"تصویر میں کیا ہے؟"、یہ ایک احمقانہ سوال کی طرح لگتا ہے، ہے نا؟ مثال کے طور پر، ○○ کے مناظر、یا △ کا پورٹریٹ۔、ٹھیک ہے؟。اوہ پیارے、کیا یہ عام ہے؟。
"○○ کا زمین کی تزئین" کے عنوان سے ایک پینٹنگ کے سامنے、کیا آپ واقعی اسے دیکھ کر سوچ رہے ہیں کہ یہ اس جگہ کا منظر ہے؟。نمائشوں وغیرہ میں、اگر آپ پینٹنگ کے بجائے پینٹنگ دیکھنے والے شخص کی تعریف کر رہے ہیں۔、مجھے واقعی ایسا نہیں لگتا۔。شاید مثال مناسب نہ ہو۔、مثال کے طور پر، وان گوگ کا "کووں کے ساتھ گندم کا کھیت"。آہ、یہ گندم کے کھیت میں کوے کے ساتھ ایک منظر ہے۔、ایسے لوگ ہیں جو واقعی فلم دیکھتے ہوئے سوچتے ہیں۔、مجھے نہیں لگتا کہ ایک بھی شخص ہے۔。
یہ واضح لگ سکتا ہے، لیکن "کووں کے ساتھ گندم کے کھیت" میں、آپ جو دیکھنے کی کوشش کر رہے ہیں وہ گندم کا کھیت یا کوے نہیں ہے۔、یہ "وان گو" ہے، ٹھیک ہے؟。گندم کے کھیت کے کونے میں ایک چبوترہ لگائیں۔、چھوٹے بالوں اور چمکیلی آنکھوں کے ساتھ،、وہ اپنے برش کو کینوس کے خلاف مارتے ہوئے اس طرح کھینچتا ہے جیسے وہ پاگل ہو۔、کانوں کے بغیر شخص。"کوا..." آپ نے دیکھا、وین گو کو کینوس کے کنارے پر کھینچا جانا چاہیے تھا۔。اور、کیا تم اس گندم کے کھیت میں کوے کی آواز سننے کی کوشش نہیں کر رہے تھے؟。
بہت سے لوگ、شاید آپ تصویر کو اسی طرح دیکھتے ہیں۔。اس طرح میں نے تصویریں پڑھی ہیں۔。
خوش خاص طور پر、یہ ایک ایسا تناظر ہے جو AI فراہم نہیں کر سکتا۔、مجھے لگتا ہے کہ آپ اسے کیسے پڑھتے ہیں۔。اگر آپ کے پاس ٹیکسٹ ڈیٹا اور امیج (ویڈیو) ڈیٹا ہے جسے ○○ سینری کہتے ہیں۔、اس کو ایک ساتھ باندھو、مزید برآں، اگر کوئی مضمون ہے جیسا کہ میں نے ابھی لکھا ہے تو اسے بھی پڑھیں۔、ایسا لگتا ہے کہ کسی تیسرے فریق کو اس کی وضاحت کرنا ممکن ہے۔。
تاہم،、انسانوں کے پاس ٹیکسٹ ڈیٹا ہوتا ہے جسے "○○ سینری" کہتے ہیں۔、اگرچہ تصویر کا ڈیٹا موجود ہے۔、"پڑھ سکتا ہے جو وہاں نہیں ہے (ڈیٹا)"。AI کو سب کچھ چھیننے نہ دیں۔、تاکہ کسی نہ کسی طرح ایک ساتھ رہ سکیں、آئیے "تصاویر پڑھنے" کی کوشش کریں。