机器如何学会“看”：从像素到世界模型的四十年

计算机视觉有一个朴素得近乎天真的起点：能不能让机器像人一样，看一眼就知道画面里有什么？这个问题的难度，在很长一段时间里被严重低估了。对人类来说，“看见”近乎本能；对机器来说，一张照片首先是一堆毫无语义的数字。一台相机拍下的彩色图像，在计算机内存中是一个三维矩阵——高、宽、颜色通道三个维度，每个像素由红绿蓝三个 0 到 255 之间的数值定义。机器“看”到的不是猫的脸，而是一串串亮度值。

更麻烦的是，同一只猫出现在画面的左上角还是右下角，像素矩阵会完全不同，但它仍然是同一只猫。图像识别必须解决这种“位置变了、意义没变”的难题，同时还要抵抗光照、角度、遮挡带来的无穷变化。从 20 世纪 60 年代起，研究者们尝试过用手工设计的特征来描述图像——边缘、角点、纹理统计量，但这些方法在面对真实世界的多样性时很快触到天花板。

真正的转折发生在 2012 年 9 月。AlexNet 在 ImageNet 大规模视觉识别挑战赛上以远超第二名的成绩夺冠，把图像分类的错误率拉低了一个量级。它的核心武器是卷积神经网络：用一组小尺寸的“滤波器”在图像上滑动扫描，每一层捕捉不同层次的特征。低层滤波器对边缘和方向敏感，中层组合出纹理和局部形状，高层逐渐提炼出物体级别的抽象语义。这种“分层提取”的思路并非凭空而来，它的灵感可以追溯到 20 世纪 50 至 60 年代 Hubel 和 Wiesel 对猫视觉皮层的研究——视觉信息在大脑中正是分层处理的，初级神经元看边缘，高级神经元整合出完整物体。CNN 用数学的方式，在硅基芯片上复现了这一结构逻辑。

此后近十年，计算机视觉的主线是“把网络做深、做稳、做高效”。VGG 展示了深度堆叠的力量，ResNet 用“残差连接”解决了深层网络难以训练的问题，让上百层的模型成为可能。这些模型在封闭类别的分类和检测任务上不断刷新纪录，但它们有一个共同的软肋：高度依赖大量人工标注数据。给一百万张图逐一打上标签，成本高昂，而且模型只认识训练集里出现过的类别。

于是第二条路线浮出水面：自监督学习。思路是让模型从无标签数据中“自己给自己出题”。比如把一张图遮住一部分，让模型预测被遮住的内容；或者拿同一张图的不同增强版本，让模型学会判断“这两块应该是同一个东西”。MoCo、DINO、MAE 等模型证明，不依赖人工标签，同样可以学到强大的视觉表征。这为后来更大规模的模型训练铺平了道路。

2020 年前后，Transformer 从自然语言处理领域“跨界”进入视觉。Vision Transformer（ViT）的做法非常直接：把图像切成固定大小的小块，每一块当作一个“视觉单词”，然后让自注意力机制去计算块与块之间的关系。卷积网络像拿着放大镜逐片扫描，ViT 则像把整张图摊在桌面上，让每个小块自己“看”其他所有小块，判断谁和谁相关。这种全局视野在数据量足够大时展现出惊人的扩展性，也标志着视觉模型的设计哲学从“局部堆叠”向“全局关系建模”迁移。

真正把计算机视觉推向下一个阶段的，是多模态。CLIP 用海量图文配对进行训练，让模型学会把图像和文字映射到同一个语义空间里。结果是一个可以“零样本”识别新类别的模型：你告诉它要找“戴帽子的狗”，它不需要事先在这个类别上训练过，也能在图中定位出来。视觉从此不再孤立，语言成了理解视觉的“接口”。

今天的前沿已经越过了“识别和描述”的边界，走向生成与模拟。Sora 和其后继者展示的不仅是更逼真的视频生成，更是一种对物理世界运行方式的隐式建模：物体会下落，碰撞有后果，同一角色在多镜头中保持身份一致。世界模型的目标是让 AI 在行动之前在内部“预演”可能的结果，而视觉正是这个内部模拟器的主要输出界面。从让机器识别像素里的猫，到让机器在虚拟空间中预演物理事件的走向，计算机视觉走过了从“看”到“理解”再到“想象”的路径。下一个问题不再是“画面里有什么”，而是“如果这样做，接下来会发生什么”。这个问题，将视觉推向了机器人、自动驾驶和具身智能的腹地