比較模型 比較圖像模型 AI 工具 模型 AI 圖像模型 AI 資訊 搜尋 免費試用
科普文章 7 分鐘閱讀

AI 怎麼看你的照片?5 個常見迷思

作者 Chatday Editorial Team ·

explainerimage-aivisionanalyze-imageai-myths
AI 怎麼看你的照片?5 個常見迷思

拿一張狗的照片給 AI 看,問牠有幾條腿。它說四條。現在把照片修成狗有五條腿,再問一次。它還是說四條。

這可不是編出來的整人題目。這是「Vision Language Models Are Biased」這篇研究裡的其中一項測試,論文已獲 AI 領域重量級研究會議之一的 ICLR 2026 接受。研究人員讓模型看多一條腿或少一條腿的動物圖片,結果 AI 只有 2.12% 的時候數對。

可是,同一類 AI 卻能讀懂模糊的收據、解說讓人一頭霧水的設定畫面,還能告訴你窗台上那盆是什麼植物。所以到底怎麼回事:AI 真的看得懂你的照片嗎?大家對這件事的認知,多半只對了一半。以下五個常見看法,我們一個一個來檢驗。

迷思 1:「AI 看照片的方式跟人一樣」

錯。 你看一張照片時,會注意到上面實際有什麼。會讀圖片的 AI(正式名稱叫視覺語言模型)做的事情,比較像是「認出來,然後憑記憶回答」。它認出「狗」,想起狗有四條腿,就這樣回報。研究人員說得很直白:這些模型「並沒有在數」。

商標也發生一樣的事。在大家熟悉的 adidas 三條線商標上多加一條線,模型還是說三條。研究人員用七種修改過的圖片測試(動物、商標、西洋棋盤、桌遊、錯覺圖和有花紋的格子圖),2025 年的模型在數數問題上平均只拿到 17.05%。換成沒修改過的原圖,它們卻全部答對。

在修改過的圖片上,大約四分之三的答案都剛好是「預期中」的數字:也就是模型原本就知道的數字,而不是圖片裡真正的數量。更早的一篇研究「Vision Language Models Are Blind」,用畫出來的圖形也發現同樣的模式。請模型數奧運五環那種互相交疊的圓圈時,某個 Gemini 模型不管實際有幾個,答錯的答案裡有將近 99% 都是「5」。五個環,就跟奧運一樣。

重點是:AI 認出熟悉的東西非常厲害,但要它發現熟悉的東西「被改過了」,能力就弱很多。

迷思 2:「能在數學奧林匹亞拿高分的 AI,看時鐘一定沒問題」

這花了一點時間。 這一點最讓人意外。2025 年 9 月,一個叫 ClockBench 的基準測試請 AI 模型看指針時鐘:判斷時間、分辨哪根是時針哪根是分針,以及幾分鐘後時鐘會顯示什麼。人類平均答對 89.1%。受測的 11 個模型中,表現最好的也只有 13.3%。

史丹佛大學的 2026 AI Index 把它當成研究人員口中「鋸齒狀智慧」(jagged intelligence)的代表例子:AI 能在國際數學奧林匹亞拿金牌,卻還是沒辦法穩定看懂時間。時鐘其實比想像中難。模型要精準判斷角度、分辨兩根長得很像的指針,還得做一點簡單的計算,而且網路上指針錶面的圖片,比單純的數字時鐘少得多。

好消息是進步速度很快:

時間ClockBench 上 AI 最高分人類平均
2025 年 9 月(推出時)13.3%89.1%
2026 年 3 月(Stanford AI Index)50.6%(GPT-5.4)約 90%
2026 年 11 月(公開排行榜)87.8%(Claude Fable 5.2)90.7%

目前排行榜前五名分別是 Claude Fable 5.2、Gemini 4 Carbon、Gemini 4 Argon、Claude Opus 5.5 和 GPT-6 Astra,全都開到最高的思考設定。人類仍然小贏一點,但差距在大約一年內,從「完全沒希望」縮小到「只差一點點」。

迷思 3:「照片更清楚、更大,錯誤就會消失」

大多不成立。 聽起來很合理:AI 答錯了,就給它一張更好的圖。但在「Blind」研究中,改變顏色、線條粗細或圖片解析度,對模型數交疊圓圈的準確度幾乎沒有影響。問題不在於它看不清楚圖形,資訊其實都在。難的是把這些資訊轉成正確的文字。

真正有大幅幫助的,是減少畫面的雜亂。在「Biased」研究中,把修改過的圖片背景去掉,準確度幾乎翻倍,提升了大約 21 個百分點。背景越熱鬧,AI 就有越多線索可以退回去依賴它的預期(「這是農場,所以這是一隻普通的狗」),而不是看眼前實際有什麼。

迷思 4:「叫它再看一次就好」

幾乎沒用。 在「Biased」研究中,請模型再檢查一遍,或要求它只根據圖片內容回答,數數的準確度平均只提高 2 個百分點。讓它想久一點有幫助,但只到某個程度,準確度大約爬到 40% 左右,接著就因為想太多反而變差。

比較有效的做法是換個問法。「有幾個?」會勾出它記憶中的答案。先請 AI 把圖片從頭到尾走一遍,它就會把注意力放在真正的圖片上:

  • 「請從左到右列出這張照片裡的每個人,再告訴我總共有幾個人。」
  • 「請描述時針和分針各指向哪裡,再告訴我現在幾點。」
  • 「請把這張收據的每一行念給我聽,再算出總金額。」

如果一步一步的描述有錯,你馬上就看得出來,這正是重點。你能看到它在哪裡出錯,而不是只拿到一個講得很有把握的數字。

迷思 5:「所以圖片 AI 太不可靠,用了也沒意義」

錯,而且這是最值得拋開的迷思。 上面提到的失敗,全都來自刻意刁鑽的測試:被改過的商標、多出來的腿、奇怪的錶面。這些測試本來就是設計來找弱點的,也確實找得很到位。但它們同時也顯示,這些弱點正在快速縮小。「Biased」研究團隊表示,2026 年 10 月推出的 GPT-6 Astra,在同一項測試中拿到 84.10%,而 2025 年的模型平均只有 17%。

不過有個細節還是讓人在意。研究人員說,Astra 答錯的時候,有 92.4% 給出的是背下來的答案。這個習慣沒有消失,只是出現得少很多。

日常使用的情況就樂觀多了。描述場景、讀印刷文字、解說截圖、辨認常見物品:這些都正好是 AI 的強項,也就是認出熟悉的東西。以下是大致的參考,告訴你哪些可以放心交給它,哪些最好再確認:

你問的事可信度原因
「這張照片裡有什麼?」高認出熟悉的場景是它的拿手項目
讀印刷文字、菜單、招牌高清楚的文字在訓練資料裡很常見
解說截圖或錯誤訊息高它看得懂畫面,也熟悉各種軟體
數東西,尤其是數量很多時要確認它可能回報預期中的數字
任何不尋常或被修改過的東西要確認它傾向把怪異之處「修正」成正常的樣子
指針時鐘、量表、刻度盤要確認進步了,但還是比不上人

順帶一提,文字也一樣。如果你曾好奇 AI 以前為什麼數不清一個單字裡有幾個字母,可以看看我們的科普文章為什麼 AI 數不出 strawberry 有幾個 R,它和這個問題其實是近親。

越來越能了。在 ClockBench 測試中,最強模型的分數從 2025 年 9 月的 13.3%,進步到 2026 年 11 月的 87.8%,已經接近人類平均的 90.7%。重要的事情,還是請自己再確認一次答案。
圖片 AI 很擅長認出熟悉的東西,並想起跟它們有關的知識。當圖片打破常規,例如一隻五條腿的狗,它常常會回報自己預期的答案,而不是圖片裡真正有的東西。
先把圖片裁到只剩你在意的部分,再請 AI 在給出最終答案前,先描述或列出它看到的東西。這樣你就能從它的描述中發現錯誤。
如果是清楚的印刷文字,通常表現得很好。請它把每一行念回來讓你比對,總金額或重要的數字也要再檢查一次。

想親眼看看這些現象,最簡單的方法就是拿你相簿裡的照片試試。先挑一張日常的,再挑一張有點怪的,請 AI 一步步說明它看到什麼。想知道還能問些什麼,可以參考我們的指南讓 AI 幫你解讀任何照片或截圖。