超越像素的错觉：计算机视觉需要一场从“感知”到“理解”的范式革命

当前计算机视觉领域被深度学习，尤其是卷积神经网络（CNN）和视觉Transformer（ViT）所主导。这些模型在ImageNet等基准测试上取得了超越人类的准确率，但这是否意味着机器真正“看见”了世界？本文认为，绝大多数现代视觉系统本质上仍是极其复杂的像素映射器——它们擅长学习训练数据中的统计规律，却从未触及视觉的终极目标：对物理世界的结构化理解。我们观察到一个矛盾的对比：一个六岁儿童能一眼识别出从未见过的卡通形象、理解遮挡关系、推断物体的未来运动，而最强大的AI系统却会在精心设计的对抗样本下产生荒唐的误判。这种脆弱性暴露了当前范式的根本缺陷——模型学到的是相关性的表面模式，而非因果性的生成机制。

从表征层面看，深度学习视觉模型使用分布式特征向量编码图像内容，这种表示具有连续性和可微性，但对离散的、符号化的关系（如“A在B之上”“A推动B”）缺乏显式建模。相比之下，生物视觉系统在大脑中形成了多层级、多模态的稀疏表征，其中包含了大量的几何结构、物理属性和因果关系的编码。神经科学家发现，视觉皮层不仅仅被动接收视网膜信号，还会通过眼动、注意力和脑干反馈主动采样信息，形成“感知-行动”闭环。而当前主流架构多以静态图像批处理为输入，没有内在的探索机制，因此只能“看”而不能“注视”，只能“识别”而不能“追问”。这种范式差异导致机器在复杂场景理解、具身交互和零样本泛化等任务上表现糟糕。

值得深思的是，最近一些研究试图通过大规模预训练和自监督学习来“涌现”更高级的视觉能力，例如CLIP对齐视觉与语言，BEiT、MAE等模型学习重建或对比特征。不可否认，这些方法拓宽了视觉表征的语义边界，但本质上仍是在高维空间中做统计插值。它们可以回答“图像里有猫”，却无法回答“猫为什么用后腿挠耳朵”或“如果我把碗往左推，它会碰到杯子吗”。后者需要的不是更精细的特征，而是关于物理实体、时空过程和因果链的推断能力。换言之，计算机视觉亟需从“感知级模拟”跃升至“认知级建模”。我提出一个全新观点：视觉系统应该是“可落地的知识引擎”——它必须将像素流转换为具有真值条件的结构化命题，并通过模拟或想象来验证这些命题的合理性。这种思路可称为“视觉逻辑与物理推理的融合范式”，其核心是构建一个动态场景图（Dynamic Scene Graph），其中节点代表实体，边代表时空关系与交互，而边的更新时间步由主动感知策略驱动。

当然，这种范式变革并非易事，它要求我们摒弃“用更大Transformer堆叠一切”的路径依赖，转而从认知科学、发展心理学和物理学中汲取灵感。我们需要设计新的损失函数，不仅仅惩罚分类误差，还要惩罚对场景物理状态预测的偏差；我们需要研发神经符号混合架构，让神经网络负责从像素到元语的翻译，而符号部件负责基于规则的逻辑推理；我们还需要与环境交互的训练协议，让视觉系统通过“试错”学习因果模型，而不是仅仅从静态数据中提取表面相关性。诚然，这条路充满挑战，但唯有如此，计算机视觉才能真正从“像素的幻象”走向“世界的智识”。否则，我们只是在构建越来越精致的海市蜃楼，而距离真正的视觉理解愈发遥远。