共计 1419 个字符，预计需要花费 4 分钟才能阅读完成。
当提到 AI 画家画“茶杯中的冰可乐”时，很多人会觉得这个场景其实挺自然的：先画一个茶杯，再画上冰块和可乐，但实际上，情况远没有那么简单。尤其是当我们用最先进的 AI 图像生成模型试图实现这个场景时，结果却总是差强人意。即便是像 Dall ・ E 3 这样配备了大量数据和“聪明”算法的模型，也很难“将冰可乐放进茶杯里”。
这其实是目前 AI 生成图像领域一个被称为“文本与图像不对齐”的核心问题的一部分。在“茶杯中冰可乐”的例子中，模型在画面中看到的往往是一个装满冰可乐的透明玻璃杯，似乎“茶杯”这个概念根本没有被模型正确理解。实际上，隐藏在背后的变量——比如“透明玻璃杯”——从未在文本提示中明确出现，但却直接出现在图像里。这种“隐藏变量”引发的不匹配，业内称之为“潜在概念不对齐（Latent Concept Misalignment, LC-Mis）”。
为何 AI 总“搞不懂”茶杯？
为了探究这个问题的根源，研究者们首先尝试收集类似“茶杯中的冰可乐”的复杂概念对，但单纯依赖人类专家的创造效率极低。于是，他们设计了一个基于大规模语言模型（LLMs）的小系统：用 AI 模拟人类思维，自动生成与“茶杯中的冰可乐”类似的隐藏概念组合。系统会先解释概念背后的逻辑，然后分类生成不同的概念对，让模型帮助“找出”可能的隐含变量。
经过多次尝试，发现目前的自动评估方法在判断生成图像是否符合“茶杯中的冰可乐”时存在明显缺陷，只能通过人工逐一评判。研究团队每组概念对会让 AI 生成 20 张图像，然后由评委打分，评价图像中“茶杯”与“冰可乐”的呈现情况。这种方法的复杂程度表明，单靠自动化指标很难全面反映模型的真实表现，只能依赖人工评估。
创新解决方案：引入作画顺序的 MoCE 方法
针对这个问题，研究提出了一种名为（MoCE）的新技术。团队认为，若不从人类的绘画逻辑出发，AI 的图像生成就缺乏“顺序感”。具体做法是：让模型在绘制时，先专注于画出“茶杯”的轮廓，然后再逐步加入“冰可乐”及“透明玻璃”的细节。这种顺序符合人类的自然作画习惯，能让模型更好理解场景中的核心概念。
操作流程是：首先用大语言模型指示模型应先画“茶杯”，接着在多步采样中专门优化“茶杯”的表现，之后再整合完整的提示“茶杯中的冰可乐”，完成最终的图像。这种逐步积累的方式显著改善了模型对细节的把控，将“茶杯”更准确地呈现出来。
实验验证与效果提升
在大量测试中，研究团队用“MoCE”方法显著减少了“隐藏概念”不对齐的发生比例，也就是说，最终生成的图像中“茶杯”和“冰可乐”更符合人类的直观理解。与仅依赖数据训练的模型（如 2023 年 10 月版本的 Dall ・ E 3）相比，MoCE 的效果甚至超出了部分，尤其是在幽默、细节表现和概念完整性方面。
此外，研究还发现，目前一些常用的自动评估指标如 Clipscore 和 Image-Reward，往往对“茶杯中的冰可乐”打出的分比较低，甚至误判了那些根本不是“茶杯”的透明玻璃“茶杯”。这说明这些指标在检测隐藏变量或隐含概念方面存在“偏见”，难以准确反映模型真实的理解水平。
总结与未来展望
这项研究启发我们：当 AI 尝试模仿人类的创造行为时，简单的“直观输入”不足以让它理解复杂的场景链条。引入“顺序作画”这种人类思维方式，不仅改善了生成效果，也为未来解决“潜在概念”错位提供了思路。未来，随着技术不断进步，我们期待 AI 能更好地理解和再现人类的创造力——不仅是“会画画”，还能“懂得画背后隐藏的故事”。
