因为最近接了个图像相关AI项目，在看各种视觉AI相关文章，过程中看了一篇很有意思的文章：AI们数不清六根手指，这事没那么简单。 一时兴起马上用上了我最强的GPT模型，结果一不小心忘了传图片，却不想提前暴露了意图： 于是在AI几乎清楚意图的情况下，我上传了图片： 果不其然，他还是给出了标准答案：这张图里是一只自然张开的手掌，可以清楚地看到 5根手指。 在这个情况下，我追问了一个：你确定？AI再次识别我的意图，但依旧给出了错误的回答： 而后无论我怎么调戏，AI就是不为所动： 所以这是为什么呢？ 一、所谓多模态 事实上在2年前，业内也有很多号称多模态的模型，其实他连训练都没做，其本质是OCR，并且还挺好用的。 PS：另一方面，声音的数据样本获取成本低一些，量大管饱 但到视觉这里就比较尴尬了，不懂行的同学可能真的以为模型能看见东西，事实上模型什么都看不见！ 对于模型来说，图像是二维空间数据，加上颜色通道后会更复杂一点，比如： 一张 224x224 的彩色图 → 形状为 [224， 224， 3] 的张量，包含 150528 个数值（0-255）。 如果需要模型（AI）能识别他的话，就需要做进一步处理，将数字化的图像转 ...