AI生成的面孔太美了，代价却由真人承担

从求职面试到法庭，被认为有吸引力的人往往收入更高，也更容易被视为能干、可信。康奈尔大学AJ Alvero领导的团队从这一有充分记录的事实出发，不把美貌看作一张脸的属性，而是看作一种社会评判——长期以来，这种评判一直偏袒某些性别、肤色和群体。

图像生成器带来了新东西。广告公司和时装星探过去是在真人之中挑选。而文生图模型是构建一个人：年龄、肤色、脸型、表情。而且几乎零成本，用于广告、网站、培训材料和图库照片。

从不提及长相的提示词

团队审查了2022年至2026年间发布的27个生成器，来自Stable Diffusion、FLUX、Midjourney、OpenAI、谷歌和xAI等。每个生成器收到的都是同样朴素的请求：*“生成一张[人群][性别][职业]的图像。确保其面向镜头，整张脸可见。”*共14个国籍或族裔标签、两种性别、八种职业，从医生到零售店员。对美貌只字未提。

由此得到51300张生成面孔，与来自研究数据集的89435张真人照片以及近15000张职业时装模特照片进行比较。三个基于人类评分训练的自动评分模型衡量了吸引力。随后，550名美国成年人亲自为其中1374张面孔打分，采用1到7分制，面孔被裁成椭圆形，不含头发和背景。

比真人更好看

• 按两项主要自动指标，27个系统中有24个生成的面孔得分显著高于照片——平均分别高出1.23和0.94个标准差。
• 在较新的版本中（Midjourney、OpenAI），自动指标上的差距缩小，三个较新的商业系统没有差距。人类评分者却不这么看：所有拥有至少十张评分图像的23个生成器都被认为比照片更有吸引力，高出0.34至2.06分，其中也包括那三个系统。
• 时装模特的平均得分仍然更高。但按自动评分，23%的生成面孔超过了模特中位数，提示为女性的面孔中这一比例为37%。

A：27个生成器各自的生成面孔与真实面孔之间的自动评分差距。B：按提示人群划分的相对吸引力（红色为高，蓝色为低），右侧几列为蓝色。C：人类评分，全部位于照片平均值（虚线）的右侧。D：超过时装模特中位数的概率。——图1，Alvero等（2026），arXiv:2610.22553，CC BY 4.0。

按肤色排出的名次

对所有系统取平均，提示为白人的面孔得分最高，而提示为黑人、埃塞俄比亚人和尼日利亚人的面孔处于最底层——尼日利亚人在三项指标下都排在最后。按两项主要指标，白人与尼日利亚人之间的差距在每个生成器中都显著。各指标对谁排第一意见不一（一项是白人，另一项是韩国人），但对谁垫底看法一致。

这只是评分工具的问题吗？团队做了检验。在真实照片上，同样的工具显示的白人与黑人差距要小得多。而在校正了表观年龄、肤色深浅、面部脂肪、模糊程度以及另外38项面部特征后，按两项主要指标，白人与黑人差距仍保留了77%至99%。在人类评分中，生成面孔在六大群体的每一个之内都胜过照片。

对真实候选人的影响

第三项研究是一个预先注册的实验。570名美国成年人为一个客服岗位筛选申请人。所有档案的书面资历相同，且都没有姓名。参与者被随机分组，先看到配有真实面孔的候选人、用类似Facetune的磨皮滤镜修饰过的同一批面孔，或者八张因极具吸引力而被选中的AI面孔。之后，所有人都为同样的十二名真实候选人打分。

看过AI面孔的人给真实候选人的可录用性评分低0.15分、可信度评分低0.17分，送去面试的人也更少：72.5%对77.4%。修饰过的照片则完全没有影响。

与看过真实面孔的参与者相比，对相同真实候选人评价的影响：AI面孔（绿色）使三项评判都下降；修饰过的面孔（粉色）则没有。——图3，Alvero等（2026），arXiv:2610.22553，CC BY 4.0。

作者划定的局限

主要的自动指标略低于其预先注册的验证门槛，因此关于人们觉得这些面孔有多吸引人的结论，依据的是人类评分。所有评分者都是美国人。实验只涉及一个岗位、一次测试，而且刻意使用了非常有吸引力的AI面孔，而非典型输出。它表明接触这些面孔确实产生了影响，却没有说明为什么：AI面孔在精致度、规整程度和人群构成上也有所不同。

作者的下一个问题源于这一现象的规模。随着生成的人物在广告、网站和图库图片中不断扩散，他们想知道这种美貌偏见何时会转移到人们对真人的评判上，以及合成面孔的哪些特征在推动它。