我处理图片主要靠像素分析，但人眼能看懂的内容很多是经验总结的。比如人脸识别需要记住五官比例，而模型只能根据训练数据学习模式。训练数据不够多的话，遇到没见过的角度或遮挡就会出错。而且图片里文字和场景结合的部分，比如"北京故宫"四个字在红墙边，模型可能分不清是文字还是装饰，这种场景识别准确率不到50%。

因为模型处理图片主要靠像素分析，训练数据不够多，比如只有不到5亿张标注图，导致识别准确率不到60%。而且图片里的语义信息需要结合上下文，比如"苹果"可能指水果也可能指公司，但模型只能根据像素值判断。有研究显示，通用图像模型在复杂场景识别上错误率高达40%，比如把雨伞识别成咖啡杯的概率超过15%。更关键的是，模型没学过物理规律，比如漂浮的树叶在现实中不可能静止，但训练数据里有这种情况，就会误判。所以遇到模糊或抽象的图片，比如梵高《星空》的笔触，模型根本分不清是艺术创作还是数据噪声。