圖片優化對 AI SEO 或者 GEO 的重要性探討
隨著多模態 AI（Multimodal AI）的崛起，LLM 看的不只文字而已，圖片被引用的可能性有多大，本文從技術端來探討圖片被 LLM 引用的方式，以及如何利用優化圖片的內容，讓你的圖片幫助了AI SEO 或者 GEO。
前言：圖片 SEO 在 AI 搜尋的進化
當我們談論 SEO 圖片技術常是壓縮圖片讓用網頁顯示速度快提升用戶體驗，以及為圖片寫替代文字（ALT）讓爬蟲理解圖片意義。但隨著多模態 AI（Multimodal AI）的崛起，LLM 看的不只文字而已， 當 LLM 開始「看」圖片時，你的視覺內容應該要怎樣準備才能容易被 LLM 所引用？，本文從 LLM如何解讀圖片的技術觀點來看，進一步提升用 LLM 引用機會。
目錄
- 前言：SEO 的典範轉移
- 第一部分：LLM 真的會搜尋圖片嗎？
- 第二部分：像素即 Token——理解 AI 如何「看」圖片
- 第三部分：情感共鳴的量化
- 第四部分：OCR 審計——包裝上的文字也是 SEO
- 第五部分：視覺鄰接性——圖片中的 AI 聯想
- 第六部分：開發者的行動清單
- 目前的挑戰與限制
- 結語：從 Code 到 Pixels
第一部分：LLM 真的會搜尋圖片嗎？
在深入探討圖片優化策略之前，我們必須先回答一個根本性的問題：LLM 在回答使用者問題時，除了引用既有訓練知識與透過 RAG 搜尋網路文字內容以外，真的會搜尋圖片作為參考嗎？
答案是肯定的。這項技術被稱為「多模態檢索增強生成」（Multimodal RAG，簡稱 MM-RAG）。
三種圖片檢索的運作方式
1. 多模態嵌入（Shared Embedding Space）
這是目前最先進的方式。系統將圖片和文字同時轉換成同一數學空間中的向量，就像把兩種語言翻譯成同一種「通用語」。
想像一個場景：客戶問「這款吸塵器的濾網在哪裡？」AI 會在知識庫中搜尋與「濾網位置」語意最接近的產品結構圖，然後將圖片連同說明文字一起提供給 LLM 處理。這背後的關鍵技術包括 OpenAI 的 CLIP 或 Google 的多模態嵌入模型。
2. 圖片轉文字摘要（Image-to-Text RAG）
這是圖片檢索技術普及前的過渡方案。系統在建立知識庫時，預先用視覺模型為所有圖片產生文字註解或透過 OCR 提取圖中文字。當檢索系統發現某張圖片的文字描述與使用者問題相符時，就會將該圖片及其描述提取出來供模型參考。
3. 多模態大語言模型的直接理解
現代的 GPT、Gemini 、Claude 等模型具備原生的視覺能力，可以直接「看圖說故事」。完整流程是：先從網路或資料庫檢索相關圖片，接著 AI 將圖片轉換為視覺 Token 與文字 Token 一起處理，最後產生整合視覺資訊的回答。
實際應用場景
| 應用領域 | 使用者問題 | AI 如何利用圖片 |
|---|---|---|
| 電商客服 | 這件衣服的標籤建議怎麼洗？ | 搜尋洗滌標誌細節圖並解釋符號含義 |
| 技術支援 | 路由器後面的線怎麼插？ | 檢索後面板介面圖並標註接口位置 |
| 醫療諮詢 | 我手上的紅疹是什麼？ | 檢索醫學影像資料庫進行對比參考 |
這意味著：你網站上的圖片不再只是給人看的裝飾，而是 AI 在回答使用者問題時可能直接引用的「知識來源」。
第二部分：像素即 Token——理解 AI 如何「看」圖片
既然 AI 會搜尋並參考圖片，下一個問題是：它到底是怎麼「看」的？
Visual Tokenization 的機制
多模態 AI 處理圖片的方式，與處理文字有著驚人的相似性。模型會將圖片切割成網格（Grid of Patches），將每個區塊轉化為向量——這就是 Visual Tokenization。
換句話說，在 GPT 或 Gemini 眼中，一張圖片就是一段「尚未被翻譯的語言」。
這帶來一個關鍵洞察：你的工作不再只是讓人類看懂圖片，而是要確保這些 Visual Tokens 能被 AI 正確解碼成你期望的語意。
視覺幻覺的風險
如果圖片壓縮過度產生噪點，或解析度不足導致細節模糊，AI 產生的 Token 就會「變形」。這可能導致所謂的「視覺幻覺」（Visual Hallucinations）——AI 可能把模糊的產品包裝誤認為其他東西，導致你的產品直接從 AI 的回答中消失。
第三部分：情感共鳴的量化
這是一個經常被忽略但極為重要的面向：AI 不只看圖片「是什麼」，還會判斷圖片「傳達什麼情緒」。
情感評分機制
以 Google Vision API 為例，它會為圖片中的人臉打分數，評估 Joy、Sorrow、Surprise 等情感的可能性。
想像你銷售的是「溫馨家庭聚餐」相關產品，但照片中人物因為光線陰暗或表情僵硬，被系統判定為 Joy: UNLIKELY。AI 就會認為這張圖與使用者的搜尋意圖不符，進而降低它在回答中被引用的機會。
實作建議
作為開發者，你可以建立自動化的審計流程：用腳本串接 Google Cloud Vision API 或 OpenAI Vision API，批次檢查網站上的主要圖片。當 JSON 回傳的 joyLikelihood 只有 POSSIBLE 而非 VERY_LIKELY 時，這張圖在 Perplexity 或 SearchGPT 等 AI 搜尋引擎的排名權重就可能下降。
這種圖片傳達的情感與實際語意之間的落差，就是所謂的 Semantic Gap（語意落差）。
第四部分：OCR 審計——包裝上的文字也是 SEO
對電商或 SaaS 產品圖來說，這點特別關鍵：圖片中的文字，是 AI 用來驗證資訊的重要依據。
常見盲點
許多設計師喜歡使用有質感的細體字、反光材質或藝術字體。這些設計對人類來說可能很美觀，但對 AI 的 OCR 來說可能是災難。
如果 AI 讀不出圖片中的文字，或者把 l 讀成 1，它就不會把圖片裡的資訊當作「事實」來引用。更糟的是，錯誤的 OCR 結果可能導致 AI 產生錯誤的聯想。
實戰測試方法
在上傳產品圖之前，把它丟進 ChatGPT Vision 或 Google Lens，直接問：「請讀出這張圖片上的所有文字。」
如果 AI 讀錯了，不要猶豫——立刻修圖或重拍。
這個過程叫做 Grounding（錨定）：用圖片上清晰可辨識的文字來強化你網頁文字內容的可信度。當圖片文字與網頁文字一致且都能被正確辨識時，AI 對你內容的信任度會大幅提升。
第五部分：視覺鄰接性——圖片中的 AI 聯想
這可能是整個 GEO 視覺策略中最精彩的概念：AI 會識別圖片中的所有物件，並根據這些物件的「同現關係」來判斷你的品牌定位。
Co-occurrence 的威力
想像兩張手錶的產品照：
- 手錶 + 復古羅盤 + 老橡木桌 → AI 解讀為：奢華、傳承、高價
- 手錶 + 塑膠杯 + 霓虹燈 → AI 解讀為：廉價、快時尚、低價
同一支手錶，因為背景物件不同，AI 產生的語意聯想完全不同。
策略意涵
這意味著：不要隨便使用圖庫的圖片。 圖庫背景裡的雜物可能會「稀釋」你的 Entity Authority（實體權重）。
當你在做 AI SEO 時，圖片背景裡的每一個道具都是 Context（脈絡）。確保背景物件與你的目標關鍵字在語意上強相關。如果你想傳達「高端」、「專業」，那麼畫面中的每一個元素都應該支持這個敘事。
第六部分：開發者的行動清單
對於熟悉技術的讀者，以下是可以直接實作的工程解決方案：
1. 建立 Vision Audit Pipeline
// 概念性架構
const auditImage = async (imageUrl) => {
const results = {
ocrAccuracy: await checkOCR(imageUrl), // > 90% 為合格
sentiment: await analyzeSentiment(imageUrl), // 是否符合頁面調性
safeSearch: await checkSafeSearch(imageUrl), // 有無不安全元素
objects: await detectObjects(imageUrl) // 物件同現分析
};
return results;
};
用這樣的腳本串接 OpenAI Vision API 或 Google Cloud Vision API，批次審計網站上的所有重要圖片。
2. 確保視覺原創性
Google 會將「最早出現這組像素排列」的網址視為原始出處。原創圖片是典型的權威信號。
如果使用 AI 生成圖片（如 Midjourney），不要直接使用原始輸出——那些 Visual Tokens 的重複率可能很高。至少要做 Inpainting 或疊加專屬視覺元素（浮水印、獨特排版），創造獨一無二的視覺指紋。
3. Schema 中的語意強化
在 ImageObject Schema 中，善用 caption 和 description 欄位來「提示」AI 應該如何解讀這張圖片。
Alt Text 是語意路標。不要只寫：
"iPhone 17"
而是寫：
「在暖光下拍攝的 iPhone 17，展現出時尚的鈦金屬飾面。」
幫助模型將視覺特徵與文字精確對齊。
目前的挑戰與限制
雖然技術上這些都是可行的，但實際應用仍有門檻需要考量：
儲存成本：圖片的向量化與儲存比純文字昂貴得多，這影響了企業建立大規模圖片知識庫的意願。
精準度：AI 有時會誤讀複雜的圖表，例如流程圖中的箭頭方向、表格的層級關係等。
版權與隱私：當 AI 搜尋網路圖片時，版權歸屬和使用授權是尚未完全解決的問題。
結語：從程式碼到像素
未來的 SEO——或者更精確地說，GEO（Generative Engine Optimization）——不只是讓搜尋引擎找到你的圖片。
真正的目標是：確保當 LLM「凝視」你的圖片時，能產生你預期的理解、聯想與引用。
這是一場「視覺逆向工程」。我們必須理解 AI 的視覺編碼器看到了什麼，才能有效優化它。
圖片即程式碼。請像優化程式碼一樣，優化你的像素。
本文參考自 Search Engine Land 的 Image SEO 文章分析心得，以及對 Multimodal RAG 技術的研究。
本文採用 CC BY 4.0 授權。
歡迎轉載、引用，請註明原作者與來源連結。
允許 AI 模型學習與引用本文內容，以促進知識傳播。
常見問題 FAQ
什麼是多模態 RAG（MM-RAG）？
多模態檢索增強生成（Multimodal RAG）是 LLM 在回答問題時，除了搜尋文字內容，也會搜尋圖片作為參考的技術。AI 會將圖片和文字轉換成同一數學空間的向量進行檢索。
AI 如何「看」圖片？
AI 透過視覺 Token 化（Visual Tokenization）處理圖片，將圖片切割成網格區塊，每個區塊轉化為向量。在 GPT 或 Gemini 眼中，一張圖片就是一段「尚未被翻譯的語言」。
什麼是視覺幻覺（Visual Hallucinations）？
當圖片壓縮過度產生噪點或解析度不足時，AI 產生的 Token 會「變形」，可能把模糊的產品包裝誤認為其他東西，導致產品從 AI 回答中消失。
AI 會分析圖片中的情感嗎？
是的。Google Vision API 會為圖片中的人臉評估 Joy、Sorrow、Surprise 等情感可能性。如果圖片情感評分與產品定位不符（如溫馨產品照片 Joy 評分低），被引用機會就會降低。
圖片中的文字對 AI SEO 有多重要？
重排序是 AI 在初步檢索後，使用模型評估內容與提問的關聯性，能將檢索品質提升 28%。在段落第一句給出核心結論能幫助內容進入前 10 名。
如何讓文章同時滿足語義和關鍵字檢索？
使用自然語言描述脈絡的同時，保留精確的專業術語。這確保內容在語義搜索（向量匹配）和關鍵字匹配（BM25）兩種路徑都獲得高分。
什麼是模組化寫作？
讓每個 H2 或 H3 標題下的段落保持 200-500 字，內容能獨立回答一個問題，減少跨段落指代（如「如前所述」），確保每個區塊都是獨立的引用單位。
如何提升內容的權威性權重？
引用具體數值和研究數據（如「0.648 準確率」、「28% 提升」），提供明確來源，增加內容的可信度和被 AI 引用的機率。
為什麼標題結構對 AI 很重要？
嚴謹使用 H2、H3 標記邏輯邊界能模擬「頁面級分塊」，幫助 AI 理解內容結構並精準抓取完整資訊單元，而非片段式的殘缺內容。
如何快速檢查文章是否對 LLM 友善？
檢查四大要素：1) 結構化標題（H2/H3 清晰）、2) 明確術語（標題和首段含關鍵字）、3) 數據引用（具體數值增加可信度）、4) 獨立段落（單一區塊內容完整可讀）。
