我一开始根本没想研究什么AI的“丑脸评分”标准。我只是前段时间帮朋友搞一个短视频的滤镜，那个滤镜是基于面部关键点识别的，结果发现，某些长相特别有特点，或者说五官离散度比较大的用户，系统老是识别错位，甚至直接报错，完全没法用。这让我好奇了，AI到底是怎么判断一张脸“难看”的？或者说，怎么判断一张脸“难处理”？
我决定自己动手跑个测试，看看AI到底在测什么
我立马抓了两个方向的AI模型，准备来个左右互搏。
- 第一派：传统的“颜值测试”模型（我们叫它P-Model，漂亮模型）。这玩意儿网上随便一搜一大把，核心逻辑就是算对称、算比例，看眼睛是不是在黄金分割线上，鼻子是不是够挺，皮肤是不是平整。它们追求的是“中庸美”，或者说“数据拟合美”。
- 第二派：我自创的“特征干扰度”模型（我们叫它D-Model，离散度模型）。这东西市面上没有现成的APP让你玩，我得自己动手。我翻出了几个专门搞CV（计算机视觉）的开源项目，扒拉下来一个用来做“反向训练”的工具。这个工具本来是用来找图片里的噪点和异常区域的，不是用来找美的，而是用来找“让AI感到困惑”的特征。我调整了参数，让它专门针对人脸五官进行特征点提取，并且计算这些特征点之间的“信息熵”，说白了，就是看这张脸的特征点排布，是不是特别难被标准数据库收录。点越是稀有，越是反常，得分就越高。
开始我的“AI鉴丑”实践
工具备好了，接下来就是找素材。为了让数据更有说服力，我搜罗了三类照片，每类都找了十张样本，一共三十张脸，准备一锅端，全部扔进P-Model和D-Model里跑分。
第一组：标准美脸。这组脸都是经过精修或者天生就极其符合黄金比例的，比如网络上公认的帅哥美女，特点是脸型标准，五官对称度几乎拉满。
第二组：普通大众脸。这组脸就是我们身边的普通人，既不丑，也没什么特别的记忆点，特征点都规规矩矩，没有明显的突出或凹陷。
第三组：极具特点脸（或者叫“挑战者”）。这组脸特征非常鲜明，有些是天生就有的，比如异常宽的下巴、特别突出的颧骨、或者眼睛大小差异明显；有些是抓拍的夸张表情导致的极度不对称。它们是标准的AI“识别困难户”。
跑分与记录结果
我把这三十张照片一张一张地扔进去，然后手工记录了两套系统的评分。过程有点枯燥，但结果出来，我整个人都拍大腿了，跟我预想的完全不一样！
第一轮：正向美度评估（P-Model）的结果
- 标准美脸：平均得分90分以上。意料之中。
- 普通大众脸：平均得分60到75分。中规中矩。
- 极具特点脸：平均得分只有40到55分。这说明传统颜值测试认为这些脸是“不美的”，因为它们严重偏离了对称和比例标准。
第二轮：反向丑脸评分（D-Model）的结果
重点来了，我的“特征干扰度”模型给出的分数（分数越高，代表“越丑”，或者说“越难识别”）。
- 标准美脸：平均得分只有10分左右。AI表示：处理起来太轻松了，信息量少，特征点太集中，不丑。
- 普通大众脸：平均得分25分左右。比标准美脸稍微高一点，但还是在安全范围，AI处理起来无压力。
- 极具特点脸：平均得分直接飙到了70分以上！有些夸张的脸，甚至突破了80分。
实践AI的“丑”和人类的“丑”
这下就彻底搞清楚了。最新的AI“丑脸评分标准”跟我们平时理解的“颜值测试”根本就是两码事，它们测试的维度完全不同。
颜值测试（P-Model）测试的是“美”，它追求的是特征的收敛性和统计学上的高频。你长得越符合平均值、越对称、越符合黄金比例，分数就越高。它判断的是“你有多漂亮？”
丑脸评分（D-Model）测试的不是“不美”，而是“难处理”和“稀有度”。它追求的是特征的离散性和数据处理的难度。当你的五官特征点在空间中的排布，或者五官形状本身的复杂度，超出了AI常规训练集的处理范围，让AI的识别效率下降，甚至产生错误预判的时候，它就会给你打高分。它判断的是“你让AI有多困惑？”
一个长得很有特点，比如有国字脸、小眼睛、大鼻子，虽然在传统颜值测试里可能分数不高，但在最新的AI“丑脸评分”里，只要你的特征点排布足够独特，让它识别困难，你就是高分“丑脸”。
简单来说：颜值测试看你是不是“大众美人”，而AI丑脸评分看你是不是“数据异类”。我朋友那个滤镜识别出问题，就是因为它在处理“数据异类”时，直接崩了。这实践算是彻底给我上了一课，下次再做AI识别相关的应用，对这些“特点脸”的数据集要重点优化了。