你有多少张照片躺在硬盘里，想找却翻不到？给朋友描述“那张有夕阳和狗的照片”时，对方永远猜错。能不能直接用自然语言问电脑，还不用担心照片被传到别人服务器？
Google 的 Gemma-4 模型让笔记本拥有了看图能力。不需要编程基础，只要装一个工具，对着照片提问题，它就能告诉你答案。整个过程都在本地完成，照片不会离开你的电脑。
多模态：给模型装上眼睛
以前和 AI 对话只靠文字——你发送一段话，AI 返回一段话。但现实世界的很多信息是图片承载的：产品截图、手写笔记、街拍照片。多模态模型就是同时能“读懂”文字和图片的模型，它会像人一样，先仔细“看”一遍画面，再结合你输入的文字去理解，最后给出自然语言的回答。
打个比方：纯文本模型是个只能听声音的客服，多模态模型则是能看监控画面的安保员——后者能发现“画面里有个无人看管的行李箱”，而前者完全无能为力。
Gemma-4 就是 Google 推出的一款开源多模态模型，它支持输入图片和文本，返回文本答案。用 Ollama 这个工具，几分钟就能在笔记本上把它跑起来。
Ollama：本地 AI 的“应用商店”
Ollama 就像大模型领域的手机应用商店——一键下载、自动配置、即开即用。你不需要折腾显卡驱动、CUDA 环境或模型格式，版本 0.24.0 已经对多模态模型提供了开箱即用的支持。
安装 Ollama：
# macOS 用户
brew install ollama
# Windows 和 Linux 用户可以直接从官网下载安装包：
# https://ollama.com
安装完成后启动服务（通常安装后会自启），然后拉取 Gemma-4 的模型文件：
ollama pull gemma4:31b
这一步会下载一个较大的文件——Ollama 会自动选择适合你硬件配置的量化版本，尽可能降低内存占用。如果你的笔记本有 16 GB 以上内存，就能以不错的速度运行；内存较小的机器可能响应偏慢，但依然可以用。
实战：让笔记本看懂你的照片
方式一：在终端里直接对话
打开终端，输入：
ollama run gemma4:31b
屏幕上会出现 >>> 提示符，这时你可以拖拽一张图片到终端窗口，或者直接输入图片路径加问题。例如：
/Users/me/Desktop/product-shot.jpg 这张产品图里有什么细节可以改进排版？
Gemma-4 会读取图片内容，结合你的问题，用文字给出具体建议。整个过程就像和一位懂设计的同事聊天。
方式二：用 Python 脚本批量调用
如果你有几十张照片想批量获取描述，可以写几行 Python：
import ollama
response = ollama.chat(
model='gemma4:31b',
messages=[{
'role': 'user',
'content': '用一段话详细描述这张街景照片',
'images': ['street.jpg']
}]
)
print(response['message']['content'])
将上面代码中的 street.jpg 换成你的图片路径，就能获得一段文字描述。你可以把它嵌入到照片整理工具的流程里。
Gemma-4 对日常生活照、屏幕截图、文档扫描件都有不错的理解能力。比如它可以识别出照片里的物体、人物情绪、文字内容（OCR），以及照片的拍摄角度甚至光线特点。但遇到极度专业的内容（如医学影像、复杂机械图纸），它的答案就仅供参考了。
本地看图的意义不仅是保护隐私。没有网络时，你依然可以分析刚刚拍摄的素材；作为内容创作者，你可以在完全离线的环境下用 AI 生成图片 alt 文本、为图库打标签；对产品团队来说，原型截图讨论不用传到第三方服务，合规风险归零。
尝试拿手机里随手拍的照片喂给 Gemma-4，看看它是怎么描述你的日常瞬间的。下一步可以试试把多模态问答和文件夹监控脚本结合起来，自动为新增图片生成说明文本——到那时，你的笔记本就真的成了一个会看图的私人助理。