相對于良品鋪子“花生長枝頭”海報，我更好奇這是哪個AI的杰作

近期，休閑零食行業的知名企業良品鋪子身上的事兒不少，不僅業績持續惡化，更因控股股東的股權重復轉讓爭議引發訴訟。

這家曾以“高端零食”標簽立足的企業，近年陷入業績持續下滑泥潭，核心數據顯示其經營困境已進入惡性循環。

自2023年起，良品鋪子線下渠道大幅度收縮，數據顯示2025年一季度末，門店數進一步下滑至2581家，相當于每天凈減少1.37家。收縮線下渠道的同時，線上渠道曾被寄予厚望。

2024年公司電商收入達29.32億元，占總營收的40.95%，成為重要收入來源。但據歷年財報數據，自2022年起電商收入已連續三年下滑，且流量費用持續上升，不斷壓縮利潤空間。

屋漏偏遇連陰雨，深陷泥沼的良品鋪子又因為“四粒紅花生”產品的宣傳海報而顏面盡失。

有網友發現，良品鋪子電商平臺的商品詳情頁中，一款“四粒紅花生”產品的宣傳海報令人大跌眼鏡。

花生居然懸掛在枝頭！這是拿顧客當弱智嗎？

面對質疑，良品鋪子回應“正觀新聞”記者：“由于工作疏忽，在電商平臺商品詳情頁中錯誤使用了由AI生成的圖片素材，從而引發了不必要的誤解和討論。”

目前，良品鋪子稱已對相關頁面進行了更新修正，并已啟動對所有產品宣傳材料的核查。同時，其正在進一步升級內容審核機制，優化內部管理流程。

當AI把花生搬上枝頭，我們不禁要問：

為什么今天的生成式 AI 連“花生要鉆到土里才結果”這種小學生都知道的自然課常識都會搞錯？

連孩子都知道的常識，AI真的難以跨越？

這究竟是哪個AI的杰作？

答案不在“花生”本身，而在于AI的學習方式。

從技術原理看，生成式AI的“常識盲區”源于其訓練模式的局限。

首先，當前主流文生圖模型，以擴散模型（Diffusion Model）為代表，本質上是“像素級復讀機”。這類AI通過海量文本與圖像數據的學習模式，數據中關于花生的視覺特征可能存在嚴重偏差。

AI訓練語料中，花生詞條常常伴隨“枝繁葉茂、碩果累累”的田園詩式描述，圖像也以俯拍或平視居多，土壤被枝葉遮擋。在搜索引擎中輸入“花生”關鍵詞，前20張圖片里僅有3張清晰展示地下果實，其余多為采摘后的帶殼花生或加工食品。

比如，360百科“花生”詞條“植物簡介”欄目：

久而久之，模型把“花生”與“枝頭”建立了強相關，把“地下結果”這一罕見像素組合當成了噪聲，直接過濾。

其次，常識在訓練目標里被打了“低權重”。擴散模型的損失函數只關心“像不像”，不關心“對不對”。只要“枝頭掛花生”在人類作品里出現過，哪怕比例極低，也會被當成合法樣例。相反，符合生物學卻構圖單調的“泥土橫截面”樣本因缺乏視覺沖擊力而數量稀少，于是被模型判為“低概率”，在采樣階段被拋棄。

第三，提示詞（Prompt）的“文化濾鏡”放大了錯誤。電商海報要的是“豐收”、“紅潤”、“飽滿”，運營人員輸入的prompt大概率是“red peanuts hanging on green branches, sunlight, warm tone”。模型為了討好prompt，自動把“hanging”實體化，直接把花生安在枝條上——因為prompt里沒有“underground”這類負向約束，也沒有“pod develops after peg drills into soil”的植物學知識。

最終，當用戶輸入“花生果實”時，系統可能優先匹配“果實懸掛”的視覺特征，而忽略其土壤中結果的生物特征。

更深層地看，這是“通用大模型”與“垂直領域科學常識”之間的斷層。這次良品鋪子的笑話可能只是冰山一角：蓮藕長在池塘泥里，卻被畫成樹上吊瓜；蝙蝠用回聲定位，卻被描繪成張著嘴“看”東西。

只要訓練目標依然是“擬合人類偏好”，而非“對標常識”，這種“弱智”不是 bug，而是系統設定。

與其嘲笑良品鋪子“AI背鍋”，不如追問：

我們何時才能擁有一個把《十萬個為什么》真正讀進去的模型？

營銷部門使用“AI一鍵出圖”的確省了設計費，賠進去的是企業品牌的信用。

這也說明在使用AI工具時，一定要慎之又慎。

良品鋪子事件中，設計師可能僅輸入“花生”關鍵詞，認為花生生長于地下是一種顯而易見的特征（也可能沒有這種知識），并沒有告訴AI，導致AI在創意生成時自由發揮。

這種“模糊指令+AI補全”的工作模式，由于節省費用成本的驅動，在電商行業普遍存在。

比這個笑話更值得警惕的是：當我們過度依賴AI而放棄自己的判斷力時，會不會犯下更多更可笑的錯誤？

根據公開信息，無法準確判斷良品鋪子具體使用了哪一款AI圖像生成工具，可以肯定是一款能夠根據文本描述生成圖片的AI模型。

借助已知的模型特征庫，可以把范圍縮小到以下三類主流工具:

1.Stable Diffusion系列（含國內二次封裝）

? 畫面特征：紋理細節豐富，但容易出現“背景過銳、主體邊緣發虛”的經典擴散偽影；對中文提示詞的理解偏弱，花生被直譯成“長在枝頭的堅果”概率高。

很多國內電商運營用的是“SD-webUI+LoRA”一鍵出圖，默認會留下“Software: Stable Diffusion webUI”或“Model hash”字段，如果原圖沒被平臺二次壓縮，可用 EXIF 查看器驗證。

2.Midjourney V6

? 畫面特征：色彩飽和、光影戲劇化，喜歡給植物打“圣光”；對“red peanut, hanging on tree, warm sunlight”這類prompt會主動加花瓣、露珠等裝飾元素，導致“看起來更像樹上結的”。

分辨率特征：默認1024×1024，放大后可見輕微油畫感筆觸，邊緣呈“蠟筆涂抹”狀。

3.DALL·E3（含ChatGPT內置繪圖）

? 畫面特征：整體干凈、商業插畫味濃，花生殼可能出現過度圓滑、像塑料玩具；文字渲染能力較前兩者好，但細節處（尤其是土壤、根系）常被忽略。

OpenAI在2024年2月開始給C2PA打上內容憑證（Content Credentials），如果海報原圖未經壓縮，可用Adobe“內容憑證”插件看到“Generated by DALL·E3”字樣。

根據上述三種AI的畫面特征，或許有一個簡易的驗證方法：

把原圖裁出花生與枝條局部，放大200%觀察：

? 如果出現“邊緣銳、內部糊”→大概率Stable Diffusion；

? 油亮高飽和且帶夢幻光斑→Midjourney典型；

? 干凈無噪點、殼體塑料感→DALL·E 3風格。

在沒有確切證據之前，上述三種AI均有嫌疑。

當然，也可以用EXIF工具或朱雀AI、Hive Moderation等檢測器跑一遍，看是否殘留SD模型hash、C2PA憑證。

根據上文簡易驗證方法，用Photoshop打開“花生長枝頭”海報網絡圖片，似乎存在“邊緣銳、內部糊”的特征；從輸出的常識性錯誤特征來看，比較符合Stable Diffusion系列（含國內各種易用封裝）的常識性錯誤特征。

真正的“實錘”還需要拿到無損原圖，做元數據或隱寫分析。

本文僅為個人推測，如有錯誤，敬請專家指正。

AI 的“常識”其實就是訓練語料的“平均印象”，訓練語料的質量直接決定了AI的智能水平和可靠性。

訓練語料是AI學習和認知世界的唯一教材，正所謂“垃圾進，垃圾出”。如果語料存在偏見、錯誤或缺乏常識，AI產出的結果就會像“花生長在樹上”一樣荒謬且不可信賴。

語料里錯得多，它就錯得理直氣壯；語料里缺得多，它就缺得理所當然。

高質量的語料是構建可信賴AI的基石，沒有高質量、帶標注、垂直領域的語料，再昴貴的算力也只能訓練出昂貴的復讀機。