Картинка, которую вы точно видели в ленте Если вы часто смотрите короткие видео и минисериалы, то, вероятно, натыкались на «ту самую» идеальную девушку: большие глаза, маленький нос, безупречная кожа и мягкая, чутьулыбчивая мимика.

Люди сначала думали, что это ещё один популярный блогер — потом начали подозревать, что это одна и та же AIгенерированная «лицофабрика», появляющееся в самых разных ролях и возрастах, в самых неожиданных контекстах.

Эксперимент — и неожиданная закономерность Автор исследования прогнал одинаковую подсказку — «девушка едет на велосипеде» — через несколько популярных видеомоделей (Seedance, HappyHorse).

Ожидалась разнообразная выборка: разные национальности, внешности, фон. На практике модели выдавали почти идентичные лица, позы, стиль одежды и ракурс — то есть разнообразие оказалось существенно ниже ожидаемого.

Две ключевые причины однообразия

Автоматическое «улучшение» подсказок. Платформы по умолчанию «дописывают» и расширяют пользовательский prompt, формируя идеализированный образ: «молодая красивая азиатка, белая кожа, большие глаза, мягкий свет, кинокадр». После тысячи таких оптимизаций модель начинает выдавать однотипный «выигрышный» результат.

Встроенная эстетическая предвзятость и требование стабильности. Данные тренировки и предпочтения пользователей содержат много «среднестатистических» красавицинфлюенсеров — модель усваивает эти паттерны и усиливает их. Для видео дополнительно важно, чтобы лицо было легко удерживаемым на десяткахсотнях кадров — а это тоже толкает в сторону симметричных, «нейтрально красивых» лиц без резких особенностей.

Почему это раздражает зрителей. Многое объясняется эффектом перенасыщения: видеть в ленте одну и ту же идеализированную физиономию в ролях от школьницы до старушки вызывает отторжение и усталость. Но есть и более глубокая причина — ощущение, что реальное разнообразие вытесняется и заменяется стандартизированной «массовой дистиляцией» красоты, произведённой алгоритмами.

Социальные и эстетические последствия

Утрата визуального разнообразия: модели конденсируют множество индивидуальностей в один «усреднённый» эталон.

Усиление стереотипов: такие лица закрепляют узкий набор эстетических критериев и могут влиять на восприятие гендера и расы.

Цифровая депривация реальности: пользователи теряют контакт с реальными лицами, что меняет эмоциональную реакцию на контент и усиливает «страх перед фейковостью».

Техническая заметка и исследования В публикациях типа статьи в Nature (цитируемой автором) показано, что генеративные модели склонны к «расовой гомогенизации» и усилению стереотипов — особенно когда данные и метки тренировки смещены. Видеомодели, стремясь к консистентности кадра, дополнительно поощряют «безопасные», легко воспроизводимые черты.

Что с этим делать

Платформам: вернуть опцию явного контроля за «усилением подсказок», вводить случайность и метрики разнообразия в генерацию; не прятать «prompt engineering» в недрах бекенда.

Создателям моделей: работать над репрезентативностью датасетов и метриками, направленными на сохранение вариативности лиц и культурных признаков.

Пользователям и зрителям: требовать прозрачности и разнообразия, поддерживать контент с реальными лицами и разными эстетиками.

Короткий вывод Проблема «одной идеальной AIлица» — не только эстетический зуд. Это проявление системной тенденции: алгоритмы и коммерческие настройки предпочитают безопасную и воспроизводимую красоту, которую легко масштабировать. Без сознательных усилий индустрии и пользователей это однообразие будет лишь расти — а вместе с ним и усталость аудитории от «цифровой типизации» человеческих лиц.