视觉的隐喻：当计算机视觉学会‘看不见’

在过去的十年里，计算机视觉以摧枯拉朽之势攻占了图像分类、目标检测、语义分割等阵地。 ImageNet上的错误率从百分之二十几骤降到百分之零点几。 人脸识别超越人类水平，自动驾驶汽车在复杂路况中穿梭自如。 然而，这种“成功”可能是一个巨大的幻觉。 正如哲学家丹尼特所说：“我们越是关注细节，就越容易忽视整体。” 当机器能够以99%的准确率识别一张猫的照片时，它真的“看见”了猫吗？ 或者说，它只是完成了一次高维空间中的统计插值？

2014年，研究学者发现了一个令人不安的现象：在图像上添加肉眼几乎不可见的微小扰动，能够使深度模型以近乎百分之百的置信度将一张熊猫图片误判为长臂猿。 这看起来像是一个技术漏洞，实则暴露了机器视觉与人类视觉的深刻差异。 人类知觉基于物体的整体形状、纹理与上下文，而深度网络依赖的是图像中局部频率和边缘组件的统计相关性。 对抗样本不是技术缺陷，而是机器视觉“认知模式”的极端显现。 这种脆弱性表明，当前深度学习本质上是一种精致的“模式匹配”，而非“意义建构”。

我们提出一个不同的框架：视觉行为应当被理解为一种对物理世界因果结构的主动推断，而非被动接收像素后的分类。 人类的视觉系统是具身化的，它通过眼动、注意力转移和与环境的交互来不断验证假设。 当一个苹果从树上掉落，人类看到的不仅仅是形状和颜色，更是一个引力因果链的节点。 而机器视觉仅仅学会了“苹果”这个标签与像素群组的统计关联。 要弥合这一鸿沟，必须让视觉系统具备一种“可介入性”——即能够通过动作改变视角、干扰光源或移动物体，从而观察不同条件下同一场景的表征变化。 这种主动视觉科学，是迈向真正视觉智能的必经之路。

如果上述观点成立，那么计算机视觉的未来将不再依赖更大的标注数据集或更深的网络，而是依赖另外两个核心能力。 第一是“因果表征学习”，让模型学习视觉变量之间的因果图，而不仅仅是联合概率分布。 第二是“具身代理”，让智能体在仿真环境中进行感知-行动循环，通过干预来验证视觉假设。 这种转变类似于从“看照片”到“玩积木”的进化。 当我们不再强迫机器去模仿人类视网膜的投影，而是赋予它探索世界的双手和身体时，它才可能真正学会“看见”。 当然，这并非否定深度学习已有的成就，而是提醒我们：当下的视觉辉煌，可能只是黎明前的一束微光。