一张广告图可以越来越“对”：主体更清楚，色彩更顺眼，场景更像目标人群会喜欢的生活，测试分数也更稳定。可当十个品牌都沿着相似的高分样本迭代，另一件事也会发生——画面彼此越来越像，产品最值得被记住的那一点，反而被磨平了。
这不是因为生成式 AI 天生没有创意，也不是因为数据优化一定会伤害品牌。问题更具体：模型会忠实地放大你交给它的目标，而目标通常只测量了“容易被接受”，没有完整测量“为什么只能属于这个品牌”。
模型优化的不是“好广告”，而是被写进流程的指标
《Journal of Marketing》2026 年第 90 卷第 4 期刊载的研究《Picture Perfect: Engaging Customers with Visual Generative AI》（DOI: 10.1177/00222429251356993），把消费者反馈真正接进了生成流程。研究团队先收集广告与受众评分，再用 AIDA 心智指标、品牌人格与细分人群反馈微调开源图像模型。结果显示，在其汽车和防晒产品等实验语境中，经过消费者反馈训练的生成图像，能够在相应指标上匹配或超过常规广告。
关键不在于“AI 会不会画”，而在于一条反馈回路：
- 先定义注意、兴趣、欲望或行动等目标；
- 让真实受众评价已有视觉；
- 用高分样本与评分关系训练生成系统；
- 再生成更多靠近这些目标的版本。
这条路比只写提示词更接近营销决策，因为它把“谁觉得有效”加入了模型。但它也把一个编辑问题推到前台：如果高分样本共享的是同一种安全构图、熟悉场景和品类惯例，模型学到的就不只是效果，也包括平均值。
视觉平均值为什么既有效，又危险
研究作者把这种结果称为由成功元素形成的“视觉平均”。它并不等于低质量。相反，平均化常常带来更高的处理流畅性：观众更快看懂画面，更容易产生熟悉、可信和顺眼的感受。
论文的一项补充测试让 998 名参与者评价广告，生成广告的处理流畅性平均分高于常规广告，分别为 5.17 与 4.80。流畅性也与 AIDA 表现呈正相关。这个结果说明，生成系统非常适合减少理解摩擦。
但品牌差异有时恰恰来自摩擦。一个异常的比例、一种不合常规的产品使用方式、一处让人停顿的幽默，可能不会在第一次测试里显得最舒服，却能建立归属。研究中的 Smart Fortwo 是一个清楚的边界案例：这款双座小车的卖点是独特尺寸、城市停车与灵活性，真实广告会用意外场景放大这种差异；用主流汽车高分视觉训练的生成图，反而稍低于真实广告的 AIDA 平均评分（3.62 对 3.81，p=.064）。这里不是统计意义上的决定性失败，但方向与机制值得注意：主流品类的“有效”画面，可能把独特产品重新拍成普通产品。
幽默的边界更明显。论文团队用高 AIDA 与高幽默评分素材训练犬类护理广告，仍未生成高于平均水平的幽默。在后续记忆测试中，真实的幽默广告比生成广告获得更高的品牌识别率。幽默依赖语境中的不协调：先建立预期，再准确打破它。平均值擅长建立预期，不一定擅长决定哪一次偏离才属于品牌。
把内容生产分成三层，而不是争论“AI还是实拍”
真正有用的分工，不是按工具的新旧排序，而是按任务是否允许趋近平均来排序。
规模层：让熟悉感变成生产效率
规模层适合处理可明确评价、变化成本高、但不要求每个版本都发明新概念的任务。例如：
- 同一产品在不同画幅、背景和人群场景中的版本延展；
- 已确定品牌语言下的社交素材、站内横幅和区域化组合；
- 需要通过真实受众反馈持续收敛的色彩、信息密度和场景选择；
- 具有稳定展示逻辑的产品目录图、功能情境图与轻量动效草案。
这里的“平均”是有价值的。它可以帮助团队减少无效变化，把更多时间留给真正需要判断的部分。Google Ads 在生成式图像功能说明中也把人类知识、资产选择和最终采用权留给广告主，并建议用测试与资产报告持续优化。生成的作用是扩大可选空间，不是替团队决定品牌应该成为什么。
偏离层：先写出不能像平均值的那一帧
偏离层负责品牌记忆、独特产品定位、幽默、惊奇与新的视觉语法。它不应该从“给我十张高分图”开始，而应先写出一个反平均命题：
- 品类广告都把产品放在宽阔空间里，我们是否要让空间小得只容得下它？
- 所有画面都让人物立刻成功，我们是否要保留一次犹豫、误判或重新尝试？
- 大家都用完整产品做主角，我们是否只让一个独特动作或声音先出现？
- 测试喜欢温暖、明亮、对称，我们是否需要一处有理由的不对称来承担记忆？
这类决定需要创意负责人、导演、美术、摄影与品牌方共同解释“为什么必须这样”。生成式工具仍可参与：做分镜探索、情境变体、光线与材质假设。但它的任务是帮助偏离被看见，而不是用更多平均版本把偏离投票淘汰。
真实层：让产品、人物和物理结果接受现实检查
静态图研究不能自动推导到所有视频、表演和产品演示。视频还包含动作连续性、因果、时间、声音与表演；一张高分关键帧，也不等于一支可相信的片。
因此，真实层要保留不能由“看起来合理”替代的内容：真实产品材质、功能动作、人与物的接触、声画因果、制造或使用过程，以及会被观众当作事实的结果。NIST 的生成式 AI 风险框架把生成系统放在完整生命周期里管理，强调设计、开发、使用与评估中的持续风险判断。对广告团队而言，这意味着模型输出要进入版本、来源与人工复核流程，而不是在导出成片后才被当作一张普通素材。
我们在AI可持续广告 中讨论过：想象可以生成，组织责任不能生成。同样地，产品视觉可以扩展，但产品事实仍需要实物、资料和真实测试站住。
一份更好的创意简报，要同时写“必须熟悉”和“不能平均”
如果简报只有“年轻、科技、国际化、高级”，生成系统很容易返回一个没有错误、也没有归属的品类平均。可以把目标拆成两栏。
第一栏写“必须熟悉”：受众需要立刻看懂什么？产品属于什么使用场景？哪些品牌色、信息层级、人物状态和渠道规则必须稳定？这些内容可以通过数据、模板与反馈规模化。
第二栏写“不能平均”：哪一个产品事实、人物选择、构图关系、动作节拍或声音线索必须与品类惯例不同？如果把 Logo 拿掉，哪一处仍能让人把画面归给品牌？这部分要在大规模生成之前锁定，否则后面的优化会不断把它拉回熟悉区。
品牌内容间隔复现 讨论过核心资产为什么需要跨周期返回。生成系统正适合扩展资产的场景变量，但识别核心不能每轮交给点击率最高的版本重新定义。否则，团队虽然获得了更多素材，却失去了可以积累的记忆。
验证不是选一个最高分，而是看三条曲线
审片时可以把候选版本放在三条曲线上看。
第一条是理解曲线：观众是否能迅速认出产品、场景与主要信息？这是流畅性擅长解决的问题。
第二条是归属曲线：去掉 Logo 后，观众能否把画面归给品牌，而不是只归给品类？这决定视觉有没有独占性。
第三条是偏离曲线：画面里哪一处打破预期，它带来的是有效记忆、无意义怪异，还是事实风险？这需要访谈、真实受众测试与创意判断共同解释，不能只看单一分数。
合适的决策不是让三条曲线都最大化。品牌可以让规模层优先理解，让偏离层优先归属与记忆，再让真实层守住事实。一个素材系统因此可以同时拥有大量可靠版本和少量不可替代的核心画面。
平均值不是敌人，它只是不能替品牌做最后的选择
生成式 AI 最有商业价值的地方，正是把反馈变成可重复的视觉生产；它最大的创意风险，也来自同一件事——可重复的目标会把差异压向同一个中心。
品牌不必在“全部生成”和“拒绝生成”之间选边。更成熟的做法，是让模型负责熟悉感的规模，让人负责有理由的偏离，让实拍与验证负责现实。真正需要在创意会议上被保留下来的，不是所有不一样，而是那一处即使分数暂时不最高，也能解释产品、属于品牌、经得起真实观看的不一样。
如果你正在搭建生成式视觉系统、品牌内容矩阵或 AIGC 与实拍混合制作流程，可以把目标指标、产品差异、现有高分素材和“绝不能被平均掉”的品牌资产带给 ONCE。我们会从商业 AIGC 与混合制作 出发，先划分规模层、偏离层和真实层，再决定哪些内容值得自动化。
参考来源与适用范围
- Mark Heitmann、Tijmen P. J. Jansen、Martin Reisenbichler、David A. Schweidel，《Picture Perfect: Engaging Customers with Visual Generative AI》，《Journal of Marketing》90(4)，DOI: 10.1177/00222429251356993。本文主要依据其消费者反馈微调、处理流畅性、Smart Fortwo 与幽默边界研究。
- NIST，《Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile》，NIST AI 600-1，2024 年发布、2026 年更新。
- Google Ads，《Enhance visual storytelling in Demand Gen with generative AI》，2024 年 4 月 16 日。
- 《Seeing Is Not Perceiving: When Synthetic Consumers Can and Cannot Pretest Visual Marketing》，arXiv:2609.25677。该预印本提醒，视觉营销的人类反应不能由合成消费者稳定替代。
上述研究主要涉及静态视觉、特定产品类别、特定受众样本与明确的评价任务。本文把机制转译为创意与制作判断，不把实验结果外推为任意品牌、任意市场或视频广告的转化保证。
