5 mitów o tym, co AI widzi na Twoich zdjęciach
Autor Chatday Editorial Team ·
Pokaż AI zdjęcie psa i zapytaj, ile ma łap. Odpowie, że cztery. Teraz przerób zdjęcie tak, żeby pies miał pięć łap, i zapytaj jeszcze raz. Dalej cztery.
To nie jest wymyślony podchwytliwy przykład. To jeden z testów z badania „Vision Language Models Are Biased”, przyjętego na ICLR 2026, jedną z najważniejszych konferencji naukowych o AI. Gdy badacze pokazywali modelom zwierzęta z dodatkową albo brakującą łapą, AI liczyło poprawnie zaledwie w 2,12% przypadków.
A jednak ten sam rodzaj AI potrafi odczytać rozmazany paragon, wyjaśnić zagmatwany ekran ustawień albo powiedzieć, jaka roślina stoi na Twoim parapecie. Jak to w końcu jest: czy AI naprawdę widzi Twoje zdjęcia, czy nie? Większość tego, co ludzie o tym myślą, to półprawdy. Oto pięć popularnych przekonań, sprawdzonych jedno po drugim.
Mit 1: AI patrzy na zdjęcie tak samo jak Ty
Fałsz. Ty patrzysz na zdjęcie i zauważasz to, co naprawdę na nim jest. AI, które czyta obrazy (fachowo to wizualno-językowy model, ang. vision language model), robi coś bliższego rozpoznawaniu, a potem przypominaniu sobie. Wyłapuje „pies”, przypomina sobie, że psy mają cztery łapy, i to właśnie podaje. Badacze ujęli to wprost: modele „nie liczą”.
Z logotypami było dokładnie tak samo. Dodaj czwarty pasek do słynnego logo Adidasa z trzema paskami, a modele i tak mówiły, że są trzy. W siedmiu rodzajach przerobionych obrazów (zwierzęta, logotypy, szachownice, gry planszowe, złudzenia optyczne i siatki ze wzorami) testowane modele z 2025 roku uzyskały średnio 17,05% przy pytaniach o liczenie. Na nieprzerobionych oryginałach odpowiedziały dobrze na wszystkie.
Około trzech czwartych wszystkich ich odpowiedzi na przerobionych obrazach to była dokładnie „oczekiwana” liczba: ta, którą model już znał, a nie ta na obrazku. Wcześniejsze badanie, „Vision Language Models Are Blind”, wykazało ten sam schemat przy rysowanych kształtach. Poproszony o policzenie zachodzących na siebie kół w logo w stylu olimpijskim, jeden z modeli Gemini odpowiadał „5” w prawie 99% swoich błędnych odpowiedzi, niezależnie od prawdziwej liczby. Pięć kół, jak na igrzyskach.
Krótko mówiąc: AI świetnie rozpoznaje znajome rzeczy, ale dużo gorzej zauważa, że coś znajomego zostało zmienione.
Mit 2: AI, które wygrywa olimpiadę matematyczną, na pewno odczyta godzinę z zegara
Trochę to trwało. Ten mit zaskakuje ludzi najbardziej. We wrześniu 2025 roku benchmark ClockBench kazał modelom AI odczytywać zegary analogowe: godzinę, która wskazówka jest która i co zegar pokaże za kilka minut. Ludzie osiągali średnio 89,1%. Najlepszy z 11 testowanych modeli uzyskał 13,3%.
Stanford AI Index 2026 uczynił z tego swój ulubiony przykład zjawiska, które badacze nazywają „nierówną inteligencją”: AI zdobywa złoto na Międzynarodowej Olimpiadzie Matematycznej, a wciąż nie potrafi niezawodnie powiedzieć, która godzina. Zegary są zaskakująco podchwytliwe. Model musi precyzyjnie ocenić kąty, odróżnić dwie podobne wskazówki, a potem jeszcze trochę policzyć, a tarcze analogowe pojawiają się w internecie dużo rzadziej niż zwykłe cyfry z wyświetlacza.
Dobra wiadomość jest taka, że postęp jest błyskawiczny:
| Kiedy | Najlepszy wynik AI w ClockBench | Średnia ludzi |
|---|---|---|
| Wrzesień 2025 (start) | 13,3% | 89,1% |
| Marzec 2026 (Stanford AI Index) | 50,6% (GPT-5.4) | około 90% |
| Listopad 2026 (publiczny ranking) | 87,8% (Claude Fable 5.2) | 90,7% |
Dziś pięć pierwszych miejsc w rankingu zajmują Claude Fable 5.2, Gemini 4 Carbon, Gemini 4 Argon, Claude Opus 5.5 i GPT-6 Astra, wszystkie na najwyższym poziomie rozumowania. Ludzie wciąż minimalnie prowadzą. Ale w ciągu mniej więcej roku przepaść zmieniła się z „beznadziejnej” w „prawie wyrównaną”.
Mit 3: ostrzejsze i większe zdjęcie naprawi błędy
W większości fałsz. Brzmi logicznie: skoro AI się pomyliło, daj mu lepsze zdjęcie. Ale w badaniu o „ślepych” modelach zmiana kolorów, grubości linii czy rozdzielczości obrazu prawie nie wpłynęła na to, jak dobrze modele liczyły zachodzące na siebie koła. Problem nie polegał na tym, że nie mogły rozróżnić kształtów. Informacja tam była. Trudne było przełożenie jej na właściwe słowa.
Za to bardzo pomogło usunięcie bałaganu. W badaniu o „stronniczych” modelach usunięcie tła z przerobionych obrazów prawie podwoiło trafność, czyli skok o około 21 punktów procentowych. Zatłoczone tło daje AI więcej wskazówek, żeby oprzeć się na tym, czego się spodziewa („to gospodarstwo, więc to zwykły pies”), zamiast na tym, co ma przed sobą.
Mit 4: wystarczy kazać mu spojrzeć jeszcze raz
Prawie nie działa. Prośba, żeby model sprawdził odpowiedź jeszcze raz albo opierał się tylko na tym, co widać na obrazie, podniosła trafność liczenia średnio o zaledwie 2 punkty w badaniu o „stronniczych” modelach. Dłuższe myślenie pomagało do pewnego momentu, a trafność rosła do około 40%, ale potem spadała, bo model zaczynał przekombinowywać.
Lepiej działa zmiana samego pytania. „Ile?” zachęca do odpowiedzi z pamięci. Jeśli poprosisz AI, żeby najpierw przeszło przez obraz element po elemencie, musi naprawdę przyjrzeć się zdjęciu:
- „Wymień każdą osobę na tym zdjęciu od lewej do prawej, a potem powiedz, ile ich jest.”
- „Opisz, na co wskazują wskazówka godzinowa i minutowa, a potem powiedz, która jest godzina.”
- „Przeczytaj mi każdą pozycję z tego paragonu, a potem zsumuj całość.”
Jeśli opis krok po kroku jest błędny, od razu to zauważysz, i właśnie o to chodzi. Widzisz, gdzie się potknęło, zamiast dostać tylko pewną siebie liczbę.
Mit 5: czyli AI do obrazów jest zbyt zawodne, żeby w ogóle się nim przejmować
Fałsz, i to ten mit warto wyrzucić z głowy. Wszystkie powyższe wpadki pochodzą z celowo podchwytliwych testów: przerobionych logotypów, dodatkowych łap, dziwnych tarcz zegarów. Są zaprojektowane tak, żeby znaleźć słabe punkty, i robią to świetnie. Pokazują też, że te słabe punkty szybko się kurczą. Zespół stojący za badaniem o „stronniczych” modelach podaje, że GPT-6 Astra, wydany w październiku 2026 roku, osiąga 84,10% w tym samym teście, w którym modele z 2025 roku miały średnio 17%.
Jeden szczegół jednak zapada w pamięć. Gdy Astra się myli, jak mówią badacze, w 92,4% przypadków podaje zapamiętaną odpowiedź. Nawyk nie zniknął. Po prostu ujawnia się znacznie rzadziej.
W codziennym użyciu obraz jest dużo bardziej optymistyczny. Opisanie sceny, odczytanie drukowanego tekstu, wyjaśnienie zrzutu ekranu, rozpoznanie zwykłego przedmiotu: to wszystko gra na mocną stronę AI, czyli rozpoznawanie znajomych rzeczy. Oto orientacyjna ściąga, kiedy możesz odpuścić, a kiedy lepiej sprawdzić:
| O co pytasz | Na ile ufać | Dlaczego |
|---|---|---|
| „Co jest na tym zdjęciu?” | Wysoko | Rozpoznawanie znajomych scen to jego mocna strona |
| Czytanie drukowanego tekstu, menu, szyldów | Wysoko | Wyraźny tekst jest dobrze reprezentowany w danych treningowych |
| Wyjaśnianie zrzutu ekranu lub błędu | Wysoko | Czyta ekran i zna oprogramowanie |
| Liczenie przedmiotów, zwłaszcza wielu | Sprawdź | Może podać oczekiwaną liczbę |
| Wszystko, co nietypowe lub przerobione | Sprawdź | Ma tendencję do „poprawiania” dziwactw na normę |
| Zegary analogowe, wskaźniki, tarcze | Sprawdź | Lepiej niż kiedyś, ale wciąż gorzej niż ludzie |
Ze słowami jest zresztą podobnie. Jeśli zastanawiało Cię, dlaczego AI potykało się na liczeniu liter w słowie, nasze wyjaśnienie, dlaczego AI nie umie policzyć liter R w słowie strawberry, pokazuje, że to bliski krewny tego problemu.
Najprościej przekonać się o tym wszystkim samemu, testując zdjęcie z własnej galerii. Wybierz coś zwyczajnego, a potem coś odrobinę dziwnego, i poproś AI, żeby krok po kroku opowiedziało, co widzi. Nasz poradnik o tym, jak sprawić, by AI wyjaśniło dowolne zdjęcie lub zrzut ekranu, podsuwa więcej pomysłów na pytania.