企业官网建设流程全解析

1. 这则案例讲的是什么事？核心思路拆解

1.1 R&DE是个什么机构，为什么它要用AI做广告

斯坦福大学R&DE的全称是Residential & Dining Enterprises，负责全校住宿、食堂和校园生活服务。换句话说，学生每天住在哪里、吃什么、参加什么宿舍活动，都归它管。这样一个部门每年要产出大量生活类宣传内容，例如新生宿舍介绍手册、食堂菜单周报、社区活动海报、官网“生活在斯坦福”栏目配图。以前的做法是请真人学生当模特，组织拍摄，再走一轮严格的品牌和法务审核。但拍摄有档期约束，学生有授权顾虑，传播团队又经常被要求“一周内出一版新版欢迎页”，很多执行层面的同事就会想：能不能用AI批量生成校园场景里的“学生”？这样既不用约人，又能随时改图。

单是“用AI生成学生形象”这件事，本身并不新鲜，很多设计团队已经用Stable Diffusion或者Midjourney做虚拟人物素材。真正让斯坦福R&DE这则案例被大家拿出来反复讨论的，是它在实际执行时选择了“种族交换”这个操作：拿一张真实学生的照片，用生成式AI把五官、肤色、发型这些身份特征替换成另一类特征，然后放进广告物料里当成真实学生展示。换之前可能没想过用户会怎么看，但AI大模型不会告诉你“这类操作可能让人感到被冒犯”，它只会忠实地把提示词变成图像。这正是行政机构盲目引入AI最典型的翻车现场。

1.2 需求来源里的“多元化速成”心态

追问一句为什么，答案多半落在“让广告看起来更多元”或“让新生觉得校园氛围友好”这类表述上。当一个部门认为自己需要在宣传物料里出现不同背景的学生，但又没有足够时间和预算重新组织拍摄时，最省事的方案就被提出来：找一批现成照片，用AI把其中一部分人的特征改掉，制造出“一张照片里有多元化学生”的假象。

这个逻辑听起来高效，实际上是在用工具化的方式处理“代表性”。宣传图里需要多样性，本质是为了真实反映社区成员构成，让潜在学生和家庭觉得“这里有我这样的人，我能融入”。但如果在真实照片上直接做特征替换，等于把多样性降级成一个后期特效，而不是一种需要靠制度、招聘和真实拍摄去实现的目标。斯坦福R&DE不是第一家用AI改学生照片的机构，但它把一个长期被行业回避的问题摆到了台面上：当AI能让任何一张脸变成任何样子，宣传物料里“真实的人”到底还意味着什么。

1.3 为什么这个设计思路存在根本性缺陷

第一层缺陷是“假”。广告物料默认承载着对真实服务的描述，把AI换脸后的学生照片当作真实学生展示，本质上是一种虚假陈述。第二层缺陷是“不尊重”。未经学生明确同意，擅自改变其种族特征，等于把他们当成了可随意修改的素材。第三层缺陷是“技术不自量力”。跨特征修改在生成式AI里仍然是最难做自然的高危操作，脸型、肤色、发质和五官比例的统计分布差异极大，强行替换后很容易出现“既不A也不B”的不真实感，反而会让观众下意识觉得“这张脸哪里不对”。

与其把这三点分开看，不如说它们共同构成了一个管理问题：当AI Agent和工作流被引入到内容生产流程，决策者对技术输出的伦理和法律边界并没有同步更新。AI绘画工具可以在一分钟内生成一百张备选图，但没有任何一张图自带“合规许可证”。这也是我为什么想把这次案例拆成技术、合规和流程三个维度来讲，因为它们几乎覆盖了所有组织在拥抱生成式AI时最容易踩的坑。

2. AI换脸与生成式修图的技术底细

2.1 这类项目用到的工具链

要拆解这个案例，先得知道实现“种族交换”大致会用到什么工具。通常会有一个组合：图像生成的底座模型、换脸或者人脸编辑模型、再把它们串起来的控制流程。实操中最常见的几类，我列个对比表：

如果只是做“把学生A变成另一种族裔形象”这种需求，很多人会直接选roop或者类似换脸工具，把A的脸替换成预先用Stable Diffusion生成好的B的脸。但roop这类工具的输出会保留A的表情、光线、角度信息，而肤色和五官纹理来自B，两者叠加后会产生大量不自然的边缘痕迹，尤其在耳廓、下颌线、发际线这些位置。

2.2 一版可参考的标准生产流程

假设你是一个数字营销团队的负责人，被要求“用AI产出多名不同背景学生的校园生活照”，下面这套流程是我建议的替代方案——不是说“种族交换”，而是完全生成虚构角色、不碰任何真实学生照片。

第一步，准备背景。拍摄或者生成5到10张没有人物的校园真实场景，食堂、图书馆、宿舍休息区都可以。背景一定要真实，因为它们承担广告的真实感。

第二步，在Stable Diffusion里用提示词生成虚拟学生角色。提示词建议写成“表情+动作+光线+镜头语言”的组合，而不是只写肤色或族裔特征。比如：

prompt: candid college student portrait in university dining hall, natural warm lighting, soft depth of field, casual sweatshirt, 35mm lens photography, realistic skin texture, gentle expression negative prompt: deformed hands, extra fingers, distorted face, oversaturated colors, painting style, 3d render, text, watermark

第三步，用ControlNet把人物动作固定到你想要的构图上。这一步特别适合多人群像：先用OpenPose勾勒出每个人的姿态，再让模型往姿态骨架里填人，避免“五个人全是同一个姿势”的模板感。

第四步，批量生成后统一做脸部修复。常见做法是把所有图丢进ComfyUI的一条工作流里，先放大分辨率，再单独对脸部区域做一次重绘，命令或脚本大概长这样：

# 批量出图后调用ADetailer做人脸修复的脚本示意 for i in {1..50}; do python run.py \ --prompt "college student, candid, university dining hall, realistic skin" \ --negative_prompt "deformed hands, blurry face" \ --seed $i \ --width 768 --height 1024 \ --cfg 6.0 --steps 35 \ --adetailer echo "generated batch $i" done

第五步，人工抽检。生成式AI最适合做的其实是候选素材，而不是终稿。所有要对外发布的图，至少要有一个人用肉眼逐张确认手指、五官、衣服细节，确认没有任何“像某个真实学生”的既视感。

2.3 技术盲区：为什么跨特征换脸最容易翻车

这类“种族交换”操作在技术端有几个典型的崩溃点。第一是边缘融合，比如下颌线、耳朵附近，肤色纹理和原图光照不一致，一眼就能看穿。第二是特征失配，人的脸并不是独立的五官拼接，一个模型中训练到的“A类特征”和“B类特征”在统计上各自有相关性，强行组合会出现罕见的皮肤通透度、毛发生长方向、虹膜颜色组合，让脸看起来很“假”。第三是观众的人脸感知能力极其敏感，人类从进化学上就擅长识别面部细节，任何比例上的异常都会触发“恐怖谷”反应，这比生成一幅抽象的失败图要严重得多。

另外，很多管理者不知道，AI对特定族裔的特征表达并不均衡。如果训练数据里某一类面孔占比不足，生成结果会偏向数据量多的那一类，导致角色看起来“统一模板化”。这也是所谓的“AI幻觉”在图像领域的一种体现——模型不是基于物理真实去理解人脸，而是基于数据的统计概率。你让它生成一个“高加索特征的学生”，它可能生成一堆看起来都很像的样板脸；你让它在亚洲学生脸上叠加白肤金发，它大概率会给你一个“看起来既不像亚洲人也不像白人”的四不像。用这种素材做广告，最后不是多样性，而是鬼故事。

3. 广告物料中的伦理、肖像权与合规红线

3.1 核心问题是“真实的人被工具化”

一开始我提到，R&DE这件事最让人不舒服的点，不是技术本身，而是它把真实学生变成了一个可替换的视觉对象。这里涉及两个基本伦理原则：知情同意和目的限定。学生出镜拍摄广告时，签的授权范围通常是“用于宣传校园生活”，并不等于“允许把照片改成另一个人种再发布”。一旦超出授权范围使用照片，哪怕原来的照片是正版授权，也构成了新的侵权风险。

这类问题在全球绝大多数法律框架下都成立，未经授权的肖像修改容易同时踩中肖像权、虚假宣传和个人数据保护的线，尤其是涉及学生的照片默认应该按“能不处理就不处理”来执行。以大学场景来说，学生属于相对弱势的一方，他们很难拒绝学校宣传部门提出的出镜请求，更不可能预想到“自己的脸会被AI修改后变成另一个人”。这种权力不对等决定了，机构在决定怎么处理学生照片时必须承担更高标准的注意义务。

3.2 多元呈现的合规替代方案

想在广告里体现多元性，其实有远比“换脸”稳妥的路径。第一，真实拍摄，哪怕只有五个真人学生，也远比一百张AI假脸有说服力。第二，使用全虚构的AI生成角色，明确注明“示例图片由AI生成，人物为虚构”，法律风险由知情同意下降为虚假宣传风险，属于可控范围。第三，用半身剪影、背影、插画、手绘风来呈现不同背景的学生，既能表达主题，又不涉及具体人物身份。

我觉得尤其值得强调的是“明确标注合成内容”。现在很多国家和地区的生成式AI内容披露要求都在收紧，平台也开始要求识别AI生成内容。广告领域如果使用合成图像却不标注，一旦被用户提出质疑，性质就是“误导消费者”，轻则下架，重则形成负面舆情。与其在事后被逼着承认，不如在一开始就把“AI生成”作为设计元素的一部分，大大方方地公布出来，反而更容易获得信任。

3.3 给大学及品牌方的一份合规自查清单

很多组织并不是故意违规，而是缺少发布前的检查节点。以下是我反复用过的一份自查清单，可以直接贴到内部审批流程里：

• 是否确认出镜者本人知悉并同意当前这张图的使用方式？
• 是否对原始图片进行了影响身份识别的修改（换脸、改肤色、改发型、改五官比例）？
• 如果修改过，新形象是否还能指向一个真实存在的人？如果指向不存在的“合成人”，是否已明确标注？
• 发布渠道是否对AI生成内容有强制标注要求？
• 广告语中是否暗示“照片即真实校园场景”？是否构成误导？
• 是否保留了原始素材和修改过程的版本记录，以备争议时核查？
• 是否已经过法务、品牌和第三方代表至少两轮审核？

如果其中任何一项答案是“否”或“不确定”，我的建议是先别发。

4. 如果真要“改脸”，怎么把风险降到最低

4.1 技术上的折中方案

先声明，我本人不推荐直接用真实学生的照片做族裔替换。但如果团队已经决定要测试这类创意，我只能给出降低风险的折中办法。

第一，不要从真实学生照片上的脸开始。应该先用Stable Diffusion生成一张完全虚构的“A脸”，做特征替换时，源图和目标图都不要出现真实学生。这样出片之后，任何人不小心认成某个学生，都无法确权。第二，不要在一张图上大面积改身份特征，改成只修改发型、服装、背景和光线这类非身份信息，肤色和五官比例保持原始状态。第三，在内部测试稿上打满水印，标注“合成内容·禁止外发”，发布版另外重新生成。第四，保留所有生成参数、种子、原始未修改照片的存档。万一出现争议，你至少能向公众说明你不是恶意造假，而是流程控制失误。但“能解释”只是最后防线，不等于可以大胆乱用。

举个实际流程例子：假设你是一个内容运营，需要为校园指南配图，可以先用SD生成虚构角色，每个角色单独建立标签，避免和真实学生名单重叠。再把成品图放到内部网盘，文件夹名称写“AI虚构素材，不可对外宣称真实”。从命名层面阻断误用，比只靠自觉管用得多。

4.2 一旦翻车，怎么跟公众沟通

如果你们已经发布了类似物料，并且被公开批评，下面的沟通顺序能帮你少踩很多雷。第一步，立刻下架所有相关物料，而不是先写解释文案。第二步，用机构官方账号发一封简短、直接、不加修饰的致歉声明，内容包含三项：用了什么技术、为什么这不对、打算怎么改。第三步，把涉事素材的负责人内部复盘流程公开一部分，让公众看到你有真实制度动作，而不是甩锅给外包。第四步，请受影响的当事学生参与后续审核，让他们的意见变成新的流程规则。最后，在后续一个月里持续公示改进进度。

最忌讳的回应是什么呢？是“这是AI生成的，不是我们的错”“只是内部测试，不小心泄漏了”这类辩解。公众在意的根本不是技术，而是你有没有把真实的人当回事。越早承认“我们错了”，后续重建信任的成本越低。

4.3 内部审批流程应该改成什么样

引入AI内容后，广告审批不再是市场部一个人的事。比较稳妥的做法是，设计团队提交素材后，走三层审核：第一层法务，检查是否涉及肖像权、虚假宣传和敏感数据；第二层品牌公关，评估画面是否会给公众带来误导或冒犯；第三层学生代表或者受众代表，从被展示群体的视角提意见。如果条件允许，还可以让技术团队出一份“AI生成过程说明”，记录提示词、模型版本和后续重绘步骤，作为审核依据。

这套流程看起来重，但对大学或大品牌来说其实是必需的。AI Agent现在越来越多地进到创意工作流里，一个自动化流程就能同时生成几十版视觉素材，如果审核还停留在“看打印稿签字”的速度，出事是迟早的。把AI内容审核前置成与设计并行的一个环节，反而比事后救火更省时间。

5. 常见问题与排查技巧实录

5.1 生成图像不够自然怎么办

我自己的排查顺序是：先看是否是脸部区域的问题，如果是，就开ADetailer；如果脸部没问题但整体像“假照片”，就降低CFG Scale，从7降到5左右，同时增加步数到40，让画面细节更平滑。如果多人场景里的姿态别扭，就加ControlNet OpenPose，手动调整骨架点。如果肤色纹理看起来像塑料，试着在负面提示词里加glossy skin, airbrushed skin，并改用写实LoRA或refiner模型。这几步能解决大约八成“AI脸”。

如果做完以上操作还是觉得边缘衔接有问题，那就老老实实用Photoshop的生成式填充或者手工蒙版对特定区域重绘。别指望一条提示词解决所有问题，生成式AI是概率输出，你需要把它当成“一个水平忽高忽低的实习生”，实习生成稿后，资深设计师必须做终审。

5.2 已经做了类似项目且被批评，怎么处理

这是我在实际咨询里被问得最多的问题。处理顺序没有魔法：立即停止相关生成任务，确保不再产生新物料；马上把已经在公开渠道的内容全部撤下来；用内部通讯渠道向涉事学生或员工道歉并解释；请律师评估是否需要书面澄清；再按4.2的顺序做公开沟通。情绪上要理解，公众的批评并不是针对某个执行者个人，而是针对机构价值观的失效，个人能做的就是别躲、别删聊天记录、别用另一个AI去生成“道歉声明配图”，那只会让事态更难收拾。

后续改进时，每次提需求前都加一步灵魂拷问：“如果这张照片里的人是我自己，我愿意被这样改吗？”这句话在团队会议里说出来，大部分不合理的AI创意需求会立刻降温。

5.3 更稳妥的AI广告工具组合建议

如果让人推荐一套“安全且好上手”的工具箱，我会选这个组合：用ComfyUI管理形象库，把角色固定的LoRA存成模板，让团队每次出图都从同一套虚构人物资料出发；用Stable Diffusion加ADetailer做批量出图；用ControlNet做人体姿态控制；最后在Photoshop或类似工具里做精修。整个工作流的底线是“虚构、标注、留痕”，三样缺一不可。

对完全没有上手经验的团队，可以先从包装好的在线AI绘画产品开始，比如通义万相、即梦、可灵这类大厂产品，内部通常已经有内容审核和商用授权说明，比裸跑Stable Diffusion安全得多。但不管用什么产品，都要在项目立项时写清楚“生成内容不能指向真实个人”，这句话给运营、设计、技术三方都提个醒。

在我实际参与的几个高校和文旅项目中，真正让AI广告安全的，不是模型多强，而是流程里多了一个“人工标注和人工复核”角色。生成式AI每生成一张图，都要有人问一句：这张图如果被当事人看到，他们会同意吗。只要这个角色存在，大部分风险就消失了。这也是我从斯坦福R&DE这个案例里读到的最有价值的东西：AI可以做很多事，但“谁决定一个人可以被怎样呈现”，仍然必须由人来回答。