AI智能修图的能力边界：它到底能修什么修不了什么

总有朋友拿着一张糊成马赛克的照片问我："AI能不能修清晰？"我说不能，他一脸"你不是搞AI的吗"的失望。这误会太普遍了，干脆写一篇把AI智能修图的能力边界讲透：哪些活儿它干得漂亮，哪些活儿它真干不了，以及为什么。

一个判断标准：删信息还是造信息

AI修图的所有需求可以分成两类："删信息型"（去杂物、降噪、磨皮--把不要的像素抹掉，AI用周围内容填补）和"造信息型"（把糊的变清晰、把缺的补全--需要AI"无中生有"）。删信息型的AI已经接近满分，造信息型的AI永远有天花板。

为什么造信息有天花板？因为一张照片拍下的像素是"全部事实"，糊掉的部分信息已经物理性丢失了。AI所谓"修复"其实是"猜测"：它见过 billions 张清晰的照片，所以能猜出一个"大概率长这样"的版本--猜对的时候惊艳，猜错的时候恐怖（人脸修出六根手指、文字修成乱码）。这个"猜"的机制决定了它的适用线：装饰性内容（草地、天空、墙面纹理）猜得八九不离十，事实性内容（人脸、文字、数字）猜错了就是事故。生成机制的背景可以看维基百科生成式AI条目。

能做的事和真实水平

去杂物（九成场景一把过）、画质增强（分辨率翻倍可信）、重打光（改变了摄影的后期逻辑）、扩图（画幅扩展以假乱真）、风格转换（成熟到成了社交货币）--这五项是AI修图的"舒适区"，放心用。

每项的实操细节我在其他篇里都展开过：消除和合成的玩法看AI修图贴片教程，放大的参数看AI图片放大教程，打光的系统性讲法看AI光影重打光教程。这篇只讲边界，不重复细节。

做不到的事和原因

四件AI修图做不到或做不可靠的事：严重失焦的挽救（信息物理丢失）、小字号文字的修复（猜错即事故）、多人合照的分别精修（人脸识别混乱）、批量一致性的保证（每次生成有随机性）。期待这些功能的可以先死心。

逐个说人话。严重失焦：轻微糊AI能"锐化"回来（其实是有依据的猜测），糊到认不出五官的，AI给出的"清晰版"是编的--证件场景用等于造假，收藏场景用等于自欺。小字号文字：AI对文字的生成可靠度约八成，大标题还行，正文小字基本乱码，扫描文档里的文字修复务必逐字校对（这条的展开看AI修PDF图那篇）。多人合照的分别精修：AI的人脸检测在遮挡、侧脸、密集人脸场景下会认错人，给A磨皮磨到B脸上的事故真实发生过。批量一致性：同一张图跑两次AI，结果有差异，需要"完全一致的成套效果"的场景（如产品系列图）要把参数和随机种子锁住，或者干脆用非AI的传统批处理。

那些"看起来做到了"的灰色地带

有些需求AI表面上完成了，实际埋着雷：换脸级别的"美颜"（识别度崩塌）、超分辨率"还原"监控画面（影视效果，证据场景不能用）、AI"修复"历史照片（细节是编的）。灰色地带的共同点：成品好看，但可信度存疑。

超分辨率修监控这个多说两句，因为影视剧带偏了公众认知：现实中的监控画面增强，AI能做的只是"看着清楚些"的重建（有猜测成分），做不到"放大后看清车牌"的取证级还原。司法场景对AI增强的接受度有严格限制，增强后的图像作为证据的效力存疑。老照片修复同理：AI修出的"祖母年轻时的样子"，五官细节是模型猜的，情感价值和证据价值要分开看，家庭留念没问题，族谱档案别用。老照片修复的完整注意事项在老照片AI修复。据艾媒咨询的AIGC应用报告，"AI生成内容的可信度"已经超过"功能丰富度"成为用户最关心的维度。

常见问题

糊掉的照片AI真的修不回来吗？

轻微模糊能改善（有依据的锐化），严重糊掉的"修复"是AI编的。看用途：发朋友圈随意，留证、归档、识别身份的场合别用。

AI修图会不会越修越假？

删信息型操作（消除、降噪）不会造假，造信息型操作（生成、超分）有"编造"成分。分清两类就知道哪里该警惕。

为什么同一张图AI两次修出来不一样？

生成式AI有随机性，每次采样结果不同。需要一致性的场景锁定参数和随机种子，或改用传统批处理。

AI修图的极限在哪还会突破吗？

删信息型已接近饱和（相关技术脉络参考图像复原的条目），造信息型的天花板是物理性的（丢失的信息无法真正找回），提升方向是"猜得更准"而非"变回事实"。

搞清AI修图的边界，比学会十个AI技巧更有用--知道它不能做什么，你才不会在最不该期待的地方失望。觉得这篇有用的话，分享给总拿马赛克图求救的朋友吧，这篇替你把话说清楚。