科普

AI 是怎么「看见」你的手机屏幕的?

你对 AI 说「打开相册」,它是怎么知道相册图标在哪、该点哪里的?一句话:它先看懂屏幕,再动手。

第一步:看懂屏幕上有什么

AI 先把屏幕上的文字读出来、把图形认出来——就像你扫一眼屏幕,知道哪里有字、哪里是图标。

这一步不需要特殊的硬件,普通电脑就能完成。

第二步:找到目标

你说「打开相册」,它就在读到的内容里去找「相册」这两个字,或者对应的图标。

屏幕是实时变化的,它也会不断刷新,保证看到的始终是最新画面。

第三步:动手操作

找到之后,它模拟你的点击和滑动,一步一步完成整个流程。

每一步做完都会确认一下,没做对就换一种方式,直到成功。

为什么这样更省

它不需要把整块屏幕照片都发给 AI——只传递「读到的文字和图形」,数据更少、反应更快。

💡 它「看」得越清楚,操作就越稳。这也是为什么界面干净、字够大的应用更好操控。