چرا منوهای هوش مصنوعی اشتهای مشتریان را کور می‌کنند؟

ورود تصاویر بیش از حد صیقلی و تصنعی به صنعت رستوران‌داری نه‌تنها به جذب مشتری کمکی نکرده، بلکه نوعی دلزدگی روانی و بی‌اشتهایی ناخودآگاه در مخاطبان ایجاد کرده است. منوهای ساخته‌شده با ابزارهای هوش مصنوعی مولد اکنون با چالش علمی «دره وهمی» و واکنش تند مشتریان مواجه شده‌اند.

نخستین باری که با چنین صحنه‌ای روبه‌رو می‌شوید، گمان می‌کنید عقل از سرتان پریده است. وارد کافه‌ای می‌شوید و به منویی با انواع و اقسام ساندویچ‌های بیگل نگاه می‌کنید؛ اما تک‌تک تصاویر به‌طرز وهم‌آوری بی‌نقص، کاملا متقارن و به‌شکلی غریب صیقلی و یکدست هستند؛ تصویری آزاردهنده که این حس درونی را بیدار می‌کند که گویی یک جای کار می‌لنگد. شاید تصور کنید دچار توهم شده‌اید، اما واقعا مشکلی متوجه ذهن شما نیست. منوهای هوش مصنوعی به لطف مدل‌هایی پا به صنعت رستوران‌داری گذاشته‌اند که بر پایهٔ زیبایی‌شناسی محدود و تصنعی آموزش دیده‌اند؛ سبکی که حتی اگر نتوانید دلیلش را به زبان بیاورید، حس غیرطبیعی و ناخوشایندی را القا می‌کند.

گاهی این تصاویر به‌شکلی فاحش جعلی به نظر می‌رسند؛ مانند بوریتویی با پنیری چنان جوشیده و کش‌آمده که بیشتر به یک اثر هنری آوانگارد شباهت دارد تا یک وعده ناهار. در همین زمینه یکی از کاربران شبکه اجتماعی ایکس با نام مگی می‌نویسد: «اگر در نیویورک سنگی پرتاب کنید، حتما به یک تبلیغ غذایی نسبتا زننده از هوش مصنوعی برخورد خواهد کرد.» (Maggie [@maggiemoda]، ۲۸ اوت ۲۰۲۶: pic.twitter.com/lLXVkFIFoG) اما در اغلب موارد، این تصاویر آن‌قدر معمولی به نظر می‌رسند که تنها زمانی متوجه ایراد کار می‌شوید که چند لحظه با دقت و وسواس بیشتری به آن‌ها خیره شوید.

الکس لایل، مدیر ارشد فناوری Reality Defender، در گفت‌وگو با تک‌کرانچ اظهار داشت: «این ماجرا دقیقا مثل این است که یک موجود فضایی ناشناخته، بدون درک ماهیت و اصول اولیهٔ یک پیتزا، تلاش کند آن را درست کند.» (مجموعهٔ Reality Defender خود بخشی از جریان رو به رشد استارتاپ‌هایی است که ابزارهای تشخیص محتوای هوش مصنوعی و راستی‌آزمایی را عرضه می‌کنند؛ کسب‌وکاری که تا حدی دقیقا به‌دلیل بروز چنین مسائلی پا گرفته است).

لایل توضیح می‌دهد که شیوهٔ توسعه و آموزش این مدل‌ها دلیل اصلی روی آوردن این تصاویر به چنین زیبایی‌شناسی خاصی را روشن می‌کند؛ فضایی که در آن هر اسکوپ بستنی کاملا کروی و بی‌نقص است و میگوها نیز چنان به نظر می‌رسند که گویی دستکاری ژنتیکی شده‌اند تا دم خود را ببلعند؛ پدیده‌ای که نوعی کابوس غذایی لاوکرافتی خلق کرده است.

مدل‌های زبانی بزرگ (LLM) و مدل‌های دیفیوژن (Diffusion Models) — یعنی همان مدل‌های هوش مصنوعی که چت‌بات‌های همه‌چیزدان و ابزارهای تصویرساز نظیر ChatGPT و Midjourney را ممکن ساخته‌اند — روی حجم عظیمی از داده‌ها آموزش دیده‌اند. این مدل‌ها سپس الگوهای موجود در این داده‌ها را شناسایی می‌کنند تا پیش‌بینی کنند کاربر در ازای درخواستی نظیر «برای یک رستوران برگر منو طراحی کن»، دقیقا چه تصویری را مد نظر دارد.

لایل می‌گوید: «بسیاری از این تصاویر شبیه منوی سال ۲۰۱۵ رستوران‌های زنجیره‌ای Chili’s به نظر می‌رسند، و این اتفاق دلیل مشخصی دارد؛ زیرا کل پیکره و مجموعهٔ داده‌هایی که این مدل‌ها عملکرد خود را از آن الگوبرداری کرده‌اند، دقیقا متعلق به همان دوره و سبک بوده است.»

نمونه‌ای از تصاویر اغراق‌آمیز و غیرطبیعی که توسط مدل‌های هوش مصنوعی برای منوی رستوران‌ها تولید می‌شوند.

(اعتبار تصویر: ChatGPT Image 2.0)

خطر همگرایی و افت کیفیت در منوهای هوش مصنوعی

داده‌های آموزشی جدید برای شرکت‌های سازنده مدل‌های هوش مصنوعی ارزشی حیاتی دارند؛ تا جایی که مشخص شده آمازون حتی به جمع‌آوری کتاب‌های کمیاب روی آورده تا پس از اسکن و افزودن به داده‌های آموزشی خود، آن‌ها را از بین ببرد. در این میان، نفوذ بخشی از محتوای تولیدشده توسط هوش مصنوعی به درون این مجموعه‌داده‌های بی‌اندازه بزرگ، اجتناب‌ناپذیر است. با این حال، زمانی که مدل‌های هوش مصنوعی بیش از حد با محتوای تولیدی خود آموزش ببینند، با خطر «فروپاشی مدل» (Model Collapse) روبه‌رو می‌شوند.

لایل در این رابطه توضیح داد: «فروپاشی مدل تقریبا شبیه به بیماری جنون گاوی است… وقتی خروجی‌های یک مدل را دوباره به عنوان خوراک به خودش بازمی‌گردانید، در نهایت توالی این بازتولید درون‌گروهی و بازتغذیهٔ پیاپی داده‌ها بیش از اندازه می‌شود و کل ساختار فرو می‌پاشد. آنچه در اینجا شاهدش هستیم، همگرایی (Convergence) است که لزوما به‌معنای فروپاشی کامل مدل نیست.»

پدیده همگرایی تا حدی شدت کمتری دارد؛ این حالت اگرچه کارایی هوش مصنوعی را به کلی از بین نمی‌برد، اما کیفیت خروجی‌های آن را کاهش می‌دهد.

اگر کاربری از یک مدل هوش مصنوعی بخواهد منویی برای یک رستوران فست‌فود طراحی کند، این مدل به احتمال زیاد به منوهای زنجیره‌های معروفی همچون وندیز (Wendy’s)، برگر کینگ (Burger King)، مک‌دونالد (McDonald’s) یا سایر برندهای نام‌آشنا ارجاع خواهد داد. از آنجا که سبک طراحی این منوها در حال حاضر نیز بسیار به یکدیگر شباهت دارد، خروجی‌های تولیدشده با هوش مصنوعی نیز همان سبک را تقلید می‌کنند؛ روندی که در صورت ورود دوباره این منوهای مصنوعی به داده‌های آموزشی، آن سبک یکنواخت را بیش از پیش تقویت خواهد کرد.

با این همه، منوها و تبلیغات غذا همواره ظاهر بسیار جذاب‌تری نسبت به غذای واقعی دارند؛ درست مانند ساندویچ بیگ‌مک در تبلیغات مک‌دونالد که هر لایه از آن توسط طراحان صحنه به‌گونه‌ای چیده می‌شود تا در بیشترین حد ممکن وسوسه‌انگیز و لذیذ به نظر برسد. این جلوه اغراق‌آمیز در خروجی‌های هوش مصنوعی حتی دوچندان می‌شود.

لی رینی (Lee Rainie)، مدیر مرکز «تصور آینده دیجیتال» در دانشگاه ایلان، در گفت‌وگو با تک‌کرانچ اظهار داشت: «بهینه‌سازی مجموعه‌داده‌ها به‌گونه‌ای انجام می‌شود که تصویر ارائه‌شده دلپذیر باشد یا به بیانی دیگر، هیچ زنندگی یا حس منفی ایجاد نکند؛ از همین رو این روند به یکدست‌سازی و همگن‌شدن می‌انجامد. ویژگی شناخته‌شده هوش مصنوعی، چه در حوزه تصویر و چه در زبان، زدودن تمایزها و یکدست‌سازی ناهمواری‌هاست.»

دور باطل ویرایش و بروز پدیده «دره وهمی»

در مقیاسی ملموس‌تر و محلی، به نظر می‌رسد این پرداخت و صیقل‌دادن مداوم تصاویر زمانی رخ می‌دهد که شما از ابزارهای تولید تصویر هوش مصنوعی برای طراحی منو استفاده کرده و سپس روی آن اصلاحات مکرر انجام می‌دهید. در شبکه اجتماعی ایکس (توییتر سابق)، کاربری با نام Labtec نشان داد وقتی منویی را در چت‌جی‌پی‌تی (ChatGPT) بسازید و ۱۰۰ بار آن را ویرایش کنید چه اتفاقی می‌افتد و چگونه غذاها لحظه به لحظه ظاهر واقعی و مورد انتظار خود را بیشتر از دست می‌دهند. (ما نیز این آزمایش را تکرار کردیم و به نتایج مشابهی رسیدیم.)

کاربر Labtec نوشت: «نتیجه نهایی واقعا حالم را به هم می‌زند و حس ناخوشایندی القا می‌کند.»

«من یک منوی رستوران را در چت‌جی‌پی‌تی ساختم و سپس ۱۰۰ بار آن را ویرایش کردم تا ببینم این منوهای بی‌کیفیت و ملال‌آور در نهایت چطور به این روز می‌افتند. نتیجه نهایی واقعا حالم را به هم می‌زند.» — Labtec (@labtec901) ۱۹ اوت ۲۰۲۶

رستوران‌ها احتمالا قربانی همین معضل شده‌اند؛ آن‌ها مدام منوهای هوش مصنوعی خود را ویرایش می‌کنند تا جزئیات کوچکی نظیر قیمت‌ها یا نام اقلام را تغییر دهند. به نظر می‌رسد با هر بار ویرایش، تصاویر غذاها اندکی گردتر، صیقلی‌تر و بیش از حد بی‌نقص می‌شوند.

رینی می‌گوید: «مردم حسی تقریبا غیرقابل‌توضیح نسبت به این موضوع دارند و متوجه می‌شوند چه زمانی به چیزی نگاه می‌کنند که ساخته دست هوش مصنوعی است، در مقایسه با چیزی که از ابتدا واقعی بوده است. این تنها یک ادراک حسی است که گاهی بیان آن برای افراد دشوار است، اما با دیدنش آن را حس می‌کنند؛ و فکر می‌کنم همین مسئله یکی از دلایلی است که واکنش‌های منفی اولیه علیه رستوران‌هایی که از منوهای هوش مصنوعی استفاده می‌کنند تا این حد شدید بوده است.»

پشت پرده این بیزاری و دلزدگی ما از منوهای هوش مصنوعی، دلایل علمی نهفته است. پژوهشگران دانشگاه دویسبورگ-اسن در آلمان دریافتند که تصاویر غذاهای تولیدشده با هوش مصنوعی اثر «دره وهمی» (Uncanny Valley) را بازتاب می‌دهند؛ پدیده‌ای که در آن، تصاویر غذاهایی که تقریبا واقعی به نظر می‌رسند، نسبت به تصاویری که کاملا ساختگی بودنشان آشکار است، حس بیزاری، انزجار و ناآرامی بیشتری برمی‌انگیزند. این حس دل‌به‌هم‌خوردگی با در نظر گرفتن فضای فرهنگی حاکم بر هوش مصنوعی دوچندان می‌شود.

اگر واکنش مردم به این تصاویر تا این حد منفی است، شاید همین دلیل کافی باشد تا رستوران‌ها دست از تلاش برای جا انداختن منوهای هوش مصنوعی بردارند. اما مسائلی که نان‌های همبرگر با برشتگی بی‌نقص و اغراق‌آمیز را پدید می‌آورند، فراتر از میزهای غذاخوری امتداد پیدا می‌کنند.

لایل خاطرنشان کرد: «دیدن و شنیدن همواره به‌معنای باور کردن بوده است، تا جایی که حتی نظام‌های قضایی ما نیز کاملا بر این باور استوار شده‌اند که عالی‌ترین معیار برای ارائه مدرک، اعترافات ضبط‌شده و شواهد ویدیویی است. اما دیگر چنین نیست؛ جهان چه خوب و چه بد، دستخوش تغییری بنیادین شده است.»