AI绘画和AI视觉不是一回事：一个管画、一个管看
有话直说：AI绘画和AI视觉是两条技术路线，方向正好相反——绘画让机器「画出来」，视觉让机器「看懂」。相册自动分类、扫码、车牌识别全是视觉的活。两张图别再互相指认了。
后台每隔一阵就有留言把AI绘画和AI视觉搅在一起问，最典型的一条：我家相册自己会把照片分类，这算AI绘画吗？
不算。那是AI视觉。这一篇就把这对最容易混的词掰开：它们用的是两套模型，干的是两个方向的事，你日常至少每天要跟其中之一打十次照面。
AI视觉让机器「看懂」，AI绘画让机器「画出来」
AI视觉是输入图、输出理解：这张图里有什么、在哪、是什么；AI绘画是输入文字、输出图：凭一句话造一张新图。一个读图，一个写图，管线方向相反。
展开一点说，视觉这边的任务清单很长：分类（这是猫还是狗）、检测（人脸在画面哪个框里）、分割（把主体从背景里抠出来）、识别（这张脸是谁）。你手机扫码支付、停车场抬杆、拍照翻译菜单——背后全是视觉模型在干活。
绘画那边大家熟了：输入提示词，扩散模型从噪点一步步「去噪」出一张图。它不需要看懂任何东西，它学的是图和文字的对应关系。
两个词容易混，大概因为都姓AI、都跟图打交道。粗记法：你给它字它给图，绘画；你给它图它给答案，视觉。
你的相册早就被AI视觉管着了
手机相册的人物聚类、场景搜索、回忆剪辑，全是端侧视觉模型的功劳，而且大部分计算就在你手机上完成。我第一次意识到这件事，是因为我妈。
我妈的手机相册某天弹出「为你整理了家人照片」，把她三年里拍的我、我爸、外婆各自归了类，连外婆八十岁生日那批和日常视频里的她都归到了一起。她拿着手机问我这是谁在帮她翻照片。没人翻，是视觉模型把她三万多张照片过了个遍。
这类功能的工程量说出来吓人：人脸检测、特征提取、相似度聚类，三步全在本地跑。这也是视觉和绘画的一个实际差别——视觉模型轻量到能塞进手机实时运行，绘画模型到现在多数还住在云端的显卡里。
还有个更隐蔽的日常应用：输入法里的表情搜索。你打「猫」能搜出猫表情包，那是视觉模型提前给几十万张图打好了标签。视觉是默默干活的那个，干完不留名。
AI视觉怎么看AI画的图？我做了个小实验
把十张AI绘画的图喂给识图接口：写实风格的八张识别全对，置信度0.9以上；两张风格化强的掉到0.5上下，水墨风的马被认成「马」只有0.52，还附带0.31的「雕塑」。风格化越重，视觉模型越犹豫。
实验不严谨，单张接口、样本十张，图一乐的水平。但结果有指向：AI视觉是拿真实照片喂出来的，它眼里的「标准猫」是照片里的猫。绘画图如果长得像照片，它照样认；一旦风格拉满——水墨、粗颗粒版画、夸张变形——置信度明显下滑。
这个发现反过来看更有用：置信度下滑说明风格化到位了。我做插画时偶尔拿成品图过一遍识图，如果连它都被认成「写实照片」，说明风格词没起作用，得回去改。视觉模型意外成了风格的裁判，虽然它本意没想干这个。
顺带记一个翻车：实验里有一张Q版狮子，识图接口给了「狗」0.44、「玩具」0.29，「狮子」压根没进前五。大头贴式的夸张变形对视觉模型来说太难了，比例一夸张，它认脸的准头先崩。做IP形象的朋友要是用识图做辅助检查，记得把这条算进去。
再往深一层，AI绘画的图和AI视觉的识别，还牵出检测与反检测的问题：生成的图太像照片，专门识别生成图的检测工具就跟着冒出来了，误伤和漏检都有，这事够单独写一篇，这里不展开。
写完这篇，我把两条线的关系画了张小图贴在工位上：左边文字，右边图，向上箭头标「绘画」，向下箭头标「视觉」。我妈那条相册留言我回了句「是手机自己看的」，她回了一串大拇指。技术名词分不清不要紧，知道你手里那台机器既能看也能画，用的还是两套本事，就够了。
常见问题
以图搜图算AI视觉吗？
算。以图搜图是把你的图转成特征向量再去库里找相似，正是视觉的典型任务。搜出来准不准，取决于特征提取模型的好坏。
两者会合并成一个模型吗？
正在靠近，有些多模态模型既能看也能画，但「看」和「画」内部仍是不同模块分工。对使用者来说，短期内还是当两样工具用更实际。
视觉模型能帮我筛AI生成的图吗？
能干点粗活，比如批量挑出「像照片」的图。但精细的风格判断、审美取舍它做不了，最后拍板的还得是人。
手机相册人脸分类安全吗？
主流手机的聚类计算在本地完成，不上传云端，可以查你机型的隐私说明确认。第三方相册App就未必了，装之前看清权限。