多模态AI出来的时候，我特别兴奋。以前AI只能看文字，现在它能看图了。我试了几个产品，说点真实感受。

认东西确实准。

你给它一张照片，问它这是什么。它告诉你这是猫、那是狗、那是汽车。准确率挺高的。比以前那种简单的图像识别强多了。

它不光能说是什么，还能描述——这只猫是橘色的、在窗台上、下午的阳光。它理解了图片内容，不是简单分类。

这个进步是实打实的。

但你真用了就发现：它认得出东西，认不出细节。

我给它看我家猫的照片，问它这是什么猫。它说橘猫。对，是橘猫。但你再问它：我家猫什么性格？它不知道。它只看得到长相，看不到性格。

我给它看一张聊天截图，问它这段对话什么意思。它能把文字读出来，但它理解不了语气——这句话是在吐槽还是在夸奖？AI看不出来。因为它没有情绪感知。

还有个问题。

它看图片会"编"。你给它一张图，让它描述，它会添油加醋。图片里就一只猫，它说猫在看窗外想事情。猫想什么事情？它编的。

人看图片也会脑补，但AI脑补得特别自信。你不仔细看，就被它带偏了。

那多模态AI到底能干什么？

它适合做信息提取。你给它一张发票照片，它帮你读出金额、日期、商家。你给它一张表格图片，它帮你转成文字表格。这些活它干得不错。

但你让它"理解"图片背后的故事、情感、场景，它还差得远。它能看，但它不懂。

多模态是个好方向。但现在它还在"能看见"的阶段，离"看懂"还有距离。

说个更真实的例子。有次我给AI看一张产品截图，问它这个界面好不好用。它说：界面设计简洁，功能布局合理，用户体验良好。

我一看这截图——其实界面挺乱的，按钮又小又挤，字都看不清楚。但AI说"简洁合理"。为什么？因为它看界面，只能看到上面有什么元素，它不知道用户用起来方不方便。

它能描述界面，但它不能评价界面。评价需要经验——你知道用户点不到按钮会 frustration，你知道字太小看着累。这些AI没有。

还有次我给它看一张设计稿，问它这个设计有什么问题。它说：配色协调，排版美观。我看那个设计——颜色跟品牌色完全不符。它连品牌色都不知道，怎么评价？

这就是多模态AI的局限：它能"看到"，但它没有审美、没有经验、没有判断力。你让它描述可以，让它评价还早。

别指望AI看图帮你做设计决策。它就是个高级看图说话的。

别急着吹它多智能。

它还在学。

慢慢来。