图像现在像语言一样被解析。OCR、视觉语境和像素级质量共同影响 AI 系统如何理解并呈现内容。 在过去十年中，图像 SEO 在很大程度上只是技术层面的基础维护： 压缩 JPEG，以应对没有耐心的访客。 为无障碍访问编写替代文本（alt text）。 实现延迟加载（lazy loading），以保持 LCP 指标处于良好水平。 尽管这些做法仍然是健康网站的基础，但像 ChatGPT、Gemini 这样的大型多模态模型的兴起，带来了新的可能性与挑战。 多模态搜索将不同类型的内容嵌入到同一个向量空间中。 我们现在优化的对象是“机器的凝视”。 生成式搜索通过将媒体内容切分为多个片段，并借助光学字符识别（OCR）从视觉信息中提取文本，使大多数内容变得对机器可读。