写真を見たとき、私は「屋外、昼間、食べ物」とは考えません。「ああ、これはクアグで完全に迷子になった後、あの小さなチベットの村を見つけた時の写真だ」と考えます。その記憶は豊かで、文脈的で、意味的です。現在の検索ツールでは、そのような自然言語による説明を画像の実際のピクセルコンテンツに結びつける方法がありません。