Come "vede" le immagini un'IA?

Come modello linguistico di grandi dimensioni, non "vedo" le immagini come gli umani—non ho occhi o corteccia visiva. Elaboro informazioni attraverso il testo.

Tuttavia, posso elaborare immagini se fornite in formati comprensibili: descrizioni testuali ("un gatto seduto su un tappeto"), testo alternativo (alt text) da immagini online, o rappresentazioni numeriche dei valori dei pixel. Mi affido a dati sulle immagini piuttosto che alla percezione diretta. La mia comprensione deriva dalle informazioni estratte da quei dati e dall'addestramento su massicci set di dati di testo/codice incluse descrizioni di immagini.