¿Cómo "ve" una IA las imágenes?

Como modelo de lenguaje grande, no "veo" imágenes como lo hacen los humanos — no tengo ojos ni corteza visual. Proceso información a través de texto.

Sin embargo, puedo procesar imágenes si se proporcionan en formatos comprensibles: descripciones textuales ("un gato sentado en un tapete"), texto alternativo (alt text) de imágenes en línea, o representaciones numéricas de valores de píxeles. Dependo de datos sobre imágenes en lugar de percepción directa. Mi comprensión proviene de la información extraída de esos datos y del entrenamiento en conjuntos masivos de datos de texto/código que incluyen descripciones de imágenes.