在上一篇文章中，我们达成了一个共识：在云端大模型时代，一张模糊的真人实拍图，比精准的 OpenPose 骨架图更懂“物理规则”。

但这并不意味着我们可以随便去 Pinterest 上下载几张时尚大片扔给 AI。事实上，如果你这么做了，大概率会得到一张只有氛围感、但肢体结构完全崩坏的废片。

当我们把一张照片定义为“动作参考”时，它的属性就变了。它不再是给人欣赏的摄影作品，它是写给机器阅读的“视觉代码”。

给人类看的照片，讲究光影层次、构图暧昧；但给 AI 看的照片，“好看”往往是致命的毒药。

我们需要建立一套全新的、甚至有些“反审美”的选图标准。

人类摄影师喜欢指导模特做一些有互动感的动作：双手交叉抱胸、手托下巴、双腿交叠。这些动作在人眼看来很有层次感，因为我们的大脑天生具备强大的“深度知觉”，能轻易分清哪是手，哪是胸。

但在 AI 的编码器里，世界是被拍扁的。

当一张照片里，模特穿着深色衣服，把手放在胸前时，AI 看到的往往不是“手搭在胸口”，而是一块“长了手指的胸肌”。它分不清色块的边界，于是它会试图把手和身体“融合”在一起。这就是为什么你的 AI 角色经常会出现“手陷入身体里”或者“胳膊断了一截”的恐怖画面。

所以，在构建 AI 动作库时，我们必须执行一个极其严苛的“肢体分离原则”：

一张好的有效的动作参考图，肢体与躯干之间必须有清晰的区分。

这导致了一个有趣的现象：动作库里的姿势，往往看起来并不优雅，甚至有些僵硬和夸张。

我们需要模特把腋下打开，把双腿分开，把手掌远离面部。这些在传统摄影中被视为“没感觉”的平铺直叙，恰恰是 AI 最喜欢的“清晰代码”。只有把四肢像零件一样拆开展示，AI 才能在重绘时，把它们组装成你想要的任何优雅姿态。

为了结果的自然，输入的姿势必须是“刻意”的。

在做动作参考时，我们很容易陷入一个误区：我想生成一个赛博朋克的女战士，所以我找了一张拿着光剑、穿着机甲的 Coser 照片做参考。

结果呢？AI 不仅学了动作，还把 Coser 身上那些复杂的机甲碎片、发光的线条，一股脑地贴到了你的角色身上。你的角色原本设定是穿校服的，现在可能变成了混合两个图像的各自特点的融合图。

这就是参考图带来的“视觉噪音”的污染。

AI 的注意力机制是非常难以捉摸的。当参考图的服装纹理过于丰富（比如蕾丝、格子、复杂的褶皱）时，AI 会误以为这些纹理是“动作结构”的一部分。

因此，一个合格的动作库模特，应该是“隐形”的。

这就是为什么我建立的标准库里，模特穿的都是最丑、最基础的灰色紧身衣。

紧身： 为了让 AI 看清肌肉的走势和关节的折叠，而不是看清布料的垂坠。

素色： 剥夺 AI 对纹理的注意力，强迫它只能关注“这个人在做什么”。

在参考图维度上，信息的“贫乏”就是最大的“丰富”。 我们必须人为地把参考图里的“风格信息”降到最低，把你不想让 AI 抄走的细节全部抹平，它才会乖乖地只抄走你想要的那个动作。

很多生活照之所以不能用，是因为背景太丰富了。

你站在树荫下拍了一张跳跃的照片，地上的影子斑驳陆离。人眼能一眼看出哪里是脚，哪里是树影。但在 AI 眼里，那块黑色的影子可能就是你的“第三条腿”。

AI 的视觉识别本质上是在做“语义分割”。如果背景不够干净，AI 就得消耗大量的算力去猜“主体在哪里”。一旦它猜错了，你的图就崩了。

所以，动作库的第三条法则就是：把“抠图”的工作在物理世界先做完。

我们拍摄动作库时，几乎只用纯白或浅灰背景，并且打光要硬，要让人物边缘像刀切一样锐利。

我们不是在追求摄影艺术中的“空气感”或“融入环境”，我们是在追求“标本感”。我们要像制作昆虫标本一样，把人物从环境中无情地剥离出来，贴在一个绝对干净的背景板上。

只有这样，AI 才能在毫秒之间，毫不犹豫地锁定住那个动作，而不是把背景里的垃圾桶也当成你身体的一部分画出来。

重新审视我们的 AI 动作库，你会发现它毫无美感可言。

里面装满了穿着灰色秋衣秋裤的人，在惨白的背景下，做着四肢大开的奇怪体操。这些图如果发到 Instagram 上，一张赞都骗不到。

但正是这些枯燥、刻意、甚至有些丑陋的图片，构成了 AI 写真最坚实的工业地基。

因为它们是纯粹的“功能性图像”。它们牺牲了作为照片的独立审美价值，换取了作为 AI 参考的高保真度。

在 AI 创作的世界里，只有输入参考图的足够“无聊”，输出的才能足够“惊艳”。