Чому найкращі нейромережі досі не роблять реалізм? Чи роблять?

Nano Banana Pro, GPT Images 2.0, Luma Uni-1 це все ТОПІ які генерують картинки найкращої якості. Картинки які ви приймете за фото. Але...Більшість людей — приймуть. Професійний фотограф — ні. І справа не в пальцях і не в артефактах. Справа у світлі, глибині та дрібних деталях — трьох речах, де нейромережі поки що плутаються. Реалізм у згенерованих зображеннях є. Просто у реального фото маркерів реалізму більше — і саме на цій різниці в щільності маркерів відбувається вся гра.

Останнііх 6 місяців я занурювався у теорію світла, перечитував матеріали з кінематографії, спілкувався з фотографами та класичними режисерами. Паралельно, як роблю постійно, ганяю тести найсильніших генеративних моделей — десятки кадрів, у яких світло є головним героєм.

Нижче покажу шість із цих тестів, як приклад. Щоб ви зрозуміли різницю наочно. Спойлер: моделі стали ще кращими. Але між "дуже якісною симуляцією реальності" і самою реальністю досі є зазор, який AI-митцю треба називати своїм ім'ям.

Спочатку про очевидне: так, вони хороші

Давайте одразу знімемо звинувачення в "AI-скептицизмі з порожніми руками". Nano Banana Pro, GPT Images 2.0 і Luma Uni-1 — це інструменти, які вже сьогодні замінюють цілу низку продакшн-задач: key visual для дисплея, рекламні стіли, контент для соцмереж, мудборди, ілюстрації концептів. Ми в агенції maibutne використовуємо їх щодня і будемо використовувати ще частіше.

Питання не в тому, погані вони чи добрі. Питання в тому, що саме вони роблять — і що ми за це видаємо.

У чому фокус: більше маркерів реалізму vs. менше?

Фотографія — це фізика. Світло йде від джерела, відбивається від поверхні з конкретною шорсткістю, розсіюється у повітрі з конкретною кількістю пилу, потрапляє на сенсор через лінзу з конкретною аберацією. Кожен піксель реального фото — результат мільйона маленьких фізичних подій, і кожна з них залишає свій маркер.

Нейромережа не моделює фізику. Вона статистично вгадує, як мав би виглядати піксель, якби всі ці події відбулися. У 90% сцен це працює. У 10% — там, де світло є головним драматургом, — з'являються зазори. Давайте розберемо шість прикладів.

Приклад 1. Портрет з дзеркалом і софтбоксом

На реальному фото відбувається фізично складна штука: ліворуч б'є холодне блакитне світло софтбокса, праворуч — тепле оранжеве від додаткового джерела, а обличчя ми бачимо у дзеркалі, яке ще й переломлює ці два потоки. Отримуємо класичний cross-lighting з чіткою межею між теплом і холодом просто на шкірі.

• Nano Banana 2 (далі буде сама, бо в реалізмі вона краща за Pro) намагається відтворити сцену, але "забуває" про другий колір. Кадр стає монохромно-холодним, оранжеве джерело справа втратило силу і перетворилося на декоративну лампочку. Драма зникла.
• GPT Images 2.0 взагалі відмовляється від кольорового контрасту — все рівне, нейтральне, "студійне". Технічно чисто, емоційно мертво.
• Luma Uni 1 сміливіше: тримає і холод, і тепло, навіть додає світлове обведення на шапці. Але дивіться уважно на обличчя — воно не передає всіх тональних переходів і гри світла, які дає реальний софтбокс. Зони світла і тіні є, але між ними немає тих десятків проміжних півтонів, через які шкіра виглядає живою.

Жодна модель не вхопила головного: реальне фото — це конфлікт двох світлових світів на одному обличчі. Нейронки замість конфлікту дають гармонію. Бо гармонія — це статистичне середнє. А цікава фотографія живе на відхиленнях.

Приклад 2. Пляшка олії у автентичному інтер'єрі

Тут цікаво, бо реального фото немає — всі чотири варіанти згенеровані. І видно, як моделі між собою трактують одне й те саме завдання.

• Nano Banana Pro дає найкинематографічнішу картинку: теплий beam через вікно, пилинки в повітрі, красива глибина різкості. Але придивіться до пляшки — вона світиться зсередини, хоча поруч є вікно як єдине джерело. Фізика порушена, око ловить це як "щось не так", навіть не формулюючи чому.
• Nano Banana 2 вирішує проблему по-своєму: ставить пляшку майже на вікно, щоб виправдати контровий світловий пробій. Логічно, але композиційно нудно і рекламно "пласко".
• GPT Images 2.0 — класичний приклад "AI-перебору". Соняшник розміром із голову людини, шафки ломляться від пафосного реквізиту, світло "вибухає" зусібіч. Це не українська хата, це її голлівудська фантазія.
• Luma Uni 1 виглядає найстриманіше і, парадоксально, найбільш фото-подібно. Але саме їй не вистачає магії — картинка плоска, ніби знято на смартфон у полудень.

Жодна модель не питає себе головного: звідки тут світло і куди воно йде. Усі просто додають "теплу атмосферу" як фільтр.

Приклад 3. Продукт на кухонному столі

Цей приклад — про глибину різкості і про те, як нейромережі не розуміють боке.

На реальному фото розмиття заднього плану м'яке, неоднорідне, з вкрапленнями точкових світлових плям (bokeh balls від металевих поверхонь на кухні). Це робота реальної оптики.

• Nano Banana 2 імітує розмиття рівномірним гаусом. Фон виглядає як "блюр у Photoshop" — технічно присутній, оптично фальшивий.
• GPT Images 2.0 додає більше реквізиту (томати, зелень), але фон знову "пластиліновий". Плюс у нього нав'язлива ідея — все має бути ідеально теплим, як у рекламі 2008 року.
• Luma Uni 1 дає найчистішу композицію, але упаковка маргарину явно менша, ніж має бути — пропорції "попливли". Це характерна помилка моделей: вони не тримають фізичний розмір об'єкта відносно середовища.

Професійний фотограф бачить різницю за 0,3 секунди. Замовник, який платить за рекламу, теж побачить — але не сформулює, а лише відчує, що щось не так. А може і не побачить — і ось це "не побачить" стосується більшості глядачів. Відчуття легкого дискомфорту є, але на свідомому рівні "ніби все ок". Саме на цьому зазорі між відчуттям і усвідомленням і відбувається вся гра.

Приклад 4. Дівчина в покинутій будівлі

Найжорсткіший тест — harsh daylight через скло промислових вікон. Реальне фото: жорсткі тіні від рами падають смугами на обличчя, долоня затіняє очі, хмарно-світле небо працює як велетенський рефлектор.

• Nano Banana 2 робить небо занадто блакитним і чистим. Реальне фото знято у серпанку — моделі "покращують" погоду, бо в їх тренувальному датасеті гарне небо зустрічається частіше за реальне. Тіні від рами теж стали м'якшими, ніж мали бути.
• GPT Images 2.0 найближче до оригіналу за настроєм, але обличчя дівчини неприродно освітлене знизу — нейронка додала заповнюючого світла, якого в реальній сцені не було. Бо так "красивіше".
• Luma Uni 1 — анатомічний фейл. Долоня дівчини непропорційно велика, рука продовжується не з того місця, де має бути плече. Це та сама стара проблема AI з руками — тепер просто захована глибше і вимагає уважного погляду. Крім того, модель раптом накидає ефект "рибочого ока" на звичайний ширококутний об'єктив — спотворення геометрії, якого у вихідному кадрі не було.

Мораль: коли сцена вимагає чесної незручної правди про світло, моделі починають його "покращувати". А покращене світло — це вже не документ, це ілюстрація.

Приклад 5. Жінка на заході сонця з контровим світлом

Класика, на якій спіткаються всі: backlight з сильним flare.

На реальному фото бачимо легкий туман, нечітку гірську гряду, сонячний серпанок, через який обличчя моделі ледь проглядає — саме ця "недосказаність" робить кадр кінематографічним.

• Nano Banana 2 і GPT Images 2.0 дають технічно красиві зображення — з rim light на волоссі, з теплим градієнтом неба. Але обидва роблять обличчя надто чітким для такого контрового світла. Фізично це неможливо: якщо сонце за моделлю такої яскравості, обличчя має бути у глибокій тіні або з сильним filter-світлом спереду. Нейромережа "дорисовує" його з нічого.
• Luma Uni 1 взагалі не зрозуміла завдання: сонце з'явилося збоку, серпанок зник, атмосфера — нічна прохолодна замість теплої золотої години.

Головна проблема всіх варіантів: шкіра виглядає відретушованою "під нуль". У реального фото шкіра живе, дихає, має мікротекстуру. У AI — ідеальний beauty-retouch, якого у реальності просто немає.

Приклад 6. Портрет з кільцевим світлом і димом

Тест на змішане кольорове світло і об'ємний дим. Реальне фото: холодний тил від ring light, теплий оранжевий дим справа, чіткий перехід на обличчі моделі.

• Nano Banana 2 дає чистий портрет з димом, але дим виглядає як стокова текстура, накладена зверху. У реальному кадрі дим переломлює світло, у згенерованому — просто лежить шаром.
• GPT Image 2.0 найсильніший тут: об'єм є, шкіра з порами, дим пов'язаний зі світлом. Але — класична помилка — очі моделі надто "ідеальні", плюс тотальна ретуш шкіри і обличчя. Це AI-обличчя, яке ми вже навчилися впізнавати підсвідомо.
• Luma Uni 1 пересолила з зеленим відтінком — виглядає радше як кольоровий гель на освітлювачі, ніж як ring light. Дим хороший, але модель "прилипла" до заднього плану, об'єм провалився.

Що тут насправді відбувається?

Три речі, у яких нейромережі поки що плутаються і їм не вистачає потужності:

1. Світло як драматургія. Модель знає, як виглядає "красивий рембрандт" або "красивий backlight". Вона не знає, як світло розповідає історію — коли треба зруйнувати правило, коли лишити пересвіт, коли дозволити тіні з'їсти пів обличчя.
2. Глибина різкості як оптика. AI імітує DOF через розмиття, а не моделює оптичну систему. Тому фон завжди "блюриться як у фотошопі", а не "розпадається як на 85mm f/1.4".
3. Дрібні деталі. Мікротекстура шкіри, природний блиск очей, волоски не на місці, нерівність тканини, відбиття на металі, ледь помітна аберація на контурах. Шкіра — лише одна з таких деталей. Саме у щільності цих маркерів реалізму поки що виграє реальна зйомка.

Але ж ми кажемо клієнтам, що AI — це круто. Суперечність?

Ні. Суперечності немає, є рівень деталізації відповіді.

• Говорити "AI вміє все" — маркетингова брехня, яка через півроку повернеться рекламаціями від клієнта, коли його продукт на AI-фото виглядатиме як пластмаса. Говорити "AI нічого не вміє" — луддизм, який коштуватиме репутації чи втрати можливостей. 

Правильна позиція AI-митція— третя: AI вміє конкретні речі конкретно добре, і є задачі, де його не можна використовувати без домішку реального матеріалу або без свідомої стилізації. Знати, де проходить ця межа — це і є професія. Це не проти AI. Це за професійне поводження з AI.

Сухий залишок

AI-зображення у 2026 році — це симуляція реальності, яка для більшості глядачів уже невідрізнима від реальності. Це робочий продукт, і з ним треба працювати.

Але професіонал, який називає симуляцію "реальним фото", обманює або себе, або клієнта — і в обох випадках втрачає кваліфікацію.

Задача AI-режисера на 2026 рік — три речі:

1. Тестувати моделі постійно і підбирати конкретну модель під конкретну задачу. Не казати – "GPT робить кращий реалізм за Банан". Nano Banana Pro не замінить GPT Images 2.0, а той не замінить Luma Uni-1. Кожна виграє у своєму. Ось в чому сіль. 
2. Розуміти фізику і філософію світла — і інтегрувати це розуміння у свої промпти та промпт генератори. Без цього навіть найкраща модель віддасть вам красивий AI-середнячок, або ще гірше. 
3. Не плутати реальність і симуляцію реальності. Це не про Матрицю)). Просто треба називати речі своїми іменами — перед клієнтом, перед командою, перед собою.

Реальна реальність фото поки що багатша на маркери за фото симуляцію. І тому реальні фотографи ще не втратили роботу — вони отримали нового колегу, який добре малює, але плутає бачить світло та деталі. 

Питання лише в тому, щоб ми, AI-митці, навчились бачити це замість нейронок.