【Future Circle 共筆】AI 總是生成一樣的圖片？從理解同質化到如何保留差異

來自 Future Circle 成員的共同筆記，記錄我們對新趨勢的提問、討論與觀察，讓不同經驗交會，形成理解未來的多元視角。

早上走過街角的早餐店，你是否曾留意過牆上的新海報？明明是不同店家、不同品項，這些餐點宣傳海報卻宛如出自同一個模子，這種日常體驗正是「AI 同質化」的縮影。這不是單純的主觀感受，而是已有研究證實的現象。

什麼是 AI 同質化現象？ 

為了更精確地理解這種「相似感」，我們可以借用 Erler（2026）對 AI 文本生成的分類，將其劃分為兩個層面：「風格同質化」與「思想同質化」。

首先是「風格同質化」，意指 AI 文本生成具有平庸且乏味的「預設風格」；其次是「思想同質化」，即在使用 AI 協助研究寫作時，可能導致不同研究者遵循同樣的思考脈絡，進而造成學術思想的單一化。 雖然這個分類聚焦於文本生成，但同樣的框架，也能用來剖析我們感受到的圖像生成同質化現象。在圖像的風格同質化方面，主要體現於執行手法與美學的趨同，例如特定的渲染質感、預設的光影樣式，以及標準化的構圖套路。而在思想同質化上，則是概念與構想上的收斂，也就是創作選題與敘事視角的狹隘化。

什麼原因造成了同質化？

AI模型的限制：創意範圍侷限

探討 AI 同質化的成因，必須先討論AI 模型本身的限制。受限於模型優化機制與訓練數據，都證實 AI 在生成內容時，其新穎性具有一定的侷限，且此現象普遍存在於不同的生成式 AI 模型中。

一篇由 Doshi 與 Hauser（2024）進行的研究，將 293 位受試者分為三組：一組為純人類且無生成式 AI 協助；第二組由人類與 1 個生成式 AI 提供的開頭靈感；第三組則由人類與至多 5 個生成式 AI 的靈感，要求他們創作適合青少年與青年閱讀的 8 句話短篇故事。接著，研究團隊邀請 600 名不知情的評分者，針對故事的新穎性、實用性，以及閱讀後的情感反應進行評分。 結果顯示，由 AI 協助完成故事的組別，其故事的新穎性及實用性都比純人類創作獲得更高評分，且 5 個 AI 協助的組別與純人類組的分數差距，又比 1 個 AI 協助的組別更大。可見獲得越多 AI 點子，越能幫助人類寫出更具創造力的故事；然而，研究也發現，獲得 AI 點子協助的兩個組別所完成的故事，彼此間的相似度更高，也就是 AI 雖然有助於提升個別作者的創意，但卻沒有提升所有故事整體的創意多樣性。

根據 Neuroscience News（2026）的報導，另一篇 Wenger 與 Kenett 的研究也發現 AI 的創意往往比人類思維更具可預測性。這份研究針對 102 名人類受試者與 22 個主流大型語言模型（包含 GPT、Gemini 等），進行心理學常用的創造力評估測驗後發現，雖然大型語言模型在單次回答上能獲得高分，但在多次測試中卻常給出雷同的創意答案，且此現象跨越了不同模型，而非針對特定品牌。大型語言模型的創意範圍具有限制，研究者認為這與其缺乏個人經驗有關。

使用者動機是關鍵：是否追求創造差異

除了生成式 AI 模型本身的限制外，我們認為使用者生成圖片的動機也會加劇同質化現象。我們將其整理為四類：任務完成型、績效導向型、品質優化型，以及差異／身份表達型。

對於第一種「任務完成型」的人而言，只要圖片好看且無明顯錯誤，使用者通常會直接取用結果，不再針對提示詞（Prompt）大幅修改或額外編輯。 第二種「績效導向型」的使用者，則是以點擊率、話題量為目標。這種情況下，使用者傾向直接複製市場上已經被驗證過、有效的成果，因為這樣能達到目的且風險最低。 第三種「品質優化型」的使用者，則傾向於讓成品更專業或漂亮。這類使用者會持續修改提示詞及生成成果以達到更好的效果。然而，即使我們不斷進行這類微調，為何最終的產出依然難以避免同質化的問題？

審美收斂：使用者行為與生成公式的循環

要解答這個問題，我們必須探討「審美收斂」（Aesthetic Convergence）的現象。AI 生成內容的同質化現象，不僅源於模型本身的限制，更可能在「AI 輸出—使用者行為—再創作」的互動中形成。

一、 文化迴圈：AI 重塑人類創作參照環境

• 核心研究： Ashkinaze et al. (2025)

• 文化輸入（Cultural Input）： AI 生成內容不只是創作終點，更會成為人類後續創作所接觸的參照文化。

• 進入文化迴圈（Culture Loop）： 當人們持續暴露於 AI 產出的概念中，AI 將開始影響下一輪想法的形成與演化。

• 關鍵觀點： 高程度的 AI 接觸（AI Exposure）能增加群體層面的概念多樣性，但更重要的是，AI 已開始參與塑造人類創作的視覺環境。

二、 美學公式：標準化提示詞帶來的視覺收斂

• 核心研究： De Rosa Palmini & Cetinic (2024)

• 提示詞原創性（Prompt Originality）三面向： 詞彙獨特性（Lexical）、詞彙組合獨特性（Word-sequence），以及主題與組合獨特性（Thematic）。

• 提示詞工程（Prompt Engineering）範式： 為了穩定產生「高品質」影像，業界逐漸形成標準化提示詞模板（Prompt Templates）與慣用美學修飾語（Aesthetic Modifiers）。

• 美學公式（Aesthetic Formula）： 當使用者過度依賴相同的語言與風格時，原本有效的「提示詞公式」便反過來限制視覺探索，演變成壓制多樣性的「美學公式」，促成視覺一致性（Visual Uniformity）。

三、 AI 審美同質化的閉環機制（Aesthetic Loop）

結合上述兩篇研究，AI 審美同質化是一個自我強化、動態循環的閉環過程：

💡這解釋了為何我們在優化 Prompt 時，以為自己正在創造相異的成果，卻仍不自覺落入同質化的陷阱——因為我們所選擇的「優化詞彙」，往往本身就來自於已被這個循環高度驗證的美學公式。

打破同質化的關鍵：差異與身份表達 

回顧前述討論，當我們僅出於前三種動機生成圖片時——無論是為了快速「完成任務」而接受預設結果、為了追求「績效」而複製市場成功模式，還是為了「優化品質」卻不自覺陷入審美收斂的迴圈時，都很難逃離 AI 生成的標準化框架。正因如此，最後第四種「差異／身份表達型」的使用者動機，才是打破同質化的核心。

這類使用者的終極目標，是展現自我品牌與獨特性。只有在這種情境下，使用者才會真正有動機離開 AI 給的預設答案，透過加入個人實際經驗、領域 know-how 等等，生成出具有實際差異性的創意結果。

如何做出差異化

既然「差異／身份表達型」的動機是打破同質化的核心，我們具體該如何實踐，以創造差異，做出具備個人特色的成果？以下提供點線面三個參考面向幫助發想：

1. 點 - 善用批判性思維:

OECD 在 Learning Compass 2030 文件中指出，「批判性思維」是未來適應社會的核心能力之一。在實踐與打破同質化路徑中，若能先釐清「我不要什麼」或「主流(正面)與非主流(反面)的差異為何」，並藉此檢視預期行動，本質上就是一種批判性思維的訓練。這能幫助我們跳脫「被動接受」 AI 產出的狀態，轉為「主動檢視」自身的價值判斷，進而形塑獨特的個人風格。

舉個例子來說： 以往多數人在生成 AI 圖片後便直接下載公開。若能在發布前，先將生成的關鍵元素、構圖或完整圖片，透過 Google 等工具進行反向搜尋與比對，確認是否已有高度相似的作品，便能有效降低同質化的風險。

2. 線 - 專業 know-how 與經驗:

AI 模型仰賴龐大的資料庫，然而特定領域的深層專業知識（Know-how）與個人生活品味，未必存在於網路世界中。以專業攝影為例，攝影師在按下快門前會經歷哪些過程？

從相機機型的選擇、光圈與快門等參數設定，到拍攝主題的視角與構圖，整個過程皆奠基於攝影師的實務經驗與反思。這些積累不僅深化了創作者的理解，更塑造出無可取代的個人風格。[36]

因此，真正拉出差距的，是使用者自身經驗廣度與知識深度的累積。這些都是機器難以複製的變數，當生活與專業經驗越豐富，與 AI 互動時便更能下達精準且具層次的指令，並更準確判斷 AI 的產出是否真正切中要害，亦或只是平庸的複製。

3. 面 - 創造新連結:

如果第 2 點是「跨域知識的儲備」，第 3 點就是如何將知識連結起來。「連結能力」在不同人身上會產生截然不同的效益。例如，有人會聯想到透過交叉比對不同 AI 模型的產出，尋找尚未被定義的可能性；也有人會將 AI 生成的圖片視為「草稿」並疊加自身專業經驗，激盪出全新的創作靈感 。

要獲取這些經驗，必須主動與人互動、實地觀察與親身體驗，不斷累積並校準認知。AI 能無限量產出有趣的素材，但唯有持續與世界交流，才有能力在這些素材之間看見隱藏的關聯，並做出與眾不同的判斷。這正是機器無法取代、人類獨有的特質。

結論：善用AI探索差異，而非一概交出主體性

當 AI 已經能又快又好地產出內容，我們還有什麼理由堅持創造差異？同質化並不一定不好，當我們面對整理會議記錄、轉換文獻格式等工作時，有一致且清楚的呈現方式很好；但舉凡品牌歷史、藝術創作、個人生命經驗與文化習俗，這些不僅是人類異於機器的獨特之處，也是值得我們放下部分對效率的追求，停下來思考及探索的地方。AI 的出現讓我們能夠快速蒐集多樣性的資料，我們更應善用這個工具來拓寬創意，而非交出自己的主體性，被動接受它給我們的任何預設答案。

延伸討論

如何利用「雙鑽石模型」幫助發散思考以達到差異化？

除了上述三個創造差異化的方法，借用雙鑽石模型（Double Diamond）的架構，也能有效協助我們思考並產出具差異化的成果。雙鑽石模型是由英國設計協會在2005年提出的設計思考框架，分為以下 4 步驟：

• 探索（Discover）／思考發散：到底發生什麼事？使用者真正遇到什麼問題？
  • 工具：5W1H、問卷調查、競品分析、同理心地圖、AEIOU 法。
  • 預期結果：蒐集大量資訊、使用者需求、痛點、行為模式與市場現況，建立對問題的完整理解。
  • 在開始生成圖片或是寫文章的時候，應該要先思考希望達到的成果目的為何，先在網路上進行大量搜尋，以比對現有的成品都具有哪些差異，是否有符合自己心中預期，並且紀錄自己對於找到的結果不滿意的部分，這些都是可以進一步放大成為自己與他人有差異的特點，如果想要做一個新的產品，在此階段，需先了解市場的真實需求並找出痛點。例如，在開發一款 App 前，應先調查市面上是否有類似產品及其市場份額
• 定義（Define）／思考收斂：在眾多資訊與問題中，真正需要解決的核心問題是什麼？
  • 工具：Jobs To Be Done（JTBD）、5 Whys。
  • 預期結果：整理並歸納資訊，找出核心需求與根本問題，形成明確的問題定義與設計目標。
  • 經由探索階段後，就已經對於市場以及自我要求的特點有初步的了解，下一步就是開始尋找成品的受眾是誰，現有的成品是否可以滿足以及自己的成品是否可以填補此空缺，因此此階段需要結合特點與可能潛在的使用者，可以進行問卷調查或是尋找特定領域的相關人士，重點在於定義使用者遇到的困境，以產品開發來說，產品確定大方向後，便能進一步收斂問題。例如在此階段定義要開發筆記 App 還是記帳 App，並確認其是否真能解決使用者的問題。
• 發展（Develop）／思考發散：針對已定義的問題，有哪些可能的解決方案？
  • 工具：SCAMPER（奔馳法）、六頂思考帽（Six Thinking Hats）。
  • 預期結果：產生大量不同方向的創意與解決方案，探索各種可能性，並挑出數個值得進一步驗證的方案。
  • 定義階段收斂的結果會讓成品有了特定的方向，但是實現目標可以有許多辦法，因此在發展階段需要再次發散去尋找可行的執行辦法，一樣是透過搜尋比較現有的辦法或是藉由AI進行可行性的比較，以不同的視角審識要執行的方法是否有滿足自己要求、使用者需求、市場需求..等，而此階段也需要對實作方法進行分析，比較時間成本、可行性、金錢成本等，重點在於多方比較可行並且最有效率的方案。
• 執行（Deliver）／思考收斂：哪一個方案最有效？如何驗證並真正落地？
  • 工具：Prototype（原型）、MVP（最小可行性產品）、PDCA 循環。
  • 預期結果：測試與比較不同方案，選出最合適的解決方法，並製作初版產品以獲取市場回饋。
  • 經過前面步驟的發散與收斂，就有一個明確的方向可以把想法實際執行，可以透過PDCA進一步拆解執行步驟，並且產生第一代的產品，在執行階段需要評估的是做出來的第一代產品跟當初預期的使用者行為、成效等是否一致，如果結果不如預期，則需要再回到探索步驟，尋找實際與認知之間的落差，並且再次開始下一次的四步驟循環

參考文獻 

1. Neuroscience News（2026.03.24)，〈AI “creativity” is more predictable than human thought〉 https://neurosciencenews.com/ai-creativity-homogeneity-llm-30371/ 
2. Ashkinaze, et al. (2025.08.03)，〈How AI ideas affect the creativity, diversity, and evolution of human ideas〉 https://doi.org/10.1145/3715928.3737481 
3. De Rosa Palmini, & Cetinic. (2024.10)，〈Patterns of creativity: How user input shapes AI-generated visual diversity〉https://www.researchgate.net/publication/384769935_Patterns_of_Creativity_How_User_Input_Shapes_AI-Generated_Visual_Diversity 
4. Doshi, A. R., & Hauser, O. P. (2024.07.12)，〈Generative AI enhances individual creativity but reduces the collective diversity of novel content〉https://doi.org/10.1126/sciadv.adn5290 
5. OECD. (2024)，〈Critical thinking〉https://www.oecd.org/content/dam/oecd/en/topics/policy-issues/future-of-education-and-skills/learning-compass-constructs/Critical%20Thinking.pdf
6. 謝以心、艾力（2026.08.18），〈生成式 AI是幫助創新，抑或讓世界變得越來越像？〉https://phil.nycu.edu.tw/post-2051/ 
7. 輔仁大學 (2026.09.14最後確認)，〈服務設計的行動流程－雙鑽石模型〉https://hi-sd.fju.edu.tw/knowledge_supply_detail.php?Type=2&SerialNo=3 

署名

作者：Future Circle Cohort 01 第三組全體（林冠宏、劉玥彤、Wener Chang、李宛臻）
編輯：李宛臻
感謝Cohort夥伴：林佳憲、杜宥萱 提出差異化方法的建議。

本文僅使用生成式 AI 協助潤飾完稿文字及部分排版；內容發想整理與最終定稿由作者完成。