拍鸟这件事总是苦乐参半。我们希望鸟离得再近一点，摆出灵动的姿态，光线恰到好处，前景没有植物遮挡……要凑齐这么多有利因素并不容易。看着那些“就差一点”的照片，你是不是也想过：要不，请AI修一修？

生态学家呼吁：如果你计划将照片上传到iNaturalist等公民科学平台，请不要使用AI修图处理。尽管大部分使用AI修图的人并没有主观恶意，但这种行为正在污染数据库，干扰科学研究。

最近，iNaturalist就发生了这样一起乌龙事件。有用户上传了一张“红翅黑鹂”（Agelaius phoeniceus）的照片，如果观察属实，这将是该物种在巴西的首个记录。但是经过复核，工作人员发现它其实是一只黄肩黑拟鹂（Icterus cayanensis），在巴西很常见，而照片经过Google AI处理后完全变成了另一种鸟。

英国英国曼彻斯特城市大学的生态学家亚历山大·利斯（Alexander Lees）博士在一篇通讯文章里报告了这一案例，近期在《自然-生态与进化》（Nature Ecology & Evolution）期刊发表。

公民科学数据库能够为科学家提供宝贵的信息。通过分析用户提交的海量数据，科学家能够掌握各个物种的分布情况和种群动态，比如某种植物的开花时间、某种鸟类的分布范围是否正在发生变化。然而，如果用户提交了经过AI合成或修饰的图片，就可能对数据库造成污染。

AI修图会犯什么错？

近些年，AI生成图像技术迅速进步，有时候生成的图像连专业人士都难以分辨。然而，就像“黄肩黑拟鹂爆改红翅黑鹂”的例子那样，AI翻车的情况也并不罕见。下面我们以鸟类为例进行说明。

例如下面这张黑鸢抓鱼的图片，因为拍摄时距离较远，照片显得模糊。使用最简单的指令“把照片修得更清楚”，1号和2号AI输出结果如下。（本文不讨论AI修图哪家强，所以我们不标注具体的AI产品。）

从左到右：原图，自己拍的；AI 1号修图；AI 2号修图

可见，两张图都出现了相同的问题：原图拍摄的是黑鸢的背面，这个角度是看不到头部的，而两个修图AI都为它无中生有地画了一个头。所以，在AI输出图片上，“黑鸢”头部的角度表明这是它的腹面，但它的翅膀上又没有白色的翅窗，因为这部分图案实际上来自它的背面。在熟悉黑鸢的观鸟人看来，这就跟看到一个人正面出现了两瓣屁股一样难受。美工，帮我把那只鸟转过来！

黑鸢的腹面实际上长这样，注意翅膀上白色的斑块 | 玛雅蓝

另一个常见的使用场景，是照片前景有植物遮挡，或者因为光线、角度，照片上看不清小鸟的眼睛。以下面这张照片为例，使用指令“调整照片，使色彩协调，小鸟眼部突出”，2号、3号AI输出结果如下。两个AI分别为小鸟画上了明亮的黄色和红色虹膜。但是实际上，白喉红臀鹎的虹膜应该是深褐色的，很难出片。

从左到右：原图，自己拍的；AI 2号修图，添加了黄色的虹膜；AI 3号修图，添加了红色的虹膜，面部羽毛似乎还融合了红耳鹎的特征

可见，AI修图的结果就是开盲盒，取决于原图的质量、指令描述和工具的不同。对于原图中没有呈现的细节，比如虹膜的颜色、羽毛排列的模式，AI修图的输出结果有很大的不确定性。而对于某些鸟类，虹膜颜色这样的细节可能成为重要的鉴定特征。

当然，如果原图不需要大幅度调整，使用更专业的修图工具，用更精细的指令进行微调（比如指定非常具体的调整区域），肯定有人能用AI修出特征准确的图片。有经验的观鸟人也能更好地判断修图是否已经偏离现实。但是，公民科学数据库最大的价值在于众多普通人上传的海量数据。在这个场景下，我们要考虑的不是专业人士AI修图能达到的上限，而是众多普通人随便修修的平均水平。

AI修图为什么会犯错？

告诉AI物种鉴定结果，确实有助于校正，但也不保证画对。以上文出现的白喉红臀鹎为例，如果在提示词中加入“这是一只白喉红臀鹎”，AI 2 号的输出结果会让眼睛看起来更贴近实物了，但是把臀部红色区域一直画到了腿上。

经过物种校正后的AI修图，臀部的红色区域一直画到了腿上

实际上，白喉红臀鹎长这样，注意臀部红色范围。

白喉红臀鹎的臀部红色范围｜玛雅蓝

简单来说，让AI“看图说话”，远比让它生成图像更容易。数据科学家咩子告诉我，目前主流AI更擅长对高密度信息进行提炼，比如针对视频和图像生成文字描述；而反向的过程，比如基于一段文字生成图像或视频，AI需要填补的信息就太多了。

比如，AI修图的时候常常会出现错乱的羽毛。鸟类的羽毛排列和羽色斑纹遵循特定的结构（称为羽区），而通用AI模型不会针对这样的细节进行专门训练。（它们能把人的手指画对就不错了！）

并且，AI基于统计学生成的修图结果，其特征不一定恰好对应你手头想要修饰的那张照片。AI训练使用的鸟类照片数据集中更多的是常见而好看的物种，或因为罕见而成为热门拍摄对象的物种。色彩斑斓的热带鸟类，与人类毗邻而居的麻雀、鸽子等城市野鸟，或是外形帅气的猛禽，会在图库里留下大量的照片。这使得AI在“认识”鸟类的时候产生了权重偏差。

就iNaturalist的案例而言，红翅黑鹂是图库中常见的鸟，它们分布于美国和加拿大，数量多又不怕人，还有显眼的配色，是摄影师们喜爱的拍摄对象；而黄肩黑拟鹂分布于南美洲的圭亚那高地和亚马孙地区的低地雨林，它们的图片资料相比之下非常少。《自然-生态与进化》文章也认为，这可能是修图结果发生偏差的原因。

所以，每一次AI修图都是开盲盒，因为它背后的算法完全是一个黑箱，我们无法得知它在多大程度上“认识”鸟类，或者更“熟悉”哪些鸟类。它也不会“考虑”你所处的地理位置有哪些鸟类分布，而地理位置在物种鉴定中是相当重要的信息。以及，虽然本文主要以鸟类图片为例进行说明，用AI修饰昆虫、花草、蘑菇照片的过程也遵循相似的原理。

AI“入侵”自然

当AI合成内容越来越以假乱真，却又无法反映真实，它就会影响我们对大自然的认识。去年发表于《保护生物学》（Conservation Biology）期刊的一篇文章更指出，AI生成的影像和视频正在对环境保护造成威胁。

AI生成的澳大利亚网红小海豹被叉车叉走的图片

例如，有AI生成视频展示了鸟类守护幼鸟的视频，配文“母爱伟大”，实际上鸟类中有90%的物种，雄性也会参与育儿。又例如，许多AI生成视频会夸张地展示不同物种之间的和谐相处，或动物被人类营救后前来报恩的剧情。后一种情况尤其危险，可能导致人们在野外错误地亲近野生动物，导致攻击事件。还有的AI生成视频呈现了野生动物作为宠物的剧情，可能使人们渴望饲养这些动物，进而促进非法贸易。

不要用AI修图污染数据库

《自然-生态与进化》文章指出，为保护生物记录数据，公民科学平台需要探索更为细致而可靠的图像认证协议，可能需要纳入元数据核查机制，同时应加大宣传力度，教育参与者了解提交由AI生成或增强的图像可能造成怎样的损害。iNaturalist已经上线相应的反馈机制，用户发现疑似AI生成的照片时可向管理员报告。

AI生成的动物图片和视频总能在社交媒体获得流量，即便有些内容已经夸张到离谱，这也许说明人们内心仍然在渴望亲近自然。然而，并非只有远方的珍稀动物才构成“真正的自然”，自然就在我们的身边，在每一处农田、绿化带、城市公园。眼下立秋已过，在城市里抬头看看，也许就有准备南迁的燕子在电线上集结。

街头随手一拍 | 玛雅蓝

身边的小鸟、飞虫和花草，会告诉我们自然的真实面貌。你当然可以拿出手机或相机拍照记录。如果实在想要修出“完美照片”，那么至少请记住：在公民科学数据库上传记录的时候，选那张没修过的图。图上那只鸟有没有“眼神光”，科学家真的不在乎。

参考文献

[1] Lees A C, Iwane T, Seeholzer G F, et al. Citizen science platforms must mitigate against the threat of generative AI[J]. Nature Ecology & Evolution, 2026: 1-2.

[2] Guerrero‐Casado J, Murillo‐Jiménez T, Carpio A J, et al. Threats to conservation from artificial‐intelligence‐generated wildlife images and videos[J]. Conservation Biology, 2025, 40(1): e70138.

作者：玛雅蓝

编辑：黄线狭鳕

本文来自果壳自然（ID：GuokrNature）

如需转载请联系sns@guokr.com