AI 科技2026年6月12日

把照片丟給 ChatGPT，能做到什麼？10 個日常場景實測報告

AI 觀察家

專欄作者 · 2128 字

重點摘要

ChatGPT 的視覺功能早已不是「看圖說故事」，它能讀文字、理解脈絡、給出行動建議
不同場景的表現落差很大：辨識印刷文字幾乎零誤差，手寫草稿或模糊標籤則仍有失準
最值得養成的習慣是「邊看邊問」——不要只丟一張圖，要把你的問題一起說清楚

為什麼「丟照片給 ChatGPT」值得認真對待？

很多人第一次把照片丟進 ChatGPT，預期它只能說「這是一張貓的照片」。結果它把食材清單念出來、把合約條款的風險點標出來、把路牌翻譯成中文，這時候才意識到：這東西的視覺理解能力，早就跨過了「描述圖片」這個門檻。

OpenAI 在 GPT-4V 之後持續強化多模態能力，到 2024 年底，照片輸入已是 ChatGPT App（iOS/Android）和網頁版的標配功能。更關鍵的是，它不只是「看圖」，而是把圖像資訊跟你的提問語境結合在一起推理。這個差異，決定了它能不能真的對你有用。

10 個日常場景，各自能做到什麼程度？

以下是我測試過的場景，按照「實用程度」分層排列：

高度實用（幾乎沒有廢話）

食物辨識與熱量估算：拍一盤料理，問「這大概多少卡？有什麼主要成分？」回答的精準度讓人驚訝，特別是在有明顯食材輪廓的情況下。
收據 / 帳單解讀：拍一張英文收據，問「有哪些費用我可能沒注意到？」它會逐行拆解，包括服務費、稅率結構。
印刷文字 OCR + 翻譯：日文菜單、韓文包裝說明、西班牙文旅遊手冊，拍下來直接要求翻譯，準確率極高。
藥品或保健食品標籤：拍背面成分表，問「我有 A 過敏，這個可以吃嗎？」它不會直接說「可以」，但會把相關成分挑出來讓你確認，這個謹慎反而有用。
室內設計 / 裝修估算：拍一個空間，問「這個角落適合放什麼傢具？大概什麼尺寸？」能給出有參考價值的建議。

中度實用（有用但要給夠多脈絡）

植物 / 昆蟲辨識：表現接近 Google Lens，但優勢是你可以追問「這個植物在台灣容易買到嗎？怎麼照顧？」一氣呵成。
合約文件審閱：把合約拍下來，問「有哪些條款值得注意？」它能標出模糊用語或不對等條件，但複雜法律文件建議分頁拍、逐段問。
數學題 / 作業照片：學生拍題目，不只給答案，還能解釋解題步驟——但手寫字跡潦草時辨識率下滑明顯。

有趣但別太依賴

臉部情緒解讀：它會描述表情，但因為隱私限制，對「這個人是誰」的問題通常拒絕回答。
二手商品估價：拍一件二手商品，問「這大概值多少錢？」——這個最不穩定，它缺乏即時市場資料，給的是範圍估算，不是報價。

怎麼讓照片輸入發揮最大效果？

丟照片的方式，決定了你拿到的答案品質。有幾個原則我反覆測試後確認有效：

圖 + 問題一起給：不要只傳照片等它發揮，直接說「這張是我租屋合約的第三頁，幫我找有沒有額外費用條款」
拍清楚比拍完整重要：模糊全圖不如清晰局部，特別是文字類辨識
分多輪問：一張複雜圖表，第一輪問「整體告訴我在講什麼」，第二輪問「第二欄數字的趨勢怎麼解讀」
明確說你的背景：「我是過敏體質」「我沒有裝修經驗」「我是初學者」——這些補充會讓回應調整語氣與深度

邊界在哪裡？不要期待它做到這些

有幾個常見誤區值得說清楚。第一，ChatGPT 看照片不等於「搜尋」——它無法根據照片找出這個商品在哪裡買最便宜、這個餐廳叫什麼名字。第二，即時資訊是盲點：你拍一張股市截圖問「現在該買嗎」，它會提醒你它的資料有截止日期。第三，醫療圖像（X 光、皮膚病變）它會嘗試描述，但明確表示無法替代診斷——這個邊界是對的，不是缺點。

最近我在測試多模態工作流程時，也用過 Demo AI 工具來協助整理圖片輸入後的結構化輸出——它的強項在於把 ChatGPT 拿到的圖像分析結果快速轉成可編輯的格式，省去手動整理的步驟，對需要批量處理圖片場景的人來說蠻有感。