0
| 本文作者： 鄭佳美 | 2026-05-12 15:48 |
作者丨鄭佳美
編輯丨馬曉寧
如果您漫步在 CVPR 2026 的會(huì)場(chǎng)，會(huì)產(chǎn)生一種強(qiáng)烈的錯(cuò)覺(jué)：自己是不是跑錯(cuò)了場(chǎng)館，誤入了 ICRA 或者 IROS 的現(xiàn)場(chǎng)？滿(mǎn)屏的機(jī)械臂抓取、足式機(jī)器人的越野導(dǎo)航、以及在虛擬沙盒中進(jìn)行千億次迭代的物理模擬。
具身智能（Embodied AI）已經(jīng)不再是視覺(jué)領(lǐng)域的一個(gè)“邊緣分支”，而是以一種占據(jù)主舞臺(tái)的姿態(tài)，成為視覺(jué)頂會(huì)最難被忽視的敘事之一。
這種范式的易位，讓人們不禁回想起 2017 年機(jī)器人學(xué)界的頂級(jí)盛會(huì) IROS。當(dāng)時(shí)，機(jī)器人專(zhuān)家們打破了固守多年的運(yùn)動(dòng)學(xué)控制圈層，邀請(qǐng)計(jì)算機(jī)視覺(jué)泰斗、ImageNet 奠基人李飛飛做主題演講。
在那個(gè)時(shí)刻，視覺(jué)對(duì)于機(jī)器人而言，更像是一個(gè)“尊貴的外部插件”：機(jī)器人學(xué)是主，計(jì)算機(jī)視覺(jué)是客。機(jī)器人真正的知識(shí)核心，仍然是運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)、控制、規(guī)劃、執(zhí)行器和系統(tǒng)工程；視覺(jué)負(fù)責(zé)把外部世界翻譯成機(jī)器人能夠使用的狀態(tài)信息，卻并不真正決定機(jī)器人學(xué)的問(wèn)題邊界。
九年之后，機(jī)器人和計(jì)算機(jī)視覺(jué)的融合已進(jìn)入新的里程碑。在計(jì)算機(jī)視覺(jué)領(lǐng)域，我們甚至可以看到具身智能“反客為主”的表現(xiàn)。
這種“反客為主”，并不是說(shuō)機(jī)器人論文在視覺(jué)頂會(huì)中數(shù)量變多了，也不是說(shuō) CVPR 正在變成另一個(gè) ICRA 或 IROS。真正重要的是，具身智能正在改變計(jì)算機(jī)視覺(jué)判斷自身價(jià)值的方式。
過(guò)去，視覺(jué)研究的中心問(wèn)題是：機(jī)器如何從圖像中提取語(yǔ)義，從視頻中理解事件，從多視角中還原三維結(jié)構(gòu)。今天，具身智能把問(wèn)題推進(jìn)到了另一層：視覺(jué)系統(tǒng)不僅要看懂世界，還要支持一個(gè)智能體進(jìn)入世界、改變世界，并在行動(dòng)反饋中重新校正自己對(duì)世界的理解。
這才是所謂“范式奪權(quán)”的本質(zhì)。一個(gè)方向真正完成“奪權(quán)”，從來(lái)不是靠論文數(shù)量取勝，而是靠重新定義整個(gè)領(lǐng)域的問(wèn)題入口、評(píng)價(jià)標(biāo)準(zhǔn)和技術(shù)路線(xiàn)。
如果說(shuō)過(guò)去的計(jì)算機(jī)視覺(jué)是在屏幕中理解世界，那么具身智能正在迫使它走出屏幕，在真實(shí)空間、真實(shí)物體和真實(shí)動(dòng)作中重新證明自己。
01
要理解具身智能為什么會(huì)在 CVPR 2026 中形成如此強(qiáng)的存在感，不能只從這一屆會(huì)議本身看起。更準(zhǔn)確的切口，是 Ted Xiao 對(duì)機(jī)器人學(xué)習(xí)過(guò)去十年發(fā)展的三階段復(fù)盤(pán)：存在性證明時(shí)代、基礎(chǔ)模型時(shí)代和 Scaling 時(shí)代。
這個(gè)框架之所以重要，是因?yàn)樗忉屃艘粋€(gè)關(guān)鍵問(wèn)題：具身智能并不是突然進(jìn)入計(jì)算機(jī)視覺(jué)中心的，而是在機(jī)器人學(xué)習(xí)自身演進(jìn)到某個(gè)階段之后，必然開(kāi)始向視覺(jué)研究索取更深層的能力。
換句話(huà)說(shuō)，CVPR 2026 所呈現(xiàn)出的變化，不是一個(gè)會(huì)議熱點(diǎn)的偶然輪換，而是機(jī)器人學(xué)習(xí)從控制問(wèn)題、數(shù)據(jù)問(wèn)題，進(jìn)一步演變成世界理解問(wèn)題后的自然結(jié)果。
第一個(gè)階段是存在性證明時(shí)代。這個(gè)階段的核心問(wèn)題是：端到端的數(shù)據(jù)驅(qū)動(dòng)方法到底能不能在真實(shí)機(jī)器人上工作？強(qiáng)化學(xué)習(xí)能不能控制機(jī)械臂？模仿學(xué)習(xí)能不能完成抓取？真實(shí)硬件采集的數(shù)據(jù)能不能訓(xùn)練出穩(wěn)定策略？
這一時(shí)期的機(jī)器人學(xué)習(xí)還帶有很強(qiáng)的“實(shí)驗(yàn)室證明”色彩。研究者需要先證明，深度學(xué)習(xí)不只是能在 Atari、圍棋和圖像分類(lèi)中奏效，也能面對(duì)真實(shí)世界中連續(xù)、高維、噪聲極強(qiáng)的物理系統(tǒng)。
在這個(gè)階段，視覺(jué)當(dāng)然重要，但它更多是機(jī)器人系統(tǒng)中的輸入模塊。機(jī)器人需要視覺(jué)來(lái)感知物體位置、場(chǎng)景狀態(tài)和外部環(huán)境，但機(jī)器人學(xué)習(xí)的主要壓力仍然來(lái)自控制穩(wěn)定性、硬件誤差、樣本效率、數(shù)據(jù)采集成本和真實(shí)環(huán)境不確定性。視覺(jué)是必要條件，卻還不是范式重組的中心。
第二個(gè)階段是基礎(chǔ)模型時(shí)代。隨著大語(yǔ)言模型、視覺(jué)語(yǔ)言模型和多模態(tài)大模型的發(fā)展，機(jī)器人學(xué)習(xí)開(kāi)始發(fā)生第一次重要轉(zhuǎn)向。機(jī)器人不再只是學(xué)習(xí)某個(gè)單一技能，而是開(kāi)始吸收互聯(lián)網(wǎng)規(guī)模數(shù)據(jù)中形成的語(yǔ)義理解能力。
它不僅要知道機(jī)械臂如何移動(dòng)，還要理解“把紅色杯子放到盤(pán)子旁邊”這樣的自然語(yǔ)言指令；不僅要識(shí)別物體，還要理解開(kāi)放詞匯、空間關(guān)系、任務(wù)意圖和人類(lèi)常識(shí)。
SayCan、RT-1、RT-2 這類(lèi)路線(xiàn)的意義正在于此。它們并不只是讓機(jī)器人“聽(tīng)懂更多話(huà)”，而是讓視覺(jué)、語(yǔ)言和動(dòng)作第一次被壓進(jìn)同一個(gè)建模框架中：語(yǔ)言給出目標(biāo)，視覺(jué)理解狀態(tài)，模型生成動(dòng)作，動(dòng)作改變世界，世界反饋又回到視覺(jué)輸入之中。
到了這個(gè)階段，計(jì)算機(jī)視覺(jué)和機(jī)器人學(xué)習(xí)的關(guān)系已經(jīng)開(kāi)始變化。機(jī)器人對(duì)視覺(jué)的需求，不再只是“幫我看見(jiàn)物體在哪里”，而是“幫我理解一個(gè)開(kāi)放世界，并把這種理解轉(zhuǎn)化為行動(dòng)”。這已經(jīng)不是傳統(tǒng)意義上的視覺(jué)模塊調(diào)用，而是對(duì)視覺(jué)研究提出了更高層的要求。
第三個(gè)階段是 Scaling 時(shí)代。也正是在這個(gè)階段，CVPR 的位置變得不可替代。因?yàn)橐坏C(jī)器人學(xué)習(xí)進(jìn)入規(guī)模化，它需要的基礎(chǔ)設(shè)施幾乎全部與計(jì)算機(jī)視覺(jué)深度綁定：
它需要從海量視頻中學(xué)習(xí)人類(lèi)動(dòng)作和物體交互，需要用 3D 場(chǎng)景理解支撐空間推理，需要用世界模型預(yù)測(cè)動(dòng)作后果，需要通過(guò)仿真和合成數(shù)據(jù)彌補(bǔ)真實(shí)機(jī)器人數(shù)據(jù)的稀缺，需要把語(yǔ)言目標(biāo)映射到視覺(jué)狀態(tài)和動(dòng)作序列，也需要在長(zhǎng)程任務(wù)中維持對(duì)場(chǎng)景、記憶和目標(biāo)的持續(xù)理解。雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))
這就是為什么具身智能會(huì)在 CVPR 2026 中顯得像一次集中爆發(fā)。機(jī)器人學(xué)習(xí)早期更像是在解決“能不能讓機(jī)器人動(dòng)起來(lái)”；基礎(chǔ)模型時(shí)代開(kāi)始解決“能不能讓機(jī)器人理解指令和場(chǎng)景”；而到了 Scaling 時(shí)代，真正的問(wèn)題變成了“能不能讓機(jī)器人在開(kāi)放世界中規(guī)?；貙W(xué)習(xí)、泛化和行動(dòng)”。
這個(gè)問(wèn)題已經(jīng)不再是機(jī)器人學(xué)單獨(dú)能夠完成的，它必須借助計(jì)算機(jī)視覺(jué)在視覺(jué)表征、視頻理解、三維重建、多模態(tài)對(duì)齊、生成建模和世界建模上的長(zhǎng)期積累。因此，Ted Xiao 的三大時(shí)代復(fù)盤(pán)實(shí)際上揭示了這場(chǎng)“范式奪權(quán)”的歷史條件：只有當(dāng)機(jī)器人學(xué)習(xí)進(jìn)入 Scaling 階段，視覺(jué)才會(huì)從機(jī)器人系統(tǒng)中的外部插件，變成物理智能的底層基礎(chǔ)設(shè)施。
02
有了 Ted Xiao 的時(shí)間線(xiàn)，再回到 CVPR 2026，很多現(xiàn)象就不再顯得孤立。
VLA、機(jī)器人操作、移動(dòng)導(dǎo)航、人形機(jī)器人、世界模型、Sim2Real、物理仿真、3D 空間智能和自動(dòng)駕駛等主題集中出現(xiàn)，并不是多個(gè)熱點(diǎn)并排爆發(fā)，而是同一條范式遷移鏈路在視覺(jué)頂會(huì)中的集中顯影。
過(guò)去，CVPR 的很多核心任務(wù)可以被理解為從視覺(jué)輸入到視覺(jué)表征的映射：圖像到類(lèi)別，圖像到框，圖像到 mask，圖像到 depth，圖像到 3D，視頻到事件，文本到圖像。
具身智能則要求建立一條更長(zhǎng)的鏈路：視覺(jué)輸入進(jìn)入語(yǔ)言理解，語(yǔ)言目標(biāo)進(jìn)入任務(wù)規(guī)劃，任務(wù)規(guī)劃進(jìn)入動(dòng)作生成，動(dòng)作結(jié)果回到視覺(jué)反饋，反饋再更新模型對(duì)世界的判斷。
這條鏈路一旦成為主流，計(jì)算機(jī)視覺(jué)的研究對(duì)象就會(huì)發(fā)生變化。圖像不再只是被理解的對(duì)象，而是行動(dòng)決策的起點(diǎn)；視頻不再只是時(shí)間序列，而是動(dòng)作、變化和因果后果的載體；三維重建不再只是幾何恢復(fù)，而是智能體導(dǎo)航、操作和交互的空間底座；生成模型不再只是為了生成逼真的內(nèi)容，而是要生成可用于訓(xùn)練、預(yù)測(cè)和評(píng)估行動(dòng)策略的世界。
這就是 CVPR 2026 的標(biāo)志性意義。它不是具身智能第一次出現(xiàn)在視覺(jué)頂會(huì)中，卻可能是具身智能第一次如此清晰地改變視覺(jué)頂會(huì)的敘事重心。過(guò)去，機(jī)器人是視覺(jué)技術(shù)的應(yīng)用場(chǎng)景；現(xiàn)在，機(jī)器人問(wèn)題開(kāi)始成為視覺(jué)研究重新定義自身的一面鏡子。
而所謂具身智能的“范式奪權(quán)”，正是從這里開(kāi)始的：它首先改變了計(jì)算機(jī)視覺(jué)的問(wèn)題定義。
傳統(tǒng)計(jì)算機(jī)視覺(jué)最常問(wèn)的是：這是什么？它在哪里？這個(gè)場(chǎng)景如何重建？這段視頻發(fā)生了什么？這些問(wèn)題共同指向一個(gè)目標(biāo)：讓機(jī)器更好地表征世界。
具身智能把問(wèn)題改寫(xiě)了。一個(gè)機(jī)器人看見(jiàn)桌上的杯子，任務(wù)并不會(huì)停在“識(shí)別這是杯子”。它還要判斷杯子的重心、材質(zhì)、杯柄朝向、可抓取區(qū)域、周?chē)系K物、機(jī)械臂運(yùn)動(dòng)路徑，以及拿起之后世界狀態(tài)會(huì)如何改變。也就是說(shuō)，具身智能真正問(wèn)的是：我能對(duì)它做什么？
這一步改變了視覺(jué)研究的底層對(duì)象。物體不再只是類(lèi)別標(biāo)簽，而是可抓取、可推動(dòng)、可打開(kāi)、可阻擋、可支撐的實(shí)體；空間不再只是幾何結(jié)構(gòu)，而是可導(dǎo)航、可探索、可交互的任務(wù)場(chǎng)；視頻不再只是時(shí)間序列，而是動(dòng)作、變化和因果后果的線(xiàn)索。
問(wèn)題一旦被改寫(xiě)，評(píng)價(jià)標(biāo)準(zhǔn)也會(huì)隨之變化。傳統(tǒng)視覺(jué)的成功大多建立在離線(xiàn)數(shù)據(jù)集上：分類(lèi)看準(zhǔn)確率，檢測(cè)看 mAP，分割看 IoU，重建看誤差，生成看保真度和語(yǔ)義一致性。具身智能帶來(lái)的標(biāo)準(zhǔn)更苛刻：模型“看對(duì)了”并不等于任務(wù)成功。
機(jī)器人識(shí)別出了杯子，但抓取失敗，視覺(jué)理解仍然不夠；模型重建出了房間，但機(jī)器人無(wú)法安全導(dǎo)航，空間表征仍然不夠；視頻生成看起來(lái)逼真，但不能預(yù)測(cè)動(dòng)作后果，世界模型仍然不夠。
所以，具身智能把評(píng)價(jià)標(biāo)準(zhǔn)從“輸出是否正確”，推向“行動(dòng)是否有效”。計(jì)算機(jī)視覺(jué)過(guò)去可以在視覺(jué)空間內(nèi)部自洽，現(xiàn)在則必須接受物理世界的檢驗(yàn)。
當(dāng)問(wèn)題定義和評(píng)價(jià)標(biāo)準(zhǔn)都發(fā)生變化，方法路線(xiàn)也會(huì)被重寫(xiě)。VLA 模型之所以重要，并不是因?yàn)樗?Vision、Language、Action 三個(gè)詞放在一起，而是因?yàn)樗亟酥悄芟到y(tǒng)的基本接口：人類(lèi)用語(yǔ)言表達(dá)目標(biāo)，機(jī)器人通過(guò)視覺(jué)理解當(dāng)前世界，再把語(yǔ)言目標(biāo)和視覺(jué)狀態(tài)轉(zhuǎn)化為動(dòng)作序列。
世界模型和物理仿真解決的，則是行動(dòng)之前的后果預(yù)測(cè)。機(jī)器人拿起杯子，桌面狀態(tài)會(huì)改變；推開(kāi)箱子，路徑可達(dá)性會(huì)改變；打開(kāi)抽屜，新的物體會(huì)出現(xiàn)。如果視覺(jué)模型不能推演這些變化，它就很難支撐規(guī)劃。
3D 空間智能也因此被重新賦予意義。過(guò)去，三維重建關(guān)注幾何是否準(zhǔn)確、紋理是否真實(shí)；現(xiàn)在，具身智能要求三維世界是可行動(dòng)的：哪里能走，哪里能抓，哪里會(huì)撞，哪里需要探索。
這就是具身智能對(duì)計(jì)算機(jī)視覺(jué)方法路線(xiàn)的重寫(xiě)。它把視覺(jué)模型從“感知器”推向“行動(dòng)系統(tǒng)的一部分”，把 3D 從幾何恢復(fù)推向空間決策，把視頻生成從內(nèi)容合成推向物理預(yù)測(cè)，把多模態(tài)模型從視覺(jué)問(wèn)答推向任務(wù)執(zhí)行。
而學(xué)術(shù)范式的變化，最終還需要產(chǎn)業(yè)現(xiàn)實(shí)來(lái)確認(rèn)。過(guò)去，計(jì)算機(jī)視覺(jué)的產(chǎn)業(yè)化多發(fā)生在相對(duì)可控的感知和內(nèi)容場(chǎng)景中。安防識(shí)別、工業(yè)檢測(cè)、自動(dòng)駕駛感知、手機(jī)影像和 AIGC，都可以在一定程度上把視覺(jué)輸出作為獨(dú)立結(jié)果來(lái)使用。
但機(jī)器人不同。機(jī)器人要求視覺(jué)結(jié)果直接進(jìn)入行動(dòng)鏈條。模型不能只是“看起來(lái)理解了”，它必須把貨箱搬起來(lái)，把零件放到位，把路線(xiàn)走通，把門(mén)打開(kāi)，把錯(cuò)誤恢復(fù)過(guò)來(lái)。
這使得視覺(jué)模型的錯(cuò)誤成本發(fā)生了變化。一次識(shí)別錯(cuò)誤可能導(dǎo)致抓取失敗，一次空間誤判可能導(dǎo)致碰撞，一次物理預(yù)測(cè)錯(cuò)誤可能讓策略失效。
因此，產(chǎn)業(yè)需要的不是單點(diǎn)視覺(jué)能力，而是一整套面向物理世界的視覺(jué)基礎(chǔ)設(shè)施：穩(wěn)定的 3D 世界表征、低延遲動(dòng)作生成、高質(zhì)量機(jī)器人數(shù)據(jù)、可交互仿真環(huán)境、可靠的 Sim2Real 遷移，以及失敗后的恢復(fù)機(jī)制。
只要 AI 繼續(xù)從屏幕走向物理世界，計(jì)算機(jī)視覺(jué)就必然從“感知模型”走向“行動(dòng)基礎(chǔ)設(shè)施”。這也是具身智能奪取范式解釋權(quán)的現(xiàn)實(shí)基礎(chǔ)。
03
回到 2017 年 IROS 的歷史現(xiàn)場(chǎng)，李飛飛的出現(xiàn)象征著機(jī)器人學(xué)界對(duì)視覺(jué)智能的主動(dòng)擁抱。那時(shí)，機(jī)器人如果要進(jìn)入開(kāi)放世界，就必須借助視覺(jué)理解對(duì)象、場(chǎng)景和人類(lèi)意圖。視覺(jué)是機(jī)器人通往開(kāi)放世界的一座橋。
而現(xiàn)在 CVPR 2026 的具身智能熱潮構(gòu)成了另一個(gè)歷史鏡像：機(jī)器人問(wèn)題開(kāi)始反過(guò)來(lái)迫使計(jì)算機(jī)視覺(jué)重新理解自身。沒(méi)有視覺(jué)，機(jī)器人無(wú)法理解開(kāi)放世界；但沒(méi)有行動(dòng)，視覺(jué)智能也很容易停留在描述世界的層面，無(wú)法證明自己是否真正理解世界。
這就是“從座上賓到主戰(zhàn)場(chǎng)”的真正含義。
它不是機(jī)器人取代計(jì)算機(jī)視覺(jué)，也不是 CVPR 變成機(jī)器人會(huì)議，而是具身智能奪取了計(jì)算機(jī)視覺(jué)的范式解釋權(quán)。它重新定義了什么是重要問(wèn)題，什么是有效方法，什么是成功結(jié)果，也重新定義了視覺(jué)智能必須面對(duì)的世界。雷峰網(wǎng)
過(guò)去，計(jì)算機(jī)視覺(jué)的核心是讓機(jī)器看見(jiàn)世界；后來(lái)，它變成讓機(jī)器理解世界；現(xiàn)在，具身智能正在要求機(jī)器進(jìn)入世界。看見(jiàn)是感知，理解是表征，行動(dòng)才是對(duì)理解的最終檢驗(yàn)。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
