0
| 本文作者： 鄭佳美 | 2026-05-12 15:48 | 專題：CVPR 計算機視覺與模式識別會議 |
作者丨鄭佳美
編輯丨馬曉寧
如果您漫步在 CVPR 2026 的會場，會產生一種強烈的錯覺：自己是不是跑錯了場館，誤入了 ICRA 或者 IROS 的現場？滿屏的機械臂抓取、足式機器人的越野導航、以及在虛擬沙盒中進行千億次迭代的物理模擬。
具身智能（Embodied AI）已經不再是視覺領域的一個“邊緣分支”，而是以一種占據主舞臺的姿態，成為視覺頂會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 年機器人學界的頂級盛會 IROS。當時，機器人專家們打破了固守多年的運動學控制圈層，邀請計算機視覺泰斗、ImageNet 奠基人李飛飛做主題演講。
在那個時刻，視覺對于機器人而言，更像是一個“尊貴的外部插件”：機器人學是主，計算機視覺是客。機器人真正的知識核心，仍然是運動學、動力學、控制、規劃、執行器和系統工程；視覺負責把外部世界翻譯成機器人能夠使用的狀態信息，卻并不真正決定機器人學的問題邊界。
九年之后，機器人和計算機視覺的融合已進入新的里程碑。在計算機視覺領域，我們甚至可以看到具身智能“反客為主”的表現。
這種“反客為主”，并不是說機器人論文在視覺頂會中數量變多了，也不是說 CVPR 正在變成另一個 ICRA 或 IROS。真正重要的是，具身智能正在改變計算機視覺判斷自身價值的方式。
過去，視覺研究的中心問題是：機器如何從圖像中提取語義，從視頻中理解事件，從多視角中還原三維結構。今天，具身智能把問題推進到了另一層：視覺系統不僅要看懂世界，還要支持一個智能體進入世界、改變世界，并在行動反饋中重新校正自己對世界的理解。
這才是所謂“范式奪權”的本質。一個方向真正完成“奪權”，從來不是靠論文數量取勝，而是靠重新定義整個領域的問題入口、評價標準和技術路線。
如果說過去的計算機視覺是在屏幕中理解世界，那么具身智能正在迫使它走出屏幕，在真實空間、真實物體和真實動作中重新證明自己。
01
要理解具身智能為什么會在 CVPR 2026 中形成如此強的存在感，不能只從這一屆會議本身看起。更準確的切口，是 Ted Xiao 對機器人學習過去十年發展的三階段復盤：存在性證明時代、基礎模型時代和 Scaling 時代。
這個框架之所以重要，是因為它解釋了一個關鍵問題：具身智能并不是突然進入計算機視覺中心的，而是在機器人學習自身演進到某個階段之后，必然開始向視覺研究索取更深層的能力。
換句話說，CVPR 2026 所呈現出的變化，不是一個會議熱點的偶然輪換，而是機器人學習從控制問題、數據問題，進一步演變成世界理解問題后的自然結果。
第一個階段是存在性證明時代。這個階段的核心問題是：端到端的數據驅動方法到底能不能在真實機器人上工作？強化學習能不能控制機械臂？模仿學習能不能完成抓取？真實硬件采集的數據能不能訓練出穩定策略？
這一時期的機器人學習還帶有很強的“實驗室證明”色彩。研究者需要先證明，深度學習不只是能在 Atari、圍棋和圖像分類中奏效，也能面對真實世界中連續、高維、噪聲極強的物理系統。
在這個階段，視覺當然重要，但它更多是機器人系統中的輸入模塊。機器人需要視覺來感知物體位置、場景狀態和外部環境，但機器人學習的主要壓力仍然來自控制穩定性、硬件誤差、樣本效率、數據采集成本和真實環境不確定性。視覺是必要條件，卻還不是范式重組的中心。
第二個階段是基礎模型時代。隨著大語言模型、視覺語言模型和多模態大模型的發展，機器人學習開始發生第一次重要轉向。機器人不再只是學習某個單一技能，而是開始吸收互聯網規模數據中形成的語義理解能力。
它不僅要知道機械臂如何移動，還要理解“把紅色杯子放到盤子旁邊”這樣的自然語言指令；不僅要識別物體，還要理解開放詞匯、空間關系、任務意圖和人類常識。
SayCan、RT-1、RT-2 這類路線的意義正在于此。它們并不只是讓機器人“聽懂更多話”，而是讓視覺、語言和動作第一次被壓進同一個建模框架中：語言給出目標，視覺理解狀態，模型生成動作，動作改變世界，世界反饋又回到視覺輸入之中。
到了這個階段，計算機視覺和機器人學習的關系已經開始變化。機器人對視覺的需求，不再只是“幫我看見物體在哪里”，而是“幫我理解一個開放世界，并把這種理解轉化為行動”。這已經不是傳統意義上的視覺模塊調用，而是對視覺研究提出了更高層的要求。
第三個階段是 Scaling 時代。也正是在這個階段，CVPR 的位置變得不可替代。因為一旦機器人學習進入規模化，它需要的基礎設施幾乎全部與計算機視覺深度綁定：
它需要從海量視頻中學習人類動作和物體交互，需要用 3D 場景理解支撐空間推理，需要用世界模型預測動作后果，需要通過仿真和合成數據彌補真實機器人數據的稀缺，需要把語言目標映射到視覺狀態和動作序列，也需要在長程任務中維持對場景、記憶和目標的持續理解。雷峰網
這就是為什么具身智能會在 CVPR 2026 中顯得像一次集中爆發。機器人學習早期更像是在解決“能不能讓機器人動起來”；基礎模型時代開始解決“能不能讓機器人理解指令和場景”；而到了 Scaling 時代，真正的問題變成了“能不能讓機器人在開放世界中規模化地學習、泛化和行動”。
這個問題已經不再是機器人學單獨能夠完成的，它必須借助計算機視覺在視覺表征、視頻理解、三維重建、多模態對齊、生成建模和世界建模上的長期積累。因此，Ted Xiao 的三大時代復盤實際上揭示了這場“范式奪權”的歷史條件：只有當機器人學習進入 Scaling 階段，視覺才會從機器人系統中的外部插件，變成物理智能的底層基礎設施。
02
有了 Ted Xiao 的時間線，再回到 CVPR 2026，很多現象就不再顯得孤立。
VLA、機器人操作、移動導航、人形機器人、世界模型、Sim2Real、物理仿真、3D 空間智能和自動駕駛等主題集中出現，并不是多個熱點并排爆發，而是同一條范式遷移鏈路在視覺頂會中的集中顯影。
過去，CVPR 的很多核心任務可以被理解為從視覺輸入到視覺表征的映射：圖像到類別，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的鏈路：視覺輸入進入語言理解，語言目標進入任務規劃，任務規劃進入動作生成，動作結果回到視覺反饋，反饋再更新模型對世界的判斷。
這條鏈路一旦成為主流，計算機視覺的研究對象就會發生變化。圖像不再只是被理解的對象，而是行動決策的起點；視頻不再只是時間序列，而是動作、變化和因果后果的載體；三維重建不再只是幾何恢復，而是智能體導航、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容，而是要生成可用于訓練、預測和評估行動策略的世界。
這就是 CVPR 2026 的標志性意義。它不是具身智能第一次出現在視覺頂會中，卻可能是具身智能第一次如此清晰地改變視覺頂會的敘事重心。過去，機器人是視覺技術的應用場景；現在，機器人問題開始成為視覺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”，正是從這里開始的：它首先改變了計算機視覺的問題定義。
傳統計算機視覺最常問的是：這是什么？它在哪里？這個場景如何重建？這段視頻發生了什么？這些問題共同指向一個目標：讓機器更好地表征世界。
具身智能把問題改寫了。一個機器人看見桌上的杯子，任務并不會停在“識別這是杯子”。它還要判斷杯子的重心、材質、杯柄朝向、可抓取區域、周圍障礙物、機械臂運動路徑，以及拿起之后世界狀態會如何改變。也就是說，具身智能真正問的是：我能對它做什么？
這一步改變了視覺研究的底層對象。物體不再只是類別標簽，而是可抓取、可推動、可打開、可阻擋、可支撐的實體；空間不再只是幾何結構，而是可導航、可探索、可交互的任務場；視頻不再只是時間序列，而是動作、變化和因果后果的線索。
問題一旦被改寫，評價標準也會隨之變化。傳統視覺的成功大多建立在離線數據集上：分類看準確率，檢測看 mAP，分割看 IoU，重建看誤差，生成看保真度和語義一致性。具身智能帶來的標準更苛刻：模型“看對了”并不等于任務成功。
機器人識別出了杯子，但抓取失敗，視覺理解仍然不夠；模型重建出了房間，但機器人無法安全導航，空間表征仍然不夠；視頻生成看起來逼真，但不能預測動作后果，世界模型仍然不夠。
所以，具身智能把評價標準從“輸出是否正確”，推向“行動是否有效”。計算機視覺過去可以在視覺空間內部自洽，現在則必須接受物理世界的檢驗。
當問題定義和評價標準都發生變化，方法路線也會被重寫。VLA 模型之所以重要，并不是因為它把 Vision、Language、Action 三個詞放在一起，而是因為它重建了智能系統的基本接口：人類用語言表達目標，機器人通過視覺理解當前世界，再把語言目標和視覺狀態轉化為動作序列。
世界模型和物理仿真解決的，則是行動之前的后果預測。機器人拿起杯子，桌面狀態會改變；推開箱子，路徑可達性會改變；打開抽屜，新的物體會出現。如果視覺模型不能推演這些變化，它就很難支撐規劃。
3D 空間智能也因此被重新賦予意義。過去，三維重建關注幾何是否準確、紋理是否真實；現在，具身智能要求三維世界是可行動的：哪里能走，哪里能抓，哪里會撞，哪里需要探索。
這就是具身智能對計算機視覺方法路線的重寫。它把視覺模型從“感知器”推向“行動系統的一部分”，把 3D 從幾何恢復推向空間決策，把視頻生成從內容合成推向物理預測，把多模態模型從視覺問答推向任務執行。
而學術范式的變化，最終還需要產業現實來確認。過去，計算機視覺的產業化多發生在相對可控的感知和內容場景中。安防識別、工業檢測、自動駕駛感知、手機影像和 AIGC，都可以在一定程度上把視覺輸出作為獨立結果來使用。
但機器人不同。機器人要求視覺結果直接進入行動鏈條。模型不能只是“看起來理解了”，它必須把貨箱搬起來，把零件放到位，把路線走通，把門打開，把錯誤恢復過來。
這使得視覺模型的錯誤成本發生了變化。一次識別錯誤可能導致抓取失敗，一次空間誤判可能導致碰撞，一次物理預測錯誤可能讓策略失效。
因此，產業需要的不是單點視覺能力，而是一整套面向物理世界的視覺基礎設施：穩定的 3D 世界表征、低延遲動作生成、高質量機器人數據、可交互仿真環境、可靠的 Sim2Real 遷移，以及失敗后的恢復機制。
只要 AI 繼續從屏幕走向物理世界，計算機視覺就必然從“感知模型”走向“行動基礎設施”。這也是具身智能奪取范式解釋權的現實基礎。
03
回到 2017 年 IROS 的歷史現場，李飛飛的出現象征著機器人學界對視覺智能的主動擁抱。那時，機器人如果要進入開放世界，就必須借助視覺理解對象、場景和人類意圖。視覺是機器人通往開放世界的一座橋。
而現在 CVPR 2026 的具身智能熱潮構成了另一個歷史鏡像：機器人問題開始反過來迫使計算機視覺重新理解自身。沒有視覺，機器人無法理解開放世界；但沒有行動，視覺智能也很容易停留在描述世界的層面，無法證明自己是否真正理解世界。
這就是“從座上賓到主戰場”的真正含義。
它不是機器人取代計算機視覺，也不是 CVPR 變成機器人會議，而是具身智能奪取了計算機視覺的范式解釋權。它重新定義了什么是重要問題，什么是有效方法，什么是成功結果，也重新定義了視覺智能必須面對的世界。雷峰網(公眾號：雷峰網)
過去，計算機視覺的核心是讓機器看見世界；后來，它變成讓機器理解世界；現在，具身智能正在要求機器進入世界。看見是感知，理解是表征，行動才是對理解的最終檢驗。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
本專題其他文章
