Amikor először találkozunk vele, könnyen azt hihetjük, hogy túlaggódunk: betérünk egy kávézóba, végignézzük a bagel-szendvicseket felsoroló étlapot, de minden illusztráció szokatlanul tökéletes, szimmetrikus és sima. Ez a furcsa, megfoghatatlan érzés nem feltétlenül a képzeletünk játéka — egyre több étterem használ generatív mesterséges intelligenciát (AI) étlapkészítésre, és ezek a modellek gyakran egy szűk, „kellemesnek” tanult esztétikát ismételnek.
Miben különböznek az AI-képek?
Gyakran a végeredmény vagy erősen művi — például túl buborékos, plasztikusan olvadt sajttal borított burrito —, vagy annyira szabványos és kisimult, hogy csak másodjára tűnik fel, hogy valami nem stimmel. Reality Defender technológiai igazgatója, Alex Lisle a TechCrunchnak azt mondta, mintha egy idegen próbálna pizzát készíteni anélkül, hogy értené a formai alapelveit. Lisle szerint épp az AI-modellek felépítése segít megmagyarázni ezt az egyenletes, „kellemes” megjelenést: a modellek olyan mintákat tanulnak meg, amelyek a betanító adathalmazokban a leggyakoribbak vagy leginkább optimalizáltak.
A forrás és az adatkészletek hatása
A nagyméretű nyelvi modellek (LLM-ek) és a diffúziós képgenerátorok hatalmas mennyiségű adatból tanulnak, és ezekből a mintákból állítanak elő új tartalmakat, például egy "burgerétlapot". Lisle szerint sok kimenet azért emlékeztet ugyanarra a stilisztikára, mert a betanító korpusz olyan tipikus forrásokból származik: „Sok minden úgy néz ki, mintha egy 2015-ös Chili’s-étlapból származna, és ennek megvan az oka.”
Az új betanító adatok átadása a modellépítő cégek számára kulcsfontosságú: a cikk megemlíti, hogy az Amazon ritka könyveket is beszkennelt adatként, majd azokat feltöltés után megsemmisítette. Az AI-kimenetek egy részének bekerülése ezekbe a hatalmas adathalmazokba azonban problémákat okozhat: ha egy modell túlságosan sok saját maga által generált tartalmon tanul, akkor "model collapse" vagy legalábbis a konvergencia jelensége léphet fel.
Konvergencia és model collapse
Lisle „őrült tehén-betegséghez” hasonlította a model collapse fogalmát: ha egy modell visszatáplálja a saját kimeneteit a tanulási halmazba, az inbreedingszerű hatás ronthatja a minőséget. A konvergencia ettől kevésbé drasztikus, de ugyancsak eltompítja a kimenetek sokszínűségét: a hálózat hajlamos egyre hasonlóbb, simább, „kellemesebb” képeket produkálni.
Ennek gyakorlati következménye, hogy ha valaki korábbi, ismert gyorséttermi menükre kér egy AI-t — például Wendy’s, Burger King vagy McDonald’s stílusára —, az AI a hasonló megjelenésű forrásokból mintázva létrehoz egy hasonló stílusú menüt. Ha ez az AI‑generált menü visszakerül a későbbi betanító adatok közé, a stílus tovább erősödik.
Sima, túloptimalizált képek és szerkesztési spirál
A reklámokban eleve rendezett, vonzóbbnak tűnő ételek látványa nem új jelenség — gondoljunk a McDonald’s hirdetéseiben gondosan rétegezett Big Macre. Az AI-kimeneteknél ez a hatás még erőteljesebb lehet, mert az adatkészletek optimalizálása gyakran „kellemesre” és „nem felkavaróra” törekszik. Lee Rainie, az Elon University Imagining the Digital Future Center igazgatója szerint ez az élsimítás („shave off the edges”) homogenizációhoz vezet.
Helyi kísérletek is alátámasztják ezt: egy X-felhasználó, Labtec megmutatta, mi történik, ha egy ChatGPT-ben létrehozott menüt százszor szerkesztenek át — apró változtatások, árak vagy tételek módosítása közben a képek minden egyes körrel egyre kevésbé hasonlítanak a valósághoz, simábbak és kerekebbek lesznek. Labtec és a TechCrunch által megismételt kísérlet hasonló eredményt mutatott; Labtec azt írta: „A végeredmény valójában kényelmetlenné tesz.” (Labtec posztja: 2026. augusztus 19.)
Emberi reakciók és tudományos eredmények
Az emberek gyakran nehezen fogalmazzák meg, miért érzik idegennek az AI‑képeket, de diktálják a negatív visszhangot: Rainie szerint van egy fajta érzékelés, amellyel a közönség megkülönbözteti a mesterségeset a természetestől, és ez sok helyen ellenállást váltott ki az éttermek AI-használatával szemben.
Az érzékelés mögött tudományos eredmények is állnak: a németországi University of Duisburg‑Essen kutatói azt találták, hogy az AI‑generált ételfotók „uncanny valley” effektust mutatnak — azaz a majdnem élethű, de nem teljesen hiteles képek nagyobb undort és kényelmetlenséget váltanak ki, mint az egyértelműen hamis ábrázolások.
Több mint esztétika: bizalom és bizonyíték kérdése
Ha a közönség az AI‑képekre ilyen negatívan reagál, az elég ok lehet arra, hogy az éttermek inkább leálljanak az AI‑menükkel. A probléma azonban túlmutat a képeken: Lisle felhívja a figyelmet, hogy a „látás és hallás” az igazságszolgáltatásban és a bizonyítékok megítélésében mindig is nagy súllyal szerepelt. Ha a vizuális tartalom hitelessége megbízhatatlanná válik, az alapjaiban változtathatja meg, hogyan bízik meg a társadalom a képi bizonyítékokban — jóra vagy rosszra.
Következtetés
Az AI‑generált étlapképek homogenizálódása a modellek képzési folyamataiból, az adatok megválogatlanságából és a szerkesztési spirálokból ered. A jelenség kifejezetten az ételek terén érzékelhető, mert az emberek finom, nehezen megfogalmazható vizuális jelek alapján döntenek arról, mi tűnik vonzónak vagy undorítónak. Mindez azt jelenti, hogy az AI képfelhasználása az üzleti kommunikációban óvatosságot igényel — nemcsak esztétikai, hanem bizalmi és jogi következmények miatt is.
Forrásként az eredeti TechCrunch-cikk és a szerzők által idézett szakértők, valamint a megemlített X-posztok szolgáltak.
