Muskのリツイートによると、Grokの音声モードは認識コンテンツへのカメラアクセスをサポートしている。ユーザーが携帯電話を何かに向けて“何を見ているの？”と尋ねることができます。iOSのビジョン機能により、チャットボットはデバイスのカメラを介して現実世界のオブジェクト、テキスト、環境をリアルタイムで分析できます。ユーザーは製品、ロゴ、文書などをスキャンでき、Grokはすぐにコンテキスト情報と関連情報を提供します。