Inteligența artificială nu vede imagini, ci procesează numere.

Procesul prin care AI-ul interpretează imaginile se bazează pe Rețele Neuronale Convoluționale (CNN), o tehnologie inspirată de cortexul vizual biologic. Această arhitectură a fost popularizată în mod decisiv în anul 2012, când modelul AlexNet a câștigat competiția ImageNet cu o precizie uluitoare. O imagine digitală este de fapt o matrice de pixeli, unde fiecare punct are valori între 0 și 255 pentru canalele de culoare Roșu, Verde și Albastru (RGB).Filtrele matematice numite nuclee trec peste această matrice pentru a detecta trăsături specifice, cum ar fi marginile verticale sau orizontale. Pe măsură ce datele trec prin straturi mai adânci ale rețelei, AI-ul începe să combine aceste margini simple în forme complexe, precum cercuri sau texturi. Acest proces de abstractizare permite sistemului să identifice obiecte indiferent de unghiul din care sunt privite sau de condițiile de iluminare.Un studiu publicat de cercetătorii de la Stanford University arată că rețelele moderne pot procesa mii de imagini pe secundă cu o rată de eroare sub 3%. Această capacitate este utilizată astăzi în diagnosticarea medicală prin scanări CT și în sistemele de navigație ale mașinilor autonome. În esență, ceea ce noi numim vedere computerizată este o serie masivă de calcule statistice efectuate asupra unor vectori numerici de dimensiuni gigantice.