讓 AI 睜開眼睛：GPT 視覺功能的實用場景與地雷

文字聊得再流暢，有些東西就是用看的比較快：一張塞滿數字的圖表、一頁手寫筆記、一個怎麼按都不對的軟體畫面。GPT 的視覺能力補上的就是這一塊：你上傳圖片、搭配文字問題，它「看著圖」回答你。

我修 Vanderbilt 大學的 GPT Vision 這門課時，最大的心得是：這不是「上傳圖片的聊天室」，而是一種新的提問方式。

這篇整理視覺輸入的實用場景、讓它看得更準的提問技巧，以及幾個實際使用時一定會撞到的地雷。

從「用講的」到「給它看」

視覺輸入改變的是溝通成本。過去你得把眼前的東西翻譯成文字：「畫面左上角有一個齒輪圖示，按下去出現一排選單⋯⋯」，翻譯得不完整，答案就歪。現在你直接把截圖丟上去，問「為什麼我找不到匯出按鈕」，它看著跟你一樣的畫面回答。少掉一層轉述，就少掉一層失真。

技術上這叫多模態（multimodal）：模型同時接收影像與文字，把兩者放在同一個脈絡裡理解。所以最好的用法從來不是丟一張圖問「這是什麼」，而是圖片與問題成對出現，你的文字負責把它的注意力引到對的地方。

五個一用就有感的場景

• 解讀圖表與報表：把統計圖或報表截圖丟給它，請它講出趨勢、異常點，或轉成表格文字。看不懂別人簡報裡的圖時特別好用。
• 手寫與白板數位化：會議白板、紙上筆記拍照上傳，請它整理成條列或行動清單。比自己重打快非常多。
• 看懂軟體畫面：卡在某個設定頁面、看到看不懂的錯誤視窗，截圖問它「我現在該按哪裡」，等於隨身帶一位看得到你螢幕的工程師朋友。
• 實物辨識與建議：拍冰箱裡的食材問能煮什麼、拍植物問照顧方式、拍家具擺設請它給佈置建議。
• 圖轉結構：把流程草圖、介面手稿丟給它，請它轉成文字流程、需求描述甚至程式碼骨架，從草稿到初版的距離被大幅縮短。

怎麼問，決定它看見什麼

跟純文字提示一樣，視覺提問也有基本功。第一，指定範圍：「看右下角那張表」比「看這張圖」精準。第二，指定輸出：「把圖裡的數字整理成兩欄表格」比「幫我看一下」有用。第三，給脈絡：告訴它這是什麼場合的圖、你打算拿答案做什麼，它的回答會立刻從泛泛描述變成對症下藥。

已知的地雷區

視覺能力進步很快，但幾個弱點目前仍然公認存在。精確計數不可靠：數合照裡有幾個人、貨架上有幾罐，常常差個一兩個。小字與模糊文字：解析度不夠的文字它會「猜著讀」，而且猜錯時語氣照樣自信。

空間與方位：左右、前後、重疊關係的描述偶爾會錯亂。共通的對策只有一個：涉及數量、金額、劑量的讀取，一律自己對照原圖驗證。

另一類地雷是使用邊界。醫療影像判讀、法律文件的效力判斷、以圖識人，這些要嘛風險太高、要嘛涉及隱私與倫理，都不是它該扮演的角色。上傳前也多看一眼畫面背景：桌上的合約、螢幕上的信箱、路人的臉，圖片洩漏資訊的能力遠比文字強。

把它當眼力好的助手，不是鑑定師

總結我的使用心法：它是一位眼力很好、動作很快、但偶爾看走眼的助手。適合交給它的是「看了之後幫我整理、解釋、起草」的工作，不適合交給它的是「看了之後替我做高風險判定」的工作。

分清楚這條線，視覺功能會是你日常裡用最順手的 AI 能力之一：因為這個世界上，值得看的東西實在比值得讀的文字多太多了。