用AI给老照片上色时，它凭空画出了底片上不存在的眉毛，还读错了路牌的文字。真正的技巧不是告诉AI该画什么，而是告诉它哪些细节已经永远丢失，不能编造。
1976年夏天，南本德。一个八岁男孩站在家门口，雪松木瓦暗绿色，山墙刷白。这张黑白底片保存了近五十年，直到被送入AI上色。结果出来后，照片的拍摄者愣住了：AI给弟弟画上了一对眉毛，而原始底片上根本没有。
这是个人实验的一角。第二张照片拍的是1920年代早期伊利诺伊州的一队筑路工人，他们正在铺建后来成为美国40号公路的路段。这次准备更充分，有2007年拍摄的参考照片同一条废路、同一批砖块。AI对砖块、草皮、泥土的处理都不错，工人的衣服也呈现出褪色的蓝灰和棕褐色，符合时代感。但路边那块牌子出了岔子：AI渲染成USA Liberty Loan，而照片主人仔细辨认后认为是Lockerbie，其余字样已不可读。
两个错误揭示了同一个问题。被AI上色的信息可以分成三类：第一类是幸存且已知的信息，比如那些砖块今天还能拍得到，有实物参照。第二类是可合理推断的信息，比如那个年代工装的常见颜色，AI能做出不错的猜测。第三类是真正丢失的信息，弟弟的眉毛在底片本就不清晰，路牌上的字已经磨损到无法确认。
AI面对第三类信息时，不会说这里我看不清，它会填上一个看起来合理的答案。而这就是问题所在。
当实验者明确告诉AI不要解析不存在的细节后，重新上色的照片质量骤升。你能感受到眉毛的存在，但不用真正看到它们。面部追踪是准确的，没有多余的编造。一张老照片的边界被尊重了。
由此引出一个关于人和AI分工的洞察：AI看到的是像素，人知道扫描件里有什么、没有什么。关键能力不是调参技巧，而是清楚地传递确定性，同时也把不确定性放回去。而对自己弟弟的面容足够熟悉，熟悉到一眼就能判断AI上色的结果哪里不对劲，这或许才是更本质的技能。
原文：https://blog.jimgrey.net/2026/06/30/what-happens-when-the-information-runs-out