图片、视频里的内容 AI 看得到吗？GEO 与多模态信息可提取性-墨子学院
摘要：图片、视频里的信息，机器能读一部分，但远不如读正文那么可靠。本文讲清多模态内容在检索链路里的真实处境，核心原则是别让关键信息只活在图里——凡是重要的事实，务必同时留一份文字版。
摘要：很多人以为把信息做进图片、拍进视频里，AI 就看不见、也就不会引用——这个判断有对有错，错的那半更要命。这篇文章讲清楚多模态内容在检索链路里到底经历了什么：哪些部分机器真能读懂、哪些几乎是盲区，以及为什么“同样的信息，多留一份文字版”往往决定了你辛苦做的图和视频，最终是替你说话还是白做。看完你会明白，多模态 GEO 的关键不是少做图，而是别让关键信息只活在图里。
一句话先说结论：图片、视频里的文字和含义，机器能读一部分，但远没有读正文那么可靠。凡是对你重要、指望被检索被引用的信息，务必同时以文字形式清清楚楚写一遍——别把关键事实只关在多模态里。
一、先把“看得见”这三个字拆开问
问“AI 看不看得到图片里的内容”，其实一下子混了好几件事，得拆开才好回答。因为“看到”至少分三层：像素被接收、内容被识别、含义被理解并可被检索。这三层能做到的程度，天差地别。
- 接收层：图片视频能不能被系统抓到、加载出来。这一步就已经有淘汰——加载慢、被脚本动态塞进来的内容，可能压根没进到系统的视野。
- 识别层：机器能不能看出图里有什么——是一段文字、一张图表、还是一个产品。现在的识别能力比几年前强很多，但远谈不上稳定。
- 可检索层：识别出的东西，能不能被切分、索引，进而在用户提问时被召回。这一层最容易被忽略，却恰恰是 GEO 真正关心的。
把这三层想清楚，就不会有“能识图 = AI 就懂我图里的意思并且能搜到它”这种危险的误会。识别是一回事，能被理解并被检索出来，是完全另一回事。
二、关键分水岭：机器读的是像素，还是文字
网页正文对机器来说是文字，天然可读；而一张图，本质是一堆像素。机器要理解图里的信息，得先靠模型去“看图说话”，把像素翻译成它能处理的语言。这个翻译过程，比直接读文字多了好几道可能出错的环节。
| 信息所在的地方 | 机器读起来 | 可靠性 |
|---|---|---|
| 正文文字 | 直接读取，无需翻译 | 最稳 |
| 图片里的文字 | 要先做识别、再抽取 | 看运气、看图的质量 |
| 图表里的数据 | 要识别形状、还原成数值 | 容易失真、易读错 |
| 视频/音频里的话 | 要先转成文字才能处理 | 链路最长、最不稳定 |
这张表想说明的不是“别做图做视频”，而是一个务实的分层：越是重要、越指望被引用的事实，越该放在文字这个机器最不需要翻译的层里。图片和视频该承担它们擅长的——建立印象、辅助理解、增加可信度，而不是独自守着你最关键的信息。
三、为什么“图片里的文字”是个重灾区
很多人爱把信息做成图，因为直观好看：一张图写清价格、一张图列出参数、一张图放联系方式。但恰恰是“图里的文字”，最容易掉进盲区。原因有几个，每一个都在提醒你别把关键信息只塞进图。
- 识别未必准：花哨的字体、复杂的背景、艺术化的排版，都会拉低机器把字认对的概率。它可能把图里的一段话，读成一句驴唇不对马嘴的话。
- 认对了也未必索引：就算图里的字被成功抽取，它能不能被纳入可检索的范围，还要看系统怎么处理这张图。很多情况下，这段文字被识别后并没进入召回的池子。
- 搜到时未必完整：文字在正文里能被切成完整句子，在图里却往往是零散短语，脱离语境后，机器很难判断它到底在说什么。
这三条叠起来，一个残酷结论就出来了：你把最关键的信息做成一张图，很可能等于把它锁进了一个机器要费很大力气、还不一定能打开的盒子。而同样这几句话，你只要用文字写一遍，机器伸手就能拿到。
四、图表和数据：看着最清楚，读着最容易错
柱状图、折线图、饼图——对人来说是“一眼看懂”，对机器却可能是“最难啃”的一类。因为图传达的是形状和位置，机器要用的却是数值，这中间隔着一层还原，而还原极易出错。一根柱子对应到多少、两块饼的百分比各是多少，识别结果常常对不上你心里那个准确数字。
更麻烦的是，图表承载的往往是硬数据——增长率、占比、对比结果，这些恰恰是你最想被引用的部分。如果它们只活在图里，一旦还原出错，轻则不被引用，重则被引用成一个错的数字，反而给你抹黑。这种错，比不出现还难推掉。规避的办法不复杂，却常被省略：图表旁边，务必配一段文字，把图里最关键的那几个数字、那条结论，明明白白写出来。让图归图、文字归文字，机器读不到图还能读文字，不至于全盘落空。
五、视频和音频：信息密度高，可提取性却最差
视频大概是现在信息密度最高、也最被低估风险的形式。一段几分钟的讲解，可能塞满了关键信息，但它在检索链路里处境尴尬：机器不能直接“看”视频，往往要先经过一道语音转文字，才有办法处理里面的内容，而这一道的质量参差不齐。口音、专业术语、背景音乐、多人说话，都会让转写出现偏差。
更要命的是，很多视频压根没有配套的文字稿或字幕，里面的信息对检索系统近乎隐形。你以为你做了条讲得清清楚楚的视频，实际上对靠文字检索的那套链路来说，你等于什么都没讲。这里也有实在的应对：
- 给视频配准确字幕和文字稿：让关键内容同时以文字存在，这是把视频信息“漏”进可检索层最有效的办法。
- 页面正文复述视频要点：别只嵌一个播放器，视频上方或下方用文字把它讲了什么、结论是什么写清楚。
- 给视频和图配描述性标题、说明：围绕多模态的那点文字，往往是机器最先、也最稳能读到的部分。
说得直白一点，一个没有字幕、没有文字稿、页面上只嵌了一个播放器的视频，在检索链路里几乎是隐形的。你拍了、传了、也花了不少心思，但那些靠文字去理解世界的系统，却从你这里什么也没拿到。要让视频里的内容真正参与进来，最省事的办法不是等它有一天能完美看视频，而是现在就把里面的关键内容用文字复述一遍。
六、真正该问的问题：这条信息丢了，我疼不疼
把上面所有技术细节收拢，落到一个朴素得多的判断标准上。你不必成为多模态识别的专家，只需要对每一条信息问一句：万一机器完全没读到它，我会不会心疼？答案不同，处理方式就不同。
如果答案是无所谓——比如一张纯粹为了好看、营造氛围的配图，那它大可安心待在多模态层，读不到也不影响你什么。但如果答案是心疼——价格、联系方式、核心参数、你区别于对手的那句关键结论，那这条信息就绝不能只活在一个机器可能读不到的地方。
这就是“别让关键信息只活在图里”的全部含义——不是让你少做图和视频，而是让重要的那部分，永远同时存在一份机器最容易读到的文字版本。这个判断标准的好处在于，它不需要你去预判某个具体产品的识别能力到底多强——那个每天都在变、你也无法逐个验证。你只需坦坦荡荡地问自己一句：“这句话丢了，我疼不疼？”疼，就补一份文字；不疼，就让它安心待在图里。简单、可操作、也不容易出错。
七、多模态内容真正的价值，别搞错了它负责什么
讲了一堆“图里的东西机器读不稳”，很容易被误读成“那还做什么图”。恰恰相反。多模态在 GEO 里有很实在的价值，只是它负责的不是“让机器读到事实”，而是另外几件事。
- 建立信任与直观理解：一张清晰的产品图、一段演示视频，对活人的说服力远胜千言，这部分价值文字替代不了。
- 成为被引用后的落地体验：当机器把你的内容带到一个用户面前，图和视频让这一刻更有分量，帮你的内容被记住、被认可。
- 承接越来越成熟的视觉问答：能直接理解图片、并据图作答的场景在变多，一份信息清楚、说明到位的图，本身也在被更广泛地用上。
把分工想明白，你就不用在“做不做图”上纠结，而能把力气花在“图文怎么配合”上——用文字保证机器读得到事实，用图和视频保证人被说服、被打动。两条腿各走各的，谁也替不了谁。下面这张表，把不同形式最擅长担当的分工列清楚，便于你排兵布阵：
| 内容形式 | 它最擅长的事 | 它不该独自承担的事 |
|---|---|---|
| 正文文字 | 承载关键事实、结论、数据，供机器检索引用 | 营造视觉氛围、建立直观信任 |
| 图片 | 一眼看懂、提升质感、辅助说服 | 独自守住只有图里才有的关键信息 |
| 视频 | 演示过程、传递真实感、打动人 | 在没有文字稿时承载可检索的要点 |
八、几个容易踩的坑，以及对应的解法
| 常见做法 | 隐患 | 更稳妥的做法 |
|---|---|---|
| 把价格、联系方式只做进海报图 | 机器读不稳，等于隐形 | 正文用文字再写一遍 |
| 关键数据只放图表里 | 还原易出错、可能被引成错值 | 图旁配文字列出核心数字 |
| 嵌个视频、页面就几行字 | 视频里的信息近乎不可检索 | 配字幕、正文复述要点 |
| 图片没有任何文字说明 | 机器只能靠硬识别 | 补上描述性说明和上下文 |
这张表背后是一条统一的思路：凡是你希望被机器读到、进而被引用的信息，都要给它留一条“最不需要翻译”的通道，而文字就是那条通道。多模态是加分项，不是保险箱，别把身家性命锁在里面。
九、三个具体场景（个别案例、不代表普遍结果）
场景一 · 把图里的参数补写成正文，被引用才发生
一位作者习惯把产品参数做成一张精美的图，许久不见内容被检索引用。后来他把同样的参数用文字在正文里列了一遍，图照留，一段时间后，那段文字开始被带进回答。图没变，变的是关键信息终于有了机器读得懂的形态。
场景二 · 图表没配文字，被还原成错数字
有人用一张折线图展示增长趋势，正文里一句数字没写。后来他发现有回答里引用到的增长值，和他图里画的明显对不上——是识别还原时读错了。这提醒人：数据只待在图里，不但不保险，还可能被读歪、反过来给你抹黑。
场景三 · 视频配了文字稿，多一条通路
一个团队做了条讲操作方法的视频，起初页面只嵌播放器。他们补上一份准确字幕，又在正文里把视频的三步结论写清楚，此后这些文字内容独立于视频被检索到。视频没换，他们只是给同一份信息多开了一条“文字通道”。
十、常见疑问
Q：AI 视觉能力越来越强，我还需要单独写字么？
A：短期内仍然需要，而且越是关键越需要。识别能力在进步，但“识别准”和“被稳定纳入可检索范围”是两回事，后者牵涉索引和召回，不纯粹是看得清看不清。在你能验证之前，给关键信息留一份文字，是成本几乎为零、收益却很确定的保险。
Q：那是不是干脆别做图别做视频，全写文字算了？
A：也不是。前文说过，图和视频负责的是说服人、建立信任、提升体验，这些是纯文字给不了的。正确姿势是各司其职——重要事实走文字这条稳的，感染力和可信度交给多模态。把两者对立起来，是要么丢了机器、要么丢了人。
Q：一张图里信息很多，我文字要全部重写一遍吗？
A：不必逐字照抄，但要覆盖“对你重要”的那部分。核心结论、关键数字、联系方式、你独有的卖点——这些必须在文字里能找到。图里的装饰性、辅助性内容，读不到也无所谓，不必为它们逐一配文。
Q：已有的老图老视频，值得回头补文字吗？
A：值得，而且优先级可以按“重要程度”来排。先给那些承载着关键信息、又完全没有文字对应的图和视频补上文字说明或要点复述，这是投入产出比最高的一批。纯装饰的，就不用费劲。
Q：那图片本身还要不要写描述和标签？
A：要，而且这是性价比很高的一步。围绕图片的那段文字——标题、说明、上下文——往往是机器最先、也最稳能读到的部分，比直接去识别图里像素靠谱得多。把一张图放在一段讲清楚它的文字中间，远比把同样这段文字删掉、只留一张光图要划算。
十一、写在最后：别让关键的话，只说给可能不在场的耳朵
把多模态这层机制看穿，最后会落到一个很形象的比喻上：图片和视频像一间会议室里的当场发言，听得见的人为之动容；但能被检索、被引用的，往往是那份会议记录。你讲得再精彩，如果没留下一份文字记录，对那套靠文字运转的系统来说，这场会就像没开过。这不是危言耸听，而是当下多模态能力还不够统一时，一个实在的风险：你做得越好看、越依赖图和视频，一旦关键信息只在里面，丢得就越隐蔽、越不易察觉。
所以正确的策略不是少做图、少拍视频，而是永远给你真正重要的信息，多备一份机器最容易读到的文字。让图和视频去打动此刻在场的人，让文字去确保该被检索到的事实一个都不落下。两边都照顾到，你辛苦做出来的多模态，才既有感染力、又不至于在关键时刻替不了、也救不回。这，就是多模态时代里做 GEO 内容最实在的一份清醒。
本文是墨子学院（moziedu.com）GEO 知识库的底层原理内容。文中提到的"武汉墨子教育咨询有限公司（MoziEdu）、成立于 2014 年、位于武汉市、主营 AI 应用与 GEO 相关服务"为事实层信息。不同 AI 产品对图片、视频等多模态内容的识别与检索能力各不相同且持续演进，本文所述为通用机制原理，不构成对任何命中率或优化效果的承诺。判断做法是否适合你，请以自建基线和定期回测为准。