你問 AI 要一張牧場照片，它偷改了你的問題：DALL-E 3 的提示詞修訂，把畜牧業畫成了田園詩

Solidot 於 2026 年 11 月 10 日報導，一篇發表在《Technology in Society》期刊上的研究，首次以集約化畜牧業（Intensive Livestock Farming）為案例，提供證據顯示 OpenAI 的文字生成圖像模型 DALL-E 3，會在使用者不知情的情況下，透過「提示詞修訂」（Prompt Revision）機制改寫使用者的輸入，把爭議性議題的真實面貌抹去，生成被浪漫化、美化的圖像。

問題不在畫得像不像，在它先改了你的題目

要理解這件事，可以先想像一個日常情境：你請一位口譯替你傳話，結果這位口譯覺得你的原話「不夠妥當」，於是自行潤飾之後才轉述給對方。對方聽到的是修飾版，而你可能永遠不知道原話被改過。

提示詞修訂機制就是這樣一道隱形的中介層。你輸入「一張現代養豬場的照片」，模型在生成之前，會先在你的提示詞上添加細節、調整措辭。這個機制最初是為了矯正偏見：OpenAI 等公司希望圖像在膚色、性別等面向更多元，於是讓模型重寫提示詞，例如加入「畫面中呈現不同膚色的人物」。立意是減少偏見，但研究指出，改寫的權力一旦交給模型，它也可能引進新的偏見，並在用戶不知情下改變原本意圖。

研究做了什麼，發現了什麼

研究團隊要求 DALL-E 3 生成集約化畜牧業的圖像，結果無論是牛、豬，模型給出的畫面多半是奶牛在草地上悠閒喫草、豬在泥地裡拱土的田園場景。即使研究人員明確要求「生成真實的飼養場景」，這種美化傾向依然存在。

關鍵的對照實驗在於關閉提示詞修訂功能。一旦關閉，生成的圖像就明顯接近現代畜牧業的實際樣貌：農場動物飼養在室內的集約化環境。研究人員另外要求模型生成北美、歐洲與大洋洲農場的圖像，在提示詞修訂開啟時，各地區的輸出都被統一成牧歌式場景；關閉之後，不同地區之間的差異才顯現出來。

換句話說，那層「田園濾鏡」並非模型畫不好，而是修訂機制主動加上去的。

所以呢：圖像偏差會怎麼影響一般人

研究者的警告落在傳播層面。大多數人一輩子不會走進集約化養殖場，對畜牧業的認識高度依賴媒體與圖像。當人們越來越習慣用生成式 AI 查資料、輔助決策，一個系統性輸出美化版現實的圖像模型，等於持續餵養公眾一套失真的基準認知。研究指出，這種現實與 AI 生成內容的脫節，可能阻礙社會就農場動物飼養方式展開有意義的對話。

這個案例也點出一個更普遍的判斷題：模型的「善良預設」與使用者的「原始意圖」之間，誰說了算。同樣的機制今天美化畜牧業，明天可能套用在其他爭議議題上，而使用者拿到圖時，並不知道自己的提示詞已經被改寫。對此，我們先前在Nexus Mods 要求 Mod 作者揭露 AI 使用情形的政策討論中曾觸及類似原則：透明揭露是信任的基礎，隱形的中介則容易侵蝕它。AI 工具進入工作流程後，哪些環節該保留人工檢查、哪些權限該留在人手上，也是讓 AI 寫程式前先決定它站哪個位置這類討論的核心。

可以帶走的判斷

這項研究目前證據範圍限於 DALL-E 3 與畜牧業場景，其他模型、其他議題是否呈現同樣傾向，尚待後續研究驗證。但對一般使用者，有幾件事現在就值得留意。

看到 AI 生成的圖像被拿來當「現實的示意」時，把它當成一種有立場的詮釋，而非中立的紀錄。需要呈現爭議性議題真實樣貌的場景，例如報導、教材、簡報，用 AI 生成圖像前應比對可查證的實景照片。而在工具面，部分平臺允許關閉提示詞修訂或查看被改寫後的提示詞，使用者若在意原始意圖是否被保留，值得確認手邊工具是否提供這類選項，以及預設值是開還是關。

OpenAI 引入這個機制的初衷是處理偏見，研究顯示的是：用一個隱形機制去修正另一個偏見，代價可能是製造新的失真。這筆帳該怎麼算，會隨著生成式 AI 滲入資訊取得流程，變成越來越多人都得面對的問題。