Ще зовсім недавно комп’ютери були абсолютно сліпими. Для машини будь-яке цифрове зображення було не котом, автомобілем чи людським обличчям, а просто безкінечною таблицею з чисел-пікселів. Навчити залізо «бачити» реальний світ вважалося майже нездійсненною задачею. Об’єкти довкола нас постійно змінюють ракурс, освітлення, масштаби, ховаються в тіні чи перекриваються іншими речами. Звичайних наборів із кількох тисяч фотографій, які були у вчених, катастрофічно не вистачало, щоб пояснити машині все це візуальне різноманіття.