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。
图 a：使用 Gemini 3 生成的红翅黑鹂图片，没有明显的 AI 生成迹象，只是尾羽数量似乎偏少；图 b：黄肩黑拟鹂的真实影像，来自摄影师 David Theobald；图 c：使用 Gemini 修图后，照片看起来很接近红翅黑鹂 | doi: 10.1038/s41559-026-03141-y
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？
看到这里，也许有人会问：但是，AI 识别物种挺好用的啊？修图怎么那么多问题？
的确，如果使用专门的鉴定 AI，有足够清晰的照片，同时明确搜索的地理范围，现在 AI 辅助识别物种已经能达到不错的准确性。但是，AI 修图和物种识别属于完全不同的工作路径。
当我们人工修饰图片的时候，我们的想法可能是：" 我拍到了一只柳莺，但是植物枝叶遮挡太多，我应该去掉这些遮挡。" 但AI 所做的其实是基于照片和提示词，生成一张全新的图片，而非 " 识别到某某柳莺，我来补齐画面细节 "。
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。
AI 研究员原子补充指出，对模型进行训练的时候，图片附带的文字标注更有可能是 " 鸟类觅食 " 这样笼统的描述，而非物种名称、地理位置等信息。并且，对于不同的模型，训练时使用的数据库和针对物种识别的精细度也不同。
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。
文章指出，自然主题的 AI 生成内容能够快速吸引流量，其中许多内容刻画了动物拟人的行为，或人与动物的过度亲近，这会导致危险的误解。尤其在自然缺失症普遍的当下，人们更多地通过技术媒介认识自然，更难识别出 AI 生成的自然相关内容，造成恶性循环。
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。
AI 生成视频还会使人们对物种实际的地理分布、生存状况的认知发生偏差。文章指出：" 既然社会中有显著比例的群体在识别哪些动物属于本土物种方面有严重的困难，这样的 AI 生成视频会放大这种困惑。"
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。
咩子介绍，由于 AI 监管伦理的要求，目前主流大模型生成的内容已内置水印，表明图像由 AI 生成。所以理论上，数据库可以使用相应的识别工具，对内容文件进行筛选。但是，一些小众模型和本地模型可能没有内置水印。
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 ‐ Jim é nez 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
题图来源：doi: 10.1038/s41559-026-03141-y
本文来自果壳自然（ID：GuokrNature）
如需转载请联系 sns@guokr.com
欢迎转发到朋友圈
