Steeds meer restaurants, cafés en merken grijpen naar AI-beeldgeneratoren om hun gerechten te promoten. Het resultaat is echter opvallend vaak verre van smakelijk: van noedels die op wormen lijken tot ijs dat gemaakt lijkt van gebarsten beton en burrito's vol onheilspellende gaatjes. Hoewel foto's maken van echt eten eenvoudiger lijkt, grijpen marketeers massaal naar generatieve hulpmiddelen. Maar waarom gaat het bij voedsel zo vaak zo dramatisch mis?
De technische weeffouten van diffusie
De oorzaak ligt deels in de manier waarop moderne AI-beeldgeneratoren werken. De meeste toonaangevende systemen maken gebruik van diffusiemodellen. Deze beginnen met een wolk van digitale ruis en verwijderen die stap voor stap om een afbeelding te vormen. Hierbij worden eerst de grove structuren opgebouwd en pas op het laatst de fijne details.
Als een model in de beginfase een fout maakt in de basisvorm, worden verfijnde texturen vervolgens verkeerd toegepast. Dit verklaart waarom een burger soms de textuur van steen krijgt. Volgens experts op het gebied van computervisie worstelen diffusiemodellen bovendien enorm met dunne, doorlopende structuren zoals noedels of draden. De AI begrijpt niet waar een lijn moet stoppen, waardoor ingrediënten op een onlogische manier door elkaar lopen. Ook herhalende patronen, zoals zaden of bubbels, raken snel buiten hun grenzen, wat trypofobische patronen oplevert.
Geen begrip van de fysieke wereld
Daarnaast ontbreekt het AI aan een fundamenteel begrip van de fysieke werkelijkheid. Een model weet niet wat een sandwich of taco daadwerkelijk is; het herkent enkel statistische patronen uit de trainingsdata. Wanneer het model texturen importeert die in een architectonische context normaal zijn, past het die zonder schroom toe op eetbare objecten.
De trainingsdata zelf maken het probleem niet kleiner. Veel commerciële voedselfotografie is sterk gestileerd, glanzend en onnatuurlijk uitgelicht. Beeldgeneratoren nemen deze oppervlakkige kenmerken over zonder de context te begrijpen. Bovendien worden AI-modellen steeds vaker getraind op internetmateriaal en zelfs op door AI gegenereerde beelden. Dit kan leiden tot 'model collapse', waarbij afbeeldingen steeds meer achteruitgaan in kwaliteit en vervallen in vreemde herhalingen.
Een biologisch alarmsysteem
Dat mensen zo sterk reageren op deze mislukte afbeeldingen is geen toeval. Onze reactie op vreemd uitziend eten is evolutionair bepaald. Walging beschermde de mens van oudsher tegen parasieten, ziekteverwekkers en giftige stoffen.
Wanneer een AI-afbeelding patronen vertoont die doen denken aan wormen, rot of schimmel, slaat ons brein direct alarm. Het 'uncanny valley'-effect is bij voedsel daardoor nog sterker aanwezig dan bij menselijke gezichten. Het ziet er misschien op het eerste gezicht uit als eten, maar onze oerinstincten zien meteen dat er iets niet pluis is.