当机器从识别图像走向介入现实，视觉征询的规模也被重新规定。

    作家丨郑佳好意思

    裁剪丨马晓宁

要是您散步在 CVPR 2026 的会场，会产生一种浓烈的错觉：我方是不是跑错了场馆，误入了 ICRA 或者 IROS 的现场？满屏的机械臂握取、足式机器东说念主的越野导航、以及在虚构沙盒中进行千亿次迭代的物理模拟。

具身智能（Embodied AI）照旧不再是视觉领域的一个"边际分支"，而是以一种占据主舞台的姿态，成为视觉顶会最难被残酷的叙事之一。

这种范式的易位，让东说念主们不禁回思起 2017 年机器东说念主学界的顶级嘉会 IROS。其时，机器东说念主内行们芜杂了固守多年的畅通学抵制圈层，邀请计较机视觉巨擘、ImageNet 奠基东说念主李飞飞作念主题演讲。

在阿谁时刻，视觉关于机器东说念主而言，更像是一个"尊贵的外部插件"：机器东说念主学是主，计较机视觉是客。机器东说念主果然的知识中枢，仍然是畅通学、能源学、抵制、狡计、推行器和系统工程；视觉谨慎把外部天下翻译成机器东说念主大约使用的景况信息，却并不果然决定机器东说念主学的问题规模。

九年之后，机器东说念主和计较机视觉的交融已插足新的里程碑。在计较机视觉领域，咱们致使不错看到具身智能"反客为主"的推崇。

这种"反客为主"，并不是说机器东说念主论文在视觉顶会中数目变多了，也不是说 CVPR 正在变成另一个 ICRA 或 IROS。果然进犯的是，具身智能正在调动计较机视觉判断自身价值的风景。

昔日专业赛事推荐平台，视觉征询的中心问题是：机器如何从图像中提取语义，从视频中默契事件，从多视角中还原三维结构。今天，具身智能把问题鼓吹到了另一层：视觉系统不仅要看懂天下，还要援手一个智能体插足天下、调动天下，并在行动反应中重新改良我方对天下的默契。

这才是所谓"范式夺权"的骨子。一个标的果然完成"夺权"，从来不是靠论文数目取胜，而是靠重新界说所有这个词领域的问题进口、评价规范和时期道路。

要是说昔日的计较机视觉是在屏幕中默契天下，那么具身智能正在迫使它走出屏幕，在真实空间、真什物体和真实动作中重新证明我方。

01

Ted Xiao「三大期间」里的具身智能拐点

要默契具身智能为什么会在 CVPR 2026 中酿成如斯强的存在感，弗成只从这一届会议本人看起。更准确的切口，是 Ted Xiao 对机器东说念主学习昔日十年发展的三阶段复盘：存在性证明期间、基础模子期间和 Scaling 期间。

这个框架之是以进犯，是因为它解释了一个重要问题：具身智能并不是倏得插足计较机视觉中心的，而是在机器东说念主学习自身演进到某个阶段之后，势必运转向视觉征询索求更深层的材干。

换句话说，CVPR 2026 所呈现出的变化，不是一个会议热门的无意轮流，而是机器东说念主学习从抵制问题、数据问题，进一步演变成天下默契问题后的当然斥逐。

第一个阶段是存在性证明期间。这个阶段的中枢问题是：端到端的数据驱动方法到底能弗成在真实机器东说念主上责任？强化学习能弗成抵制机械臂？师法学习能弗成完成握取？真实硬件收罗的数据能弗成西宾出牢固战略？

这一时期的机器东说念主学习还带有很强的"实验室证明"颜色。征询者需要先证明，深度学习不仅仅能在 Atari、围棋和图像分类中告成，也能濒临真实天下中连续、高维、噪声极强的物理系统。

在这个阶段，视觉固然进犯，但它更多是机器东说念主系统中的输入模块。机器东说念主需要视觉来感知物体位置、场景景况和外部环境，但机器东说念主学习的主要压力仍然来自抵制牢固性、硬件罅隙、样本后果、数据收罗本钱和真实环境不笃定性。视觉是必要要求，却还不是范式重组的中心。

第二个阶段是基础模子期间。跟着大言语模子、视觉言语模子和多模态大模子的发展，机器东说念主学习运转发生第一次进犯转向。机器东说念主不再仅仅学习某个单一妙技，而是运转领受互联网范围数据中酿成的语义默契材干。

它不仅要知说念机械臂如何转移，还要默契"把红色杯子放到盘子控制"这么的当然言语请示；不仅要识别物体，还要默契开放词汇、空间接洽、任务意图和东说念主类学问。

SayCan、RT-1、RT-2 这类道路的意思意思正在于此。它们并不仅仅让机器东说念主"听懂更多话"，而是让视觉、言语和动作第一次被压进合并个建模框架中：言语给出狡计，视觉默契景况，模子生成动作，动作调动天下，天下反应又回到视觉输入之中。

到了这个阶段，计较机视觉和机器东说念主学习的接洽照旧运转念化。机器东说念主对视觉的需求，不再仅仅"帮我看见物体在那里"，2026美加墨世界杯中国官方网页版而是"帮我默契一个开放天下，并把这种默契升沉为行动"。这照旧不是传统意思意思上的视觉模块调用，而是对视觉征询建议了更高层的要求。

第三个阶段是 Scaling 期间。也恰是在这个阶段，CVPR 的位置变得不可替代。因为一朝机器东说念主学习插足范围化，它需要的基础循序简直全部与计较机视觉深度绑定：

它需要从海量视频中学习东说念主类动作和物体交互，需要用 3D 场景默契援手空间推理，需要用天下模子展望动作后果，需要通过仿真和合成数据弥补真实机器东说念主数据的稀缺，需要把言语狡计映射到视觉景况和动作序列，也需要在长程任务中保管对场景、顾虑和狡计的继续默契。雷峰网

这即是为什么具身智能会在 CVPR 2026 中显得像一次连结爆发。机器东说念主学习早期更像是在惩处"能弗成让机器东说念主动起来"；基础模子期间运转惩处"能弗成让机器东说念主默契请示和场景"；而到了 Scaling 期间，果然的问题变成了"能弗成让机器东说念主在开放天下中范围化地学习、泛化和行动"。

这个问题照旧不再是机器东说念主学单独大约完成的，它必须借助计较机视觉在视觉表征、视频默契、三维重建、多模态对王人、生成建模和天下建模上的弥远积贮。因此，Ted Xiao 的三大期间复盘履行上揭示了这场"范式夺权"的历史要求：只好当机器东说念主学习插足 Scaling 阶段，视觉才会从机器东说念主系统中的外部插件，变成物沉默能的底层基础循序。

02

三重「夺权」：

问题、规范与道路的重写

有了 Ted Xiao 的时分线，再回到 CVPR 2026，许多步地就不再显得孤独。

VLA、机器东说念主操作、转移导航、东说念主形机器东说念主、天下模子、Sim2Real、物理仿真、3D 空间智能和自动驾驶等主题连结出现，并不是多个热门并列爆发，而是合并条范式迁徙链路在视觉顶会中的连结显影。

昔日，CVPR 的许多中枢任务不错被默契为从视觉输入到视觉表征的映射：图像到类别，图像到框，图像到 mask，图像到 depth，图像到 3D，视频到事件，文本到图像。

具身智能则要求成就一条更长的链路：视觉输入插足言语默契，言语狡计插足任务狡计，世界杯竞猜网站任务狡计插足动作生成，动作斥逐回到视觉反应，反应再更新模子对天下的判断。

这条链路一朝成为主流，计较机视觉的征询对象就会发生变化。图像不再仅仅被默契的对象，而是行动方案的开端；视频不再仅仅时分序列，而是动作、变化和因果后果的载体；三维重建不再仅仅几何复原，而是智能体导航、操作和交互的空间底座；生成模子不再仅仅为了生成传神的内容，而是要生成可用于西宾、展望和评估行动战略的天下。

这即是 CVPR 2026 的象征性意思意思。它不是具身智能第一次出当今视觉顶会中，却可能是具身智能第一次如斯了了地调动视觉顶会的叙事要点。昔日，机器东说念主是视觉时期的愚弄场景；当今，机器东说念主问题运转成为视觉征询重新界说自身的一面镜子。

而所谓具身智能的"范式夺权"，恰是从这里运转的：它最初调动了计较机视觉的问题界说。

传统计较机视觉最常问的是：这是什么？它在那里？这个场景如何重建？这段视频发生了什么？这些问题共同指向一个狡计：让机器更好地表征天下。

具身智能把问题改写了。一个机器东说念主看见桌上的杯子，任务并不会停在"识别这是杯子"。它还要判断杯子的要点、材质、杯柄朝向、可握取区域、周围壅塞物、机械臂畅通旅途，以及提起之后天下景况会如何调动。也即是说，具身智能果然问的是：我能对它作念什么？

这一步调动了视觉征询的底层对象。物体不再仅仅类别标签，而是可握取、可推动、可怒放、可违反、可援手的实体；空间不再仅仅几何结构，而是可导航、可探索、可交互的任务场；视频不再仅仅时分序列，而是动作、变化和因果后果的陈迹。

问题一朝被改写，评价规范也会随之变化。传统视觉的告成大多成就在离线数据集上：分类看准确率，检测看 mAP，分割看 IoU，重建看罅隙，生成看保真度和语义一致性。具身智能带来的规范更坑诰：模子"看对了"并不等于任务告成。

机器东说念主识别出了杯子，但握取失败，视觉默契仍然不够；模子重建出了房间，但机器东说念主无法安全导航，空间表征仍然不够；视频生成看起来传神，但弗成展望动作后果，天下模子仍然不够。

是以，具身智能把评价规范从"输出是否正确"，推向"行动是否灵验"。计较机视觉昔日不错在视觉空间里面自洽，当今则必须经受物理天下的覆按。

当问题界说和评价规范都发生变化，方法道路也会被重写。VLA 模子之是以进犯，并不是因为它把 Vision、Language、Action 三个词放在全部，而是因为它重建了智能系统的基本接口：东说念主类用言语抒发狡计，机器东说念主通过视觉默契面前天下，再把言语狡计和视觉景况升沉为动作序列。

天下模子和物理仿真惩处的，则是行动之前的后果展望。机器东说念主提起杯子，桌面景况会调动；推开箱子，旅途可达性会调动；怒放抽屉，新的物体会出现。要是视觉模子弗成推演这些变化，它就很难援手狡计。

3D 空间智能也因此被重新赋予意思意思。昔日，三维重建关心几何是否准确、纹理是否真实；当今，具身智能要求三维天下是可行动的：那里能走，那里能握，那里会撞，那里需要探索。

这即是具身智能对计较机视觉方法道路的重写。它把视觉模子从"感知器"推向"行动系统的一部分"，把 3D 从几何复原推向空间方案，把视频生成从内容合成推向物理展望，把多模态模子从视觉问答推向任务推行。

而学术范式的变化，最终还需要产业现实来证明。昔日，计较机视觉的产业化多发生在相对可控的感知和内容场景中。安防识别、工业检测、自动驾驶感知、手机影像和 AIGC，都不错在一定进度上把视觉输出算作孤苦斥逐来使用。

但机器东说念主不同。机器东说念主要求视觉斥逐径直插足行动链条。模子弗成仅仅"看起来默契了"，它必须把货箱搬起来，把零件放到位，把道路走通，把门怒放，把异常复原过来。

这使得视觉模子的异常本钱发生了变化。一次识别异常可能导致握取失败，一次空间误判可能导致碰撞，一次物理展望异常可能让战略失效。

因此，产业需要的不是单点视觉材干，而是一整套面向物理天下的视觉基础循序：牢固的 3D 天下表征、低蔓延动作生成、高质地机器东说念主数据、可交互仿真环境、可靠的 Sim2Real 迁徙，以及失败后的复原机制。

只消 AI 络续从屏幕走向物理天下，计较机视觉就势必从"感知模子"走向"行动基础循序"。这亦然具身智能夺取范式解释权的现实基础。

03

从开放天下之桥，到物沉默能底座

回到 2017 年 IROS 的历史现场，李飞飞的出步地征着机器东说念主学界对视觉智能的主动拥抱。那时，机器东说念主要是要插足开放天下，就必须借助视觉默契对象、场景和东说念主类意图。视觉是机器东说念主通往开放天下的一座桥。

而当今 CVPR 2026 的具身智能上升组成了另一个历史镜像：机器东说念主问题运转反过来迫使计较机视觉重新默契自身。莫得视觉，机器东说念主无法默契开放天下；但莫得行动，视觉智能也很容易停留在姿色天下的层面，无法证明我方是否果然默契天下。

这即是"从座上宾到主战场"的果然含义。

它不是机器东说念主取代计较机视觉，也不是 CVPR 变成机器东说念主会议，而是具身智能夺取了计较机视觉的范式解释权。它重新界说了什么是进犯问题，什么是灵验方法，什么是告成斥逐，也重新界说了视觉智能必须濒临的天下。雷峰网

昔日，计较机视觉的中枢是让机器看见天下；自后，它变成让机器默契天下；当今，具身智能正在要求机器插足天下。看见是感知，默契是表征，行动才是对默契的最终覆按。