从辉煌到困惑：计算机视觉的隐性危机
当深度学习在ImageNet上刷新纪录、在自动驾驶中识别行人、甚至在医学影像中定位病灶时，我们几乎以为计算机视觉已接近人类水平——至少在某些指标上。但每一次微小的对抗扰动、每一幅风格偏移的域外图像、每一个在现实动态场景中的笨拙失误，都在提醒我们：那些令人惊叹的模型并没有“看”或“理解”世界，它们只是在高维空间中完成了复杂的模式插值。这种性能与理解的脱节，不是一个工程细节，而是整个领域默认路径的系统性盲点。当前范式将视觉问题降维为“像素到标签”的映射，把视觉系统当作一个被动接收光流、内部构建世界模型的信号处理器。我们过于热衷于优化损失函数，却极少追问：视觉真正要达成的是什么？人类同猩猩都有视觉，但我们的视觉服务于生存、预测、操作与交流，它是在行动中展开的，而不是在离线的推理中完成的。这种本质性差异，并非靠增加数据量或模型容量就能弥合，它需要一场理论层面的范式转向。
表征主义的困局：视觉不是代码形成过程
主流计算机视觉继承了笛卡尔与洛克以来的一种表征主义传统：世界被呈现为刺激，视觉系统将这些刺激编码为内部表征，推理过程作用于这些表征之上。从SIFT特征到CNN特征，再到Transformer的注意力向量，其哲学假设始终如一。然而，表征主义的代价是脆弱的。对抗样本表明，两个在欧几里得空间距离极小的图像，可以引出完全不相容的语义标签，这暴露了表征的敏感性缺乏最低级的语义边界；域迁移问题则更放大这种缺陷，一辆在德国高速上训练好的自车，迁到上海城郊就可能失效。从更深的层面说，表征主义把观察者与行动者分离，忽视了一个基本事实：视觉系统从来不是孤立地解码光场，而是作为生命体在环境中的连续交互的一部分。我们对“看见”的常识理解来自具身经验——婴儿通过抓握、触摸与移动来学习视觉，成人依靠视觉指导行动。而深度网络只是从静态帧中估计归纳偏置，无法感知时间连续性，更无法体验动作对视觉流的改变。这种与生俱来的“断腿”，使得模型的鲁棒性依赖于浩如烟海的标注，而真正的视觉理解应当依赖与世界更直接、更经济地耦合。
生态主义另辟蹊径：视觉是环境、行动与知觉的闭环
我们在二十世纪中叶的吉布森生态光学中，可以找到一条至今未被主流计算机视觉接纳的洞见。吉布森反对“视网膜图像”引发“内部大脑图像”的经典链条，他提出“offer”（供性）概念：视觉知觉直接拾取环境中的光学稳定信息（例如光流梯度、视差变化），这些信息本身携带着可供动物行动的可能性。比如，一条延伸到视野边缘的纹理梯度告诉你这是可立足的地面；物体在视网膜上的膨胀模式告诉你在接近它；而障碍物遮挡背景的速度差异直接指明了深度边缘。人类和动物并不需要先构建一个三维几何模型，再计算下一步行动；恰恰相反，视觉是在行动中不断校准的——你移动头，视差变化，你调整眼球，注视点改变焦点。这种主动视觉与预测感知的闭环，在近年来被神经科学中的“预测编码”与“自由能原理”所重新发现，但在计算机视觉中，我们却仍然习惯把图像当作独立于观察者的“世界快照”，丢入模型一次性处理。如果我们彻底拥抱生态主义，那么视觉系统必须内嵌于一个具备身体与环境边界的智能主体之中，其目标函数不应仅仅是分类正确率，而应扩展到行动效能、生存收益与环境交互的信息增益。这并不意味着放弃深度学习，而是要求我们重新设计数据获取、网络架构与训练策略。
走向生态化计算机视觉：预测编码、生成式世界模型与具身基准
为了真正完成从表征主义到生态主义的跨越，我们需要一套可执行的技术路线。首先，将静态数据集替换为具身传感器流——在机器人与物理世界交互的时间序列中获取视觉数据，让模型看到视觉输入如何随自身动作改变。其次，用预测编码替代判别分类：网络不仅要识别当前帧的内容，还要预测下一帧在特定动作下的图像变换。这迫使模型学习对物理因果与环境规则的理解，而不是表面相关性。再次，引入生成式世界模型（如NeRF、世界模型、以及扩散潜变量）作为视觉系统的内部环境，让模型在想象中演练行为，从而理解室外的“可通行空间”与室内的“抓取供性”。同时，我们需要重造评估基准：将模型放入虚拟或现实的代理中，以完成导航、抓取、避障等任务的成功率来衡量视觉水平，而不是用F1分数或IoU欺骗自己。最后，跨模态交互至关重要——视觉并不是孤立模态，它与触觉、听觉、本体感觉协同构成知觉经验。生态化计算机视觉理应放弃对“纯净目标识别”的迷思，转向多模态嵌入、主动感知和行动驱动的闭环。这不是对经典计算机视觉的否定，而是一种创造性的重构——让算法真正“生活”在生态结构之中，最终使机器获得像生物一样的直接知觉与适应性行为。其实，这不过是阿西莫夫之后，我们对“智能机器”另一个更本质的真切期待。