電腦軟體直至近期才具備識別照片中物體的能力。史丹福大學的學者利用機器學習技術打造出一個系統則更進一步，可簡單描述任何數位圖片的故事。

史大人工智能實驗室主任、電腦科學教授李飛飛說：「這一系統能夠分析未知的圖像，然後用文字進行合理描述。這是首個能確認離散物體，再將它們連貫的電腦視覺系統。」

李飛飛說，人類能將看到的事物聯繫在一起。看圖說故事是人類視覺智慧的核心要素，但到目前為止仍難以用電腦計算實現。史大的系統運用改善系統準確度的電腦計算，逐一掃描場景、分析模式、利用原先累積的、已描述場景來推斷未知圖像的內容。李飛飛與電腦科學研究生卡帕西（Andrej Karpathy）等組成的研究團隊認為，此一電腦視覺領域的研究，有朝一日可運用於在未知環境中導航的機器人。在不久的未來，人們便可利用懂得領悟故事的電腦系統，搜索圖片或影片檔案，找到特定的圖像。

李飛飛的研究是基於麻省理工學院帕佩特教授（Seymour Papert）在1966年打造的電腦視覺。科學家難以在電腦上複製人類經數百萬年進化而得的智慧。研究者耗費20多年設立的電腦視覺系統，僅能簡單識別照片中的離散物體。

互聯網推動電腦視覺的研究。一方面網路上越來越多的照片與視頻，人們對於檢索、整理、篩選視覺資訊工具的需求增多；另一方面，越來越精細的運算法可幫助功能強大的電腦，透過不斷重複任務接受培訓與改善。科學家稱之為機器學習，李飛飛則喜歡將這比作兒童學踢足球。透過教練的示範與指導，透過眼、腦、神經與肌肉的協調，兒童慢慢學會如何踢球。

李飛飛的視覺算法系統透過分析一個視覺場景詞典來學習。詞典由大量圖片構成，每個場景用兩種方式來描述，以便機器可識別類似場景，並提供簡單易懂的描述。如兩個場景：貓躺在鍵盤上，女孩在田間騎馬。但目前的視覺系統，看到四條腿的有毛動物躺在一個物體，可能提供的描述為狗躺在地毯上。兩足生物與四足生物，可能描述為一個男孩站在一頭牛旁。