当视觉走出屏幕——具身智能、产业落地与“看见”的代价

计算机视觉最深刻的转变，正在从“看”走向“做”。

过去，视觉系统的典型形态是：摄像头拍下画面，算法给出标签，人根据标签做决定。安防摄像头识别异常行为，质检相机标记瑕疵品，医疗影像系统圈出疑似病灶——视觉是决策的辅助。但趋势正在向另一个方向倾斜：视觉成为行动的直接驱动。

这一转变的技术载体，是视觉—语言—行动（VLA）模型。机器人不再只是“识别物体然后按预设程序抓取”，而是接收一句自然语言指令（“去厨房找微波炉”），结合视觉感知理解环境，直接生成动作。北京大学团队提出的 VLingNav 模型展示了这种思路的一种实现：让机器人在简单情境下“快思考”直接行动，在岔路口或目标被遮挡时才触发“慢思考”进行推理；同时用语言摘要持续记录“哪里已经找过”，避免在长距离导航中原地兜圈。在工业场景中，基于扩散 Transformer 的 VLA 模型在抓取、装配、取出、放置四类产线任务上，成功率均超过 90%。视觉不再只是告诉机器“这是什么”，而是在告诉它“下一步该做什么”。

产业数据印证了这条路径的规模。2025 年全球计算机视觉市场规模约为 274 亿至 328 亿美元（不同机构口径有差异），预计到 2031 年前后以约 15% 的年复合增长率扩张。制造业贡献了最大的份额（约 28%），电子产线和食品包装上的大规模检测是基本盘；汽车是增速最高的板块，2026 年全球 ADAS 摄像头出货量预计达到 2.4 亿颗，单车摄像头数量持续攀升。在中国，企业视觉智能市场从 2025 年的约 405 亿元向 2030 年的 1627 亿元演进，安防、工业质检、医疗影像构成主要的落地三角。边缘 AI 芯片的成熟也在改变部署方式：英伟达、高通、安霸等厂商的方案将视觉推理的往返延迟从 80 毫秒压缩到 10 毫秒以下，机器人抓取和紧急制动所需要的实时性门槛，正在被跨越。

但“看见”的能力越强，代价也越不容回避。偏见是第一个裂缝：人脸识别系统在浅肤色男性上的准确率曾经极高，在其他群体上的错误率却可能高出上百倍，后果从手机被锁到被错误逮捕，真实而具体。深度伪造是第二个：当生成式模型能够以极低门槛合成以假乱真的面孔和视频，视觉证据的可信度本身就在被侵蚀——诽谤、身份盗用、政治虚假信息，以及“这段视频到底是不是真的”这个曾经不成为问题的问题。

计算机视觉走到今天，已经不再只是一门“让机器看懂图片”的学科。它同时在回答三个更大的问题：机器能否从数据中习得世界的结构，能否从结构中生成新的世界，以及当这种能力嵌入物理行动和社会运转之后，谁来为它看见的东西负责。技术的答案在论文和产品里，后一个问题的答案，还在我们手中。