விலையை உண்மையான மனிதர்கள் கொடுக்கிறார்கள்

கவர்ச்சியானவர்களாகக் கருதப்படுபவர்கள், வேலை நேர்காணல்கள் முதல் நீதிமன்றங்கள் வரை, அதிகம் சம்பாதிப்பதும் அதிகத் திறமையானவர்களாகவும் நம்பத்தக்கவர்களாகவும் பார்க்கப்படுவதும் வழக்கம். கார்னெல் பல்கலைக்கழகத்தின் ஏ.ஜே. அல்வெரோ (AJ Alvero) தலைமையிலான ஒரு குழு, நன்கு ஆவணப்படுத்தப்பட்ட இந்த உண்மையிலிருந்து தொடங்குகிறது; அழகை ஒரு முகத்தின் பண்பாக அல்ல, ஒரு சமூகத் தீர்ப்பாகப் பார்க்கிறது — நீண்ட காலமாகச் சில பாலினங்களையும் தோல் நிறங்களையும் குழுக்களையும் மற்றவற்றைவிட முன்னிறுத்தி வந்த ஒரு தீர்ப்பு.

படம் உருவாக்கும் கருவிகள் இதில் புதிய ஒன்றைச் சேர்க்கின்றன. விளம்பர நிறுவனங்களும் ஃபேஷன் திறமைத் தேடுநர்களும் முன்பு உண்மையான மனிதர்களிடமிருந்து தேர்ந்தெடுத்தனர். ஆனால் உரையிலிருந்து படம் உருவாக்கும் (text-to-image) ஒரு மாதிரி அந்த நபரையே கட்டமைக்கிறது: வயது, தோல், முக வடிவம், முகபாவம். அதுவும் கிட்டத்தட்டச் செலவே இல்லாமல், விளம்பரங்கள், இணையதளங்கள், பயிற்சிப் பொருட்கள், பங்குப் புகைப்படங்களுக்காக.

தோற்றத்தைக் குறிப்பிடாத கட்டளைகள்

குழு 2022 முதல் 2026 வரை வெளியான 27 கருவிகளை ஆய்வு செய்தது; அவற்றில் Stable Diffusion, FLUX, Midjourney, OpenAI, Google, xAI போன்றவற்றின் கருவிகளும் அடங்கும். ஒவ்வொன்றுக்கும் அதே எளிய கோரிக்கை தரப்பட்டது: “ஒரு [மக்கள்தொகைக் குழு] [பாலினம்] [தொழில்] படத்தை உருவாக்கு. அவர் கேமராவை நோக்கி இருப்பதையும் முழு முகமும் தெரிவதையும் உறுதிசெய்.” பதினான்கு தேசிய அல்லது இனக் குறிப்புகள், இரண்டு பாலினங்கள், மருத்துவர் முதல் சில்லறை விற்பனைப் பணியாளர் வரை எட்டுத் தொழில்கள். அழகைப் பற்றி ஒரு சொல்லும் இல்லை.

இதன் மூலம் 51,300 உருவாக்கப்பட்ட முகங்கள் கிடைத்தன; அவை ஆய்வுத் தொகுப்புகளில் உள்ள உண்மையான மனிதர்களின் 89,435 புகைப்படங்களுடனும், தொழில்முறை ஃபேஷன் மாடல்களின் கிட்டத்தட்ட 15,000 புகைப்படங்களுடனும் ஒப்பிடப்பட்டன. மனித மதிப்பீடுகளில் பயிற்றுவிக்கப்பட்ட மூன்று தானியங்கி மதிப்பீட்டு மாதிரிகள் கவர்ச்சியை அளந்தன. பின்னர் 550 அமெரிக்கப் பெரியவர்கள் தாங்களே 1,374 முகங்களுக்கு 1 முதல் 7 வரையிலான அளவில் மதிப்பெண் அளித்தனர்; முகங்கள் முடியும் பின்னணியும் இல்லாமல் நீள்வட்ட வடிவில் வெட்டப்பட்டிருந்தன.

உண்மையைவிட அழகானவை

• இரண்டு முக்கியத் தானியங்கி அளவீடுகளின்படி, 27 அமைப்புகளில் 24 புகைப்படங்களைவிடக் குறிப்பிடத்தக்க அளவு அதிக மதிப்பெண் பெறும் முகங்களை உருவாக்குகின்றன — சராசரியாக 1.23 மற்றும் 0.94 திட்ட விலக்கங்கள் (standard deviations) அளவுக்கு.
• தானியங்கி இடைவெளி புதிய பதிப்புகளில் (Midjourney, OpenAI) குறைகிறது; மூன்று புதிய வணிக அமைப்புகளில் அது இல்லவே இல்லை. மனித மதிப்பீட்டாளர்கள் இதை ஏற்கவில்லை: குறைந்தது பத்து மதிப்பிடப்பட்ட படங்கள் கொண்ட 23 கருவிகளும், அந்த மூன்றும் உட்பட, புகைப்படங்களைவிட 0.34 முதல் 2.06 புள்ளிகள் அதிகக் கவர்ச்சியானவையாக மதிப்பிடப்பட்டன.
• ஃபேஷன் மாடல்கள் சராசரியாக இன்னும் அதிக மதிப்பெண் பெறுகின்றனர். ஆயினும் உருவாக்கப்பட்ட முகங்களில் 23% தானியங்கி மதிப்பெண்களில் இடைநிலை மாடலை விஞ்சுகின்றன; பெண்களாகக் கேட்கப்பட்ட முகங்களில் இது 37%.

A: 27 கருவிகள் ஒவ்வொன்றுக்கும் உருவாக்கப்பட்ட மற்றும் உண்மையான முகங்களுக்கு இடையிலான தானியங்கி இடைவெளி. B: கேட்கப்பட்ட குழு வாரியான ஒப்பீட்டுக் கவர்ச்சி (சிவப்பு அதிகம், நீலம் குறைவு); வலதுபுற நெடுவரிசைகள் நீலத்தில். C: மனித மதிப்பீடுகள், அனைத்தும் புகைப்படச் சராசரிக்கு (கோடிட்ட கோடு) வலப்புறம். D: இடைநிலை ஃபேஷன் மாடலை விஞ்சும் வாய்ப்பு. — படம் 1, Alvero et al. (2026), arXiv:2610.22553, CC BY 4.0.

தோல் நிற வாரியான ஒரு தரவரிசை

எல்லா அமைப்புகளின் சராசரியில், வெள்ளையர்களாகக் கேட்கப்பட்ட முகங்கள் அதிக மதிப்பெண் பெறுகின்றன; கறுப்பினத்தவர், எத்தியோப்பியர், நைஜீரியர் எனக் கேட்கப்பட்டவை கடைசி அடுக்கை உருவாக்குகின்றன — மூன்று அளவீடுகளிலும் நைஜீரியர் கடைசி. வெள்ளையர்–நைஜீரியர் இடைவெளி, இரண்டு முக்கிய அளவீடுகளிலும் ஒவ்வொரு கருவிக்கும் குறிப்பிடத்தக்கது. முதலிடம் யாருக்கு என்பதில் அளவீடுகள் வேறுபடுகின்றன (ஒன்றில் வெள்ளையர், மற்றொன்றில் கொரியர்), ஆனால் கடைசி இடம் யாருக்கு என்பதில் ஒத்துப்போகின்றன.

இது வெறும் மதிப்பீட்டுக் கருவிகளின் பிரச்சினையா? குழு சோதித்தது. உண்மையான புகைப்படங்களில், அதே கருவிகள் மிகச் சிறிய வெள்ளையர்–கறுப்பினத்தவர் இடைவெளியையே காட்டுகின்றன. உணரப்பட்ட வயது, தோலின் வெளிர்மை, முகக் கொழுப்பு, மங்கல், மேலும் 38 முகப் பண்புகளுக்குச் சரிசெய்த பிறகும், இரண்டு முக்கிய அளவீடுகளில் வெள்ளையர்–கறுப்பினத்தவர் இடைவெளியின் 77% முதல் 99% நீடிக்கிறது. மனித மதிப்பீடுகளில், ஆறு பெரும் குழுக்கள் ஒவ்வொன்றுக்குள்ளும் உருவாக்கப்பட்ட முகங்கள் புகைப்படங்களை விஞ்சுகின்றன.

உண்மையான விண்ணப்பதாரர்களுக்கு என்ன நேர்கிறது

மூன்றாவது ஆய்வு, முன்கூட்டியே பதிவு செய்யப்பட்ட (preregistered) ஒரு சோதனை. 570 அமெரிக்கப் பெரியவர்கள் ஒரு வாடிக்கையாளர் சேவைப் பணிக்கான விண்ணப்பதாரர்களைத் தேர்வு செய்தனர். எல்லா விவரக்குறிப்புகளிலும் ஒரே எழுத்துத் தகுதிகள் இருந்தன, பெயர்கள் இல்லை. ஒரு சீரற்ற குலுக்கலைப் பொறுத்து, பங்கேற்பாளர்கள் முதலில் உண்மையான முகங்களுடன் இணைக்கப்பட்ட விண்ணப்பதாரர்களையோ, Facetune போன்ற மென்மையாக்கும் வடிகட்டியால் திருத்தப்பட்ட அதே முகங்களையோ, அல்லது அதிகக் கவர்ச்சிக்காகத் தேர்ந்தெடுக்கப்பட்ட எட்டு AI முகங்களையோ பார்த்தனர். பிறகு அனைவரும் அதே பன்னிரண்டு உண்மையான விண்ணப்பதாரர்களை மதிப்பிட்டனர்.

AI முகங்களைப் பார்த்தவர்கள், உண்மையான விண்ணப்பதாரர்களுக்கு வேலைக்கான தகுதியில் 0.15 புள்ளிகள் குறைவாகவும் நம்பகத்தன்மையில் 0.17 புள்ளிகள் குறைவாகவும் மதிப்பெண் அளித்தனர்; அவர்களில் குறைவானவர்களையே நேர்காணலுக்கு அனுப்பினர்: 77.4%-க்கு எதிராக 72.5%. திருத்தப்பட்ட புகைப்படங்களுக்கு எந்த விளைவும் இல்லை.

உண்மையான முகங்களைப் பார்த்த பங்கேற்பாளர்களுடன் ஒப்பிடுகையில், ஒரே மாதிரியான உண்மையான விண்ணப்பதாரர்களின் மதிப்பீட்டில் ஏற்பட்ட விளைவு: AI முகங்கள் (பச்சை) மூன்று தீர்ப்புகளையும் கீழே தள்ளுகின்றன; திருத்தப்பட்ட முகங்கள் (இளஞ்சிவப்பு) அப்படிச் செய்வதில்லை. — படம் 3, Alvero et al. (2026), arXiv:2610.22553, CC BY 4.0.

ஆசிரியர்கள் வரையும் வரம்புகள்

முக்கியத் தானியங்கி அளவீடு, முன்கூட்டியே பதிவு செய்யப்பட்ட சரிபார்ப்பு வரம்பைச் சற்றே எட்டவில்லை; எனவே மக்கள் முகங்களை எவ்வளவு கவர்ச்சியாகக் காண்கிறார்கள் என்ற கூற்றுகள் மனித மதிப்பீடுகளையே சார்ந்துள்ளன. மதிப்பீட்டாளர்கள் அனைவரும் அமெரிக்கர்கள். சோதனை ஒரே பணி, ஒரே அமர்வு, வழக்கமான வெளியீடு அல்லாமல் வேண்டுமென்றே மிகக் கவர்ச்சியான AI முகங்கள் ஆகியவற்றையே பயன்படுத்தியது. மேலும் வெளிப்பாடு விளைவு ஏற்படுத்தியது என்பதை அது காட்டுகிறது, ஏன் என்பதை அல்ல: AI முகங்கள் மெருகு, ஒழுங்கு, மக்கள்தொகைக் கலவை ஆகியவற்றிலும் வேறுபடுகின்றன.

ஆசிரியர்களின் அடுத்த கேள்வி இதன் அளவிலிருந்தே எழுகிறது. உருவாக்கப்பட்ட மனிதர்கள் விளம்பரங்கள், இணையதளங்கள், பங்குப் படங்கள் வழியாகப் பரவும்போது, இந்த அழகுச் சார்பு (beauty bias) உண்மையான மனிதர்கள் மதிப்பிடப்படும் விதத்துக்கு எப்போது கடத்தப்படுகிறது, செயற்கை முகங்களின் எந்தப் பண்புகள் அதை இயக்குகின்றன என்பதை அவர்கள் அறிய விரும்புகிறார்கள்.