图片搜索

你相册里的照片，真的只是"图片"吗？

先聊聊人大高瓴人工智能学院前几天发布的一项研究。窦志成教授团队联合OPPO提出的DeepImageSearch，第一次点出了一个我一直想说但说不出来的问题：过去的图片搜索，把每张照片都当成了孤岛。

什么意思？比如你想找一张"那次音乐节上，只有主唱一个人站在舞台上的照片"。去过音乐节的人都知道，演出照片看起来都差不多——灯光、舞台、乐手，外观几乎无法区分。靠什么把它们挑出来？你记得那场演出场地上挂着一个蓝白色的活动logo。

问题的关键来了：线索（蓝白色logo）和目标（主唱独照）分散在不同的照片里。传统的搜索方式只看目标照片本身，它永远不知道这张照片和你记忆中那个logo有什么关系。

这不再是一次搜索，而是一次破案。

研究团队给这个新范式起了个名字叫DeepImageSearch，意思是让AI像侦探一样，在你的视觉历史中规划路线、串联线索、构建证据链。论文里那句话让我印象很深："模型不再只是搜索工具，更像一个拥有你全部视觉记忆的私人助手"。

现在的AI们，能当这个"侦探"吗？

研究团队设计了一套超难的考卷，叫DISBench，用来测试各路AI模型。他们把用户几年来的数千张照片放进去，设计了两类问题：

一类是在单次活动内搜索——比如先找到那个蓝白色logo，再找到主唱独照。另一类更变态，需要跨越多段经历——比如"我曾经在半年内的两次不同旅行中拍到过同一座非石膏雕像，请找到包含这个雕像的所有照片"。

结果挺有意思的：表现最好的Claude-Opus-4.5，一次尝试的完美率也只有约29%。什么意思？10次里能完美搞定3次就算冠军了。

更值得玩味的是这些模型到底"笨"在哪里。分析发现，最大的问题不是"看不清"，而是"想不明白"——推理出错占了所有错误的36%到50%。模型已经找到了正确的线索，却在执行多步计划的过程中迷了路、丢了约束、或者过早停下来。

这让我想起身边很多朋友：明明很聪明，但就是记不住事儿。

不止是相册，整个搜索都在"开窍"

其实不仅仅是个人相册在进化。3月12日，谷歌发布了首个原生全模态Embedding模型Gemini Embedding 2-7。这个技术名词有点绕，但它的核心思想很简单：把文本、图像、音频、视频、PDF全部塞进同一个"理解空间"里。

以前你要搜一段发动机异响的录音，得先转成文字再搜，现在直接丢音轨进去，系统能在海量的PDF维修手册里精准定位到故障部件的图纸。数据不再割裂，边界被彻底打通。

荷兰电商平台Bol也在1月底推出了视觉搜索功能Spot&Shop。用户在街上、朋友家或社交平台上看到一件商品，拍张照就能直接搜到。Bol的产品经理说了句话挺到位："很多人知道自己在找什么，但不总能找到合适的词来形容它。"

怎么才能让AI看懂你的相册？

说了这么多，回到现实问题：现在我们能怎么办？

如果你用的是Edge浏览器，其实已经有一些实用功能了。右键点击图片，选择"在边栏中使用必应搜索图像"，或者点击那个相机图标的"视觉搜索"，就能在右侧边栏看到相似图片和相关网页。对日常找图来说，已经比纯粹的关键词搜索好用多了。

但更本质的建议可能是：学着用"人类语言"去提问。比如不要只搜"猫"，而是搜"那只在窗台上晒太阳的橘猫，窗户外有棵银杏树"。这听起来像是在对牛弹琴，但现在AI的理解能力正在往这个方向走，你越像人一样描述，它越能懂你。

写在最后

回头想想，技术最动人的地方，从来不是它有多快、多准，而是它终于开始懂你了。

那些躺在相册里的照片，记录的从来不只是像素和色彩。是你第一次看到大海时的表情，是孩子迈出第一步时那根扶着的沙发，是烟花绽放瞬间你下意识握紧的那只手。

以前的AI看不懂这些。现在，它开始试着读了。

虽然GPT-5.2们还在及格线挣扎，虽然最聪明的模型也经常在半路迷路，但方向已经对了。从"逐张匹配"到"上下文推理"，从"看图识物"到"看懂人生"——这条路才刚刚被打开。

下次再翻相册找不到那张照片的时候，别急着怪自己记性不好。也许再过不久，你的AI助手会在你开口之前，就把那张照片递到你面前："是不是这张？我记得那天你特别开心。"