同一件事，四種投入程度：從「丟一批照片、貼一段指令請它初步分類並標信心」，一路到「訓練專屬判讀模型、只把沒把握的送人複核」。想快有快的、想長遠有長遠的，按需要往上爬——但不管哪一階，最終認定都留給人。
還沒用過 AI？免費版就能試，不用付錢——先看 30 秒新手上路 →
一整個資料夾的照片——產品有沒有瑕疵、貨物有沒有損壞、現場有沒有異常、單據有沒有拍糊——要一張張看到眼花。看到第 200 張，眼睛已經自動放水了，真正有問題的那幾張反而被滑過去。你想用 AI 幫忙篩，可是心裡毛毛的：萬一它看錯，把有問題的當沒問題放過去，是要出事的。
難的不是「會不會用 AI 看圖」——它早就看得懂。難的是怎麼讓它只當你的第一道篩子，而不是替你拍板。
只想馬上動手？跳到第 1 階（免費就能做）——下面「AI 為什麼會看走眼」的道理，之後回頭看也行。
AI 看圖辨識這兩年進步很多，但它有一個要命的毛病：看走眼的時候，語氣跟看對的時候一模一樣，都很有把握。 反光把刮痕蓋住了，它可能回你「正常」；光線太暗，它可能把陰影當污漬報你「疑似瑕疵」——它不會說「這張我看不清、我猜的」，它只給你一個乾脆的答案。一份看起來很篤定、其實是猜的判讀結果，比一句「我不確定」危險得多。
所以重點只有一句：不能讓 AI 下最終判斷，只能讓它「先分堆、並老實招出哪些它沒把握」。
AI 老實說：這段講的就是我自己。你把一批照片丟給我，我最會坑你的地方，是我看不清的時候也會給你一個很乾脆的答案。而且你沒看過的新型號，我根本沒有它的合格標準，卻還是會硬套一個類別給你。所以請這樣用我：叫我每一張都標把握程度、把沒把握的單獨列出來、別替你做「報廢／放行」這種要負責任的決定。最終那一眼，一定要是人。你把我綁在「初篩」這個位置，我才真的幫得上忙。
它具體會怎麼坑你？五個品檢／盤點現場真的會發生的例子：
| 你丟進去的照片 | AI 可能自作主張 | 但其實是… |
|---|---|---|
| 反光很強、亮到發白的產品照 | 判「正常·高信心」 | 反光把刮痕蓋掉了，它是看不到、不是沒有 |
| 光線很暗、一片陰影的角落 | 把陰影當污漬，判「疑似瑕疵」 | 只是沒打光，東西是好的 |
| 你這次才進的新型號 | 硬套舊型號的標準說「正常」 | 它根本沒有這型號的合格標準，在瞎猜 |
| 同一箱貨只拍到正面幾張 | 回「這箱都檢查過了、沒問題」 | 背面、底部死角根本沒入鏡，它看不到的它不會提 |
| 一張圖裡擺了兩件產品 | 只判斷比較顯眼那件 | 另一件的瑕疵被忽略，你以為兩件都看過了 |
看出來了嗎？每一個「錯」都長得很像對的——它不是不會看，是看不清、沒看過、沒拍到的時候，還是給你一個乾脆的答案。這就是為什麼下面每一步，都要先逼它把「沒把握」講出來。
上面那四個步驟，是你每次判讀都要做的事。下面這四個層級，是「你想把這套做到多自動、多長遠」——是兩回事，別搞混。
只想解決這一次？直接看第 1 階就好，第 2～4 階等你之後想更省事再回來。
先對號入座，再往下讀：
| 你的情況 | 適合 |
|---|---|
| 偶爾一批、想馬上有結果 | 第 1 階 |
| 每週/每月都在看同一類照片 | 第 2 階（多數人停這就夠） |
| 照片固定放某個雲端資料夾、想少搬檔 | 第 3 階 |
| 天天大量、要穩定一致、只想人看沒把握的 | 第 4 階 |
最快的方式，就是把照片丟給一個看得懂圖的 AI，貼一段「分類＋標信心」的指令。完全沒用過 AI？先點開下面這個，照做一次就會了：
chatgpt.com（或 Claude 打 claude.ai）再按 Enter。不要用 Google 搜尋點進去，免得點到假網站。你能在對話框左邊看到迴紋針／＋、按下去能選到照片，就準備好了。
傳公司照片前先想一下：品檢照、現場照、單據照，很可能是營業機密，或不小心拍到人臉、車牌、身分證這類個資。最保險是先把可辨識的部分遮掉（打碼、裁切），或先問公司是否允許把這類照片上傳到雲端 AI——有些公司規定不能，一定要遵守。真的很敏感、整批不能外傳的，走第 4 階「在自己電腦本機跑」的做法（那條要找技術同事幫忙設一次，見第 4 階）。
每週、每個月都在看同一類照片？第 1 階最煩的是每次都要重貼那串指令、重講一次「什麼算瑕疵」。把它存成一個記得你判讀標準的專屬助手，下次點開、丟照片就好。
先講錢，兩家不一樣，別一起算：Claude 這邊免費就能做——免費版就能開
Project（專案）（免費最多 5 個），把判讀標準放進去重複用，不必付錢；要更高用量、更多專案才升 Claude Pro（約 US$20/月）。ChatGPT 這邊要付費——自己做一個專屬 GPT 需要 ChatGPT Plus（約 US$20/月），免費版只能用別人做好的、不能自己建。所以想省錢又要「存成助手」：用 Claude、免費就能起步；真的偏好 ChatGPT 才需要為這一階付費。
Project（專案），把第 1 階那段「分類標準＋一定要標低信心」的規則，原封不動貼進專案的「自訂指令」。示範照片可以放進專案，但要知道它的用途——是給你（人）對照用的，不是拿去「教」AI 看圖（原因見下一則）。Explore GPTs → ＋ Create 開一個自訂 GPT，把同一段判讀標準貼進 Instructions。一個很多人會誤會的地方：自訂 GPT／Claude 專案的「知識庫（Knowledge）」，是拿來翻查文件文字用的，不會把你上傳的幾張「良品／瑕疵示範圖」拿去跟新照片逐張比對。所以你不能期待「丟幾張範例圖進知識庫＝教會它看你的標準」——它判讀新照片時根本不會回頭比對那些圖。真正能用「圖片」教視覺標準的，是第 4 階的訓練專屬模型（Teachable Machine）。在第 1、2 階，你要把標準寫成文字（例：「刮痕＝線狀、露出底色；缺角＝邊緣缺一塊」），這才是讓 AI 真正照著判的方式。
這裡藏了整篇最重要的一件事：你在第 1 階寫的那段「分類標準＋一定要標低信心」的文字規則，原封不動就能貼進這裡當助手指令——之後第 3 階接資料夾、第 4 階訓練模型，靠的還是同一套標準。標準只寫一次（用文字），跟著你一路往上爬。
夠用了就停在這——多數人到第 2 階就解決問題了。下面 第 3 階、第 4 階是「想更自動、想一勞永逸」再看，點卡片標題就能展開。
當照片本來就固定存在某個雲端資料夾（Google Drive、Google 相簿），你會懶得每次手動一張張上傳。這一階是讓 AI 直接去那個資料夾讀——好消息是現在這一階不必開終端機、不用寫程式，但兩家門檻差很多：
設定 → Connectors 找 Google Drive 授權。這是對免費使用者較友善的一條路（付費只是給更高流量）。設定 → 連接器（Connectors） 登入 Google，連好後才在對話框 ＋ 引用資料夾裡的檔——直接在 ＋ 裡多半找不到完整授權流程。）Google 帳號 → 安全性 → 找「你與第三方應用程式和服務的連結」→ 點該 App → 移除存取權（Google 偶爾會調整這頁名稱，認「第三方連結」這幾個字就對）。Connector＝AI 官方內建的「一鍵授權接口」。你用 Google 帳號登入、同意一次，AI 就能讀你指定的雲端檔案，不用像以前那樣手動設定或寫程式。這是這兩年才成熟、對不會寫程式的人最重要的一條接資料的路。
這一階的但書，比別篇更要強調：把照片交給 AI 批次跑，很快、但它照樣會看走眼——量一大，你更不可能每張都盯。所以「標信心＋人複核低信心」這套護欄，在這一階只會更重要，不能因為自動化就拿掉。不確定怎麼設，先請懂一點工具的同事陪你接一次 Connector，你不必自己啃技術文件。
如果你天天都在看同一種照片（例如產線上同一款產品的瑕疵、同一種單據），最治本的不是每天丟給通用 AI 猜——而是用你自己的照片訓練一個「只認得你這一類東西」的專屬模型，讓它給出穩定一致的判讀，然後把整套接成一條半自動流水線：高信心的自動歸檔，只把「沒把握的」送人複核。
別被嚇到：這一階的核心觀念只有一句——「AI 自動篩、人只看它沒把握的那一小疊」。下面的訓練工具、本機模型都是「想更進階再點開」的選配，先讀完觀念就好。
通用 AI（ChatGPT／Claude）什麼都能看，但正因為「什麼都能看」，它對你這一款特定產品的標準沒有概念，同一張圖今天問明天問可能給不一樣的答案。專屬模型是你拿「幾十張正常、幾十張有瑕疵」的自家照片去「教」出來的——它只認你這一類東西，判讀比較穩定、信心分數比較可信，也才適合天天大量跑。
先給結論：新手要試「訓練專屬模型」，最沒門檻的是 Google 免費的 Teachable Machine——全程在瀏覽器裡、不用寫程式、不用灌軟體：
teachablemachine.withgoogle.com，選 Get Started → Image Project → Standard image model。Train Model（在你自己電腦上跑，幾分鐘）。訓練完，右邊可以當場丟一張新照片測，它會給每一類一個百分比信心。Export Model——這一步開始才需要技術同事幫你接；但「訓練、抓出信心分數、決定門檻」你自己就做得到。它的極限要知道：Teachable Machine 適合類別不多、當概念驗證用；真的要上產線大量、要很高準確度，就得換更專業的方案（見下）。
半自動流程的骨架，長這樣：
⚠️ 金色那條（低信心 → 人認定）是絕對不能省的主幹。灰色虛線（高信心自動歸檔）也不是全自動放行——每一類都要有人固定抽 5～10% 回頭對原圖，抽到一張錯就代表門檻要調高。「半自動」的意思是機器幫你少看 90%，不是人完全不看。
把「要有人顧」變成照著做的清單：
要走到這一階，先誠實面對這幾件事（不然撐不過第一個月）：誰負責每天放照片、按重跑？低信心清單誰看、看不完怎麼辦？門檻訂多嚴（訂太鬆會漏、訂太嚴等於全部人工看）？機密照片長期進雲端誰能看、公司准不准？出了漏網之魚誰扛？這些答得出來，再建。
護欄：其實大多數人停在第 1 或第 2 階就夠了。只有「天天大量、同一種照片、要穩定一致」才值得爬到第 4 階去訓練專屬模型——偶爾看一批照片還去訓練模型，是拿大砲打小鳥，投報率是負的。
用 AI 判讀影像，成敗不在它看得多準，在你有沒有把它擺在「初篩」這個位置，還有你想走多遠：
不會寫程式沒關係——把 AI 當第一道篩子，最後一眼留給人，你就又快又安心。
Ridgeline · by Lucas