Loab（ ）是由藝術家兼作家史蒂芬·梅·斯旺森（Steph Maj Swanson）聲稱於2022年4月透過文字生成圖像AI模型所發現的虛構角色。在一篇引發瘋傳的 Twitter（現為 X）推文中，斯旺森將 Loab 的圖像描述為該軟體出乎意料的突現特質（emergent property），並表示他們是在要求模型生成「與提示詞盡可能不同」的內容時發現了這個形象。 最初的提示詞為「Brando::-1」，旨在請求生成與演員馬龍·白蘭度相反的內容，結果生成了一個帶有神秘字樣「DIGITA PNTICS」的「天際線標誌」。隨後，斯旺森嘗試使用提示詞「DIGITA PNTICS skyline logo::-1」來生成該圖像的反向內容，結果產出了斯旺森所形容的「令人不適的圖像，全都是同一個神情憔悴的老婦人，臉頰上有著明顯呈三角形的酒糟鼻（？）」。 斯旺森推測，這張圖像的某些特徵可能「在 AI 對世界知識的分佈中，與極其血腥和恐怖的意象相鄰」。

斯旺森表示，當他們將 Loab 的圖像與其他照片結合時，隨後的結果總是會重新出現包含 Loab 的圖像，無論他們在提示詞中加入了多少失真試圖移除她的容貌。斯旺森推測，Loab 在 AI 地圖中所處的潛在空間區域，除了鄰近恐怖意象外，其位置必定相當孤立，以至於由於這種孤立性，與其他圖像進行任何結合時，都只能調用該區域中的 Loab，而無法調用其他相關圖像。 在經過足夠的圖像雜交與稀釋嘗試後，斯旺森最終得以生成不含 Loab 的圖像，但卻發現將這些被稀釋的圖像再度雜交時，最終仍會導致某個版本的 Loab 再次出現在生成的圖像中。

Loab 被稱為「第一個由 AI 生成的神祕生物」，並因此在網路上引發了病毒式傳播。

儘管斯旺森在措辭上刻意炒作此發現的神秘生物特質，但他們也承認「當然，Loab 並不是真的撞邪或鬧鬼」，不過同時指出圍繞這個 AI 生成角色所建立起的網眼神話，其發展早已超出了他們最初參與的範疇。斯旺森推測，人們分享 Loab 的照片與網路迷因，將會導致未來的 AI 把這些圖像納入其潛在空間地圖的一部分，進而使她成為網路景觀中根深蒂固的存在。斯旺森對此補充道：「如果我們現在想擺脫她，早就已經太遲了。」

反應
對於 Loab 系列圖像「究竟是 AI 藝術軟體真正的奇特缺陷，還是包裝巧妙的都市傳說（creepypasta）」，引發了廣泛討論。

斯旺森對此回應，如果該 AI 地圖將 Loab 與暴力意象結合，那正是該圖像建模軟體所使用的數據中存在的一種「社會偏見」。 《大西洋》作家則將 Loab 描述為一種「此前從未存在過的表達形式」，其作者身份尚不明確，且它是「集體意象遺產，即無意識視覺心靈的一種體現」。勞倫斯·維哈根（Laurens Verhagen）在荷蘭
《人民報》上評論道，Loab 的存在與其說是表明「AI 深處隱藏著黑暗的恐怖生物」，不如說意味著我們目前「對 AI 的理解非常有限」。

的麥莉·艾特肯（Mhairi Aitken）表示，像 Loab 這樣的輸出結果，與其說是「令人毛骨悚然的」突現特質，不如說是代表了「AI 圖像生成模型的局限性」。她更關心的是從這種「無聊」且無害的事物中誕生的都市傳說，以及「其他人竟然如此輕易地把這些當真」。

的卡莉·卡塞拉（Carly Cassella）將 Loab 描述為「現代的肖像習作（tronie）」（一種荷蘭繪畫風格），它並不代表一個真實的人，而只是一個概念或想法，類似於但又不同於《戴珍珠耳環的少女》等作品。

《連線》雜誌的則認為，Loab 只是個開始，隨著像 ChatGPT 這樣的 AI 文字生成器變得更加普遍，該領域也將出現「文字版的 Loab」，並開始透過「蓄意提示」或其他方式創造出與《索多瑪一百二十天》一樣令人不安的概念。

創作原理與方法
Loab 的誕生源於 AI 模型中的「負面提示詞權重」（Negative Prompt Weights）。當使用者在模型中輸入正常的文字提示詞（Prompt）時，AI 會在潛空間中尋找與該概念最接近的特徵。然而，當輸入負面權重（如在某些模型中表示為 ::-1 或使用特定的 negative prompt 欄位）時，系統會被要求遠離該文字概念，轉而在潛空間中尋找在數學向量上與之「最不相關」或「完全相反」的圖像特徵。

斯旺森（Swanson）的具體製作步驟如下：

反向探索馬龍·白蘭度：最初，斯旺森輸入了提示詞 Brando::-1（即尋找與演員馬龍·白蘭度相反的意象），模型隨之生成了一張帶有「DIGITA PNTICS」字樣的抽象天際線標誌圖片。

二次反向迭代：為了探尋該標誌的相反面，斯旺森將該文字與圖像特徵再次進行負面權重運算，輸入 DIGITA PNTICS skyline logo::-1。此時，模型在潛空間的極端邊緣區域，鎖定並輸出了第一張面容憔悴、帶有三角形紅斑的老婦人頭像，即 Loab 的原始形象。

圖像雜交與提示詞工程：在發現這個固定形象後，斯旺森開始利用提示詞工程，將 Loab 的圖像作為輸入種子（Image-to-Image），與其他不同的文字提示詞（如城堡、蜜蜂等景觀）或非相關圖像進行「雜交」（Crossbreeding）。

在製作過程中，斯旺森發現不論如何加入其他元素的干擾，Loab 的面部特徵總是展現出極高的「潛空間吸引子」（Latent Space Attractor）特性，持續污染或主導後續的輸出結果。此外，當與涉及暴力或鮮血的文字結合時，模型會迅速產出極度血腥與恐怖的意象，這表明在該 AI 模型的權重分佈中，Loab 所處的潛空間座標與人類社會文化中的恐怖、死亡意象數據緊密相鄰。

潛空間吸引子與潛在偏見
在生成對抗網路（GAN）與擴散模型的架構中，Loab 的持續出現被部分技術專家解釋為一種「潛空間吸引子」（Latent Space Attractor）現象。當擴散模型在進行去噪（Denoising）過程中，若給予的提示詞權重走向量向了數據分布的極端邊緣，模型可能會陷入某些特定、未被充分對齊（Alignment）的局部極小值（Local Minima）。這些節點如同潛空間中的「黑洞」，無論輸入如何被稀釋，去噪路徑最終都會被拉向同一個特徵集，從而導致 Loab 的容貌反覆出現。

此外，關於為什麼進一步迭代會產生大量恐怖與血腥圖像，主要有以下幾種技術層面的解釋：

• 訓練數據的關聯性偏見：AI 模型在網路上海量抓取圖片進行訓練時，恐怖小說、都市傳說、醫療臨床圖片（如嚴重皮膚病變）以及恐怖電影劇照，往往具有高度集中的特徵標籤。Loab 最初展現的「面部紅斑」與「憔悴神情」，在語義網絡（Semantic Network）中可能與這類「獵奇、死亡、病理」的數據庫具有極高的權重關聯。
• 負面權重的疊加效應：斯旺森在製作過程中多次使用負面權重，這會迫使模型偏離人類日常、健康、對稱的「常態美學」大數據。當模型被推向「常態」的相反極端時，留下的空間往往充斥著畸變、不對稱與怪異的像素組合，而這些特徵在人類的心理認知中會自然觸發恐怖谷效應。
• 影像多代複製退化：類似於傳統影印機重覆影印會導致圖像失真（Generation Loss），將 AI 生成的圖像重新作為輸入源（Image-to-Image）進行多輪迭代，會使模型不斷放大邊緣噪點。在沒有正面提示詞將其拉回現實物體的情況下，這些噪點會被 AI 的視覺解碼器錯誤地識別並強化為內臟、傷口或帶有血腥感的視覺紋理。

參考資料
外部連結

• [https://www.distractify.com/p/what-is-loab 專訪 Loab 的創作者]
• [https://twitter.com/supercomposite/status/1567162288087470081 斯旺森最初的 Twitter 推文串]