那张被市场部一票否决的口红主图：聊聊美妆 AI 生图的塑料感是怎么来的

我手里有一个让我印象很深的案例，每次有美妆电商客户问我”AI 能不能用来出口红主图”的时候我都会讲这个故事。

故事的主角是一个国货美妆品牌的设计师。她去年想用 AI 生图做一组新口红的主图——目的很直接，是想看看能不能省下那一笔棚拍预算。她做了 4 个色号的特写图，每张都用了她能想到的所有 prompt 优化技巧：具体的材质描述、明确的光源方向、参考图、负面 prompt 全都用上了。她自己看了一遍觉得”已经很不错了”——颜色对、形状对、连质感都尽量贴近了真实产品。她当时挺有信心地把这 4 张图交给市场部审核。

第二天她收到了市场部的反馈，原话大致是这样：

这几张图技术上没问题，但所有 4 张都不能用——因为这看起来不像我们的口红，看起来像别家的玩具。

她当时一脸懵。她跟我说她反复看了好几遍，怎么也想不通市场部说的”像玩具”具体是哪里像玩具——颜色明明是对的，形状明明也是对的。她想去找市场部争论，又有点犹豫，最后她拿着图来找我们看。

那条决定性的”高光线”

我让她把真品口红和 AI 生成的图放在一起。

放在一起之后区别就出来了，但需要你认真看才能看到——真品口红膏体的表面有一条非常细的、若隐若现的高光线。这条线不是被某个聚光灯打出来的”硬高光”，是次表面散射带来的”软高光”——光线进入膏体表面之后在内部弥散一下再射出来，结果就是膏体表面有一种”想用手指碰一下”的湿润感。

那条高光线不是装饰，它是消费者大脑判断”这是膏体而不是塑料”的核心信号。它在那里的时候你感觉这是化妆品，它不在那里的时候你感觉这是模型。

AI 生成的那 4 张图里没有这条高光线。AI 画出来的是一个”看起来像口红但又不像”的物体——颜色是对的、形状是对的、甚至大致的光泽也对，但缺了那种”次表面散射带来的湿润感”。整支口红看起来更像是一根被涂上了红色的塑料棒，而不是一支可以涂在嘴唇上的化妆品。

我把这件事指给她看的时候，她愣了挺久。她最后说：“我以前从来没意识到口红主图最关键的不是颜色，是这条线。”

市场部总监跟她讲过的另一句话也让我印象很深，大意是这样的：

消费者买口红不是买一根棒状的红色物体，是买”涂在嘴唇上是什么感觉”的视觉承诺。少了那条高光线，整张图的”承诺感”就崩了——看起来更像是玩具样板而不是化妆品。

这句话其实把美妆产品图的核心说出来了。美妆消费者对图片的判断不是在判断”这个产品长什么样”，是在判断”这个产品用起来什么感觉”。前者 AI 生图能做到，后者目前还做不到——因为”用起来什么感觉”这件事是由那些极其细微的物理光学现象编码的，而这些现象恰好是 AI 训练数据里覆盖最薄弱的地方。

为什么 AI 训练数据天然就在这件事上吃亏

讲到这里我想稍微深一层聊聊”为什么”。这件事不只是某个具体模型的问题，它是整个 AI 生图行业目前的共同短板。

通用生图模型的训练数据里，“美妆产品的特写”是一个相对小的子集。而这个子集本身还有几个让事情更糟的特点：

第一个特点是循环放大问题——电商平台上存在大量被过度修图的美妆产品图，AI 训练数据里能拿到的”美妆产品图”很多本身就是”被人手动修图修成塑料感的图”。AI 学到的不是”真实的美妆产品长什么样”，而是”被过度修图过的美妆产品长什么样”。然后用户用 AI 生成新的塑料感美妆图，这些图回流到训练数据，下一代模型学到更多塑料感图……这是一个自我加强的循环。

第二个特点是专业级原始素材稀缺。真正高规格的商业摄影图绝大多数有版权保护，不会大量进入开源训练集。AI 模型见不到那些”细节最丰富、最能体现真实物理特性”的图，它只能从那些已经被压缩、被处理过的图里学。

第三个特点是标签的颗粒度太粗。“粉质”、“膏体”、“液体”在大多数数据集里都被打成同一个标签——“化妆品”。模型很难分辨它们之间的物理差异。一支口红膏体和一瓶粉底液在物理特性上完全是两回事——一个是半固体次表面散射，另一个是液体折射 + 表面油润度——但在训练数据里它们都被叫做”美妆产品”。模型分不清，自然也画不好。

这三个特点叠加在一起，结果就是美妆产品的核心物理质感处于 AI 生图模型的明显弱区。这不是某个模型的 bug，是整个行业现阶段的共同短板，也不是简单地”再训练一个版本”能解决的——因为问题在于”训练数据本身的偏差”，而不是”模型架构”。

三类质地的具体翻车方式

我后来跟那位设计师一起复盘过她当时遇到的问题，顺便聊了一下另外两类美妆质地——液体和粉质——在 AI 生图里也有类似的问题。

液体的核心视觉特征是透明度 + 折射 + 表面油润度。粉底液瓶子里的液体在 AI 生图里经常变成”凝固的胶水”——透明度不对、折射方向不对、表面没有油润反光。香水瓶最难——透过瓶子看到的背景没有正确变形（折射），瓶身的多层反射叠加 AI 也处理不好。我们后来给所有做液体类美妆的客户的统一建议是：液体特写图保留真实拍摄的核心素材，AI 只做背景和氛围替换。不要试图让 AI 凭空生成液体特写。

粉质的核心视觉特征是微观粗糙度 + 哑光散射。粉饼和眼影盘在 AI 生图里经常变成”光滑的塑料盘”——粉质特有的”散光感”被磨平、不同粉质的颗粒密度被同质化处理。有趣的是粉质的”使用过痕迹”是真实感的重要信号：消费者潜意识里期待粉饼有一点点被指尖按过的凹陷、有一些粉末散落在边缘——但 AI 默认只生成”全新未使用”的状态，结果是看起来像玩具样品。我们对粉饼和眼影特写的建议和液体一样——坚持真实拍摄，AI 优势不在这里。

膏体在前面已经讲过了，那条高光线是关键。

这三类质地的共同问题是——它们的真实感都依赖一些极其细微的物理现象，而这些现象都恰好处于 AI 训练数据的盲区。这不是巧合。美妆产品本来就是”靠细节卖货”的品类，而 AI 工具目前最不擅长的就是细节。这两者在产品定位上是相互冲突的。

那位设计师后来做的事

讲回那位设计师。她那次被市场部全部打回之后，做了一个我觉得非常聪明的判断——

她没有继续在”调 prompt 让 AI 画出那条高光线”上死磕，而是改变了整个工作流的方向。她让公司给她安排了一次基础的产品摄影培训，自己学着用手机和一组小型补光灯拍真品口红的特写。这种自拍不需要专业棚——一张白底背景纸、一个柔光灯、一个反光板就能搞定。她拍出来的”原图”质量当然比不上专业摄影师的水平，但它们至少有那条决定性的高光线——因为光线打在真品口红上，物理现象会自己发生。

然后她把这些”自拍的原图”喂给图叮AI 的修图工具，做背景替换、做光影优化、做不同色号的批量出色款。这条路走下来效果比”全 AI 生图”好得多，因为她保留了真品图里的那条决定性的高光线，AI 只是在已经”画好物理特性”的图上做后期处理。

她那次之后再也没用 AI 生图做过口红特写。她跟我说：“以前我以为这是’AI 替代摄影师’的问题，后来发现这是’AI 不能凭空理解物理’的问题。换一种工作方式之后我反而比之前快了。”

我把这个故事讲给所有做美妆的客户听，目的不是劝她们放弃 AI——是让她们明白一件事：美妆产品的视觉真实感往往藏在一些极其细微的物理现象里，而这些细节恰好是当前 AI 生图模型最薄弱的部分。你想用 AI 做美妆图，可以，但你必须知道你在用它做什么——做”氛围”还是做”承诺”。前者 AI 完全可以胜任，后者目前还得靠真实拍摄。

写在最后

如果你也在做美妆电商，我们和不少成熟品牌团队聊下来的共识是这样的——别和 AI 工具的物理限制硬碰硬。膏体特写、液体折射、粉质细节这三类核心质感画面，留给真实拍摄；化妆镜前的氛围、梳妆台旁的场景、礼盒陈设的环境，这些”真实感不直接挂钩转化”的部分交给 AI 来做。这种”AI 修图不 AI 生图”的混合工作流是当前最务实的解法，也是几乎所有成熟美妆品牌的真实选择。

我接触过的所有国货美妆品牌里，没有一家是”全 AI 生图”的。这不是巧合，是大家被反复打脸之后的共同选择。市场部那种”看起来像玩具”的判断不是审美洁癖，是消费者在退货时会用脚投票的真实结果。

至于那些一开始就追求图形化、风格化、二次元风的视觉——这些场景反而可以放心交给 AI。因为它们本来就不依赖”真实物理光学”的可信度，“塑料感”在这种语境下甚至可能是想要的效果。但这不是大多数美妆品牌的定位，所以这种例外对你大概率不适用。

“塑料感”不是 AI 工具的偷懒，是物理光学的客观限制和训练数据的现实约束共同作用的结果。理解这一点之后，你看待 AI 生成美妆图的方式应该从”为什么不够好”变成”在它的能力范围内怎么用得最好”。这是我所知道的从工具焦虑里走出来的最务实的一条路径，也是我从那位设计师身上学到的最重要的一件事——接受工具的真实边界，把它放在它擅长的位置，用真实拍摄补足它薄弱的部分。

任何鼓吹”AI 全部替代”的声音，都没有真正面对过美妆产品的复杂物理特性，也没有被那种”差一条高光线就被市场部全部打回”的瞬间真正教训过。