计算机视觉：从看见到看懂，产业落地还差最后一公里

去年帮做供应链的朋友跑广东的水果加工厂，亲眼见刚上线的视觉分拣机，把带褐色斑块的坏芒果分到好果箱，又把表皮天生带斑的优质木瓜打了不及格。一圈走下来，错误率快两成。工人还是得守在流水线旁边挨个返工。

这就是现在计算机视觉的真实现状。大众对它的认知还停留在手机人脸识别、景区安检刷脸，实际上它早就渗透进了从工业到农业的各个环节，只是大部分人没机会看见那些翻车的现场。

看见≠看懂：底层逻辑和人类视觉完全不同

很多人以为，计算机视觉就是给机器装了眼睛，跟人一样看东西。其实差得远。

现在主流的计算机视觉技术，基于卷积神经网络深度学习，核心是把图像拆成亿万个像素点，用训练好的模型计算每个像素属于哪个分类的概率，最后输出结果。人类看东西，是先抓整体轮廓，再聚焦细节，还会用常识补全缺失信息。比如你看到半只露在沙发外面的猫，你立刻知道那是一只猫，哪怕你只看到尾巴。换成机器，它只见过整只猫的样本，很大概率会把半条尾巴认成别的东西。

这就是技术的核心边界。目前所有成熟的计算机视觉方案，都只能在限定场景、固定干扰的情况下跑出高准确率，一旦跳出训练的环境，遇到逆光、遮挡、形变这些非常规情况，准确率直接跳水。

计算机视觉卷积神经网络图像处理流程图

产业落地的真问题：死在场景的细碎要求里

现在国内计算机视觉行业的格局早就定了。上游是芯片玩家，英伟达占领云端市场，地平线、寒武纪这些主打端侧芯片，中游是商汤、旷视这些头部算法公司，下游是一堆做集成的中小团队，接各个垂直行业的定制项目。

说实话，算法早就不是瓶颈了。ImageNet竞赛的识别准确率早就超过了人类，但是落到具体场景，十个项目有七个翻船。为什么？场景太刁钻了。

就说工业里的PCB板缺陷检测，实验室里用标准样本练出来的模型，准确率能到99.9%。到了工厂，生产线震动导致镜头轻微偏移，车间温度变化导致PCB板材颜色变深，稍微沾一点灰尘，模型就把灰尘当成短路缺陷，错杀一堆良品。

还有一个绕不开的问题，标注成本。做通用识别的话，网上有大量公开的标注好的数据集。垂直场景不一样，比如你做汽车面板的划痕识别，一种新的面板缺陷，可能几个月才攒出几百个合格样本，标注一个缺陷要资深工人花好几分钟，成本高到中小工厂根本承受不起。

之前火过一阵的无人便利店，为什么大部分都销声匿迹了？就是视觉结算的准确率根本达不到要求，两个包装一模一样的矿泉水，摆的角度稍微偏一点，就只算一个钱，商家亏不起。

工业PCB板计算机视觉缺陷检测实拍图

不过话说回来，现在已经跑通的场景也不少。安防是最早成熟的，人脸识别已经覆盖了大部分公共场景，其次就是工业检测，头部玩家的成熟方案，已经能帮大型工厂把质检人力砍掉七成，成本一年就能收回来。现在增量最快的，是农业和医疗两个方向。

看不见的风险：治理跟不上技术的脚步

看不见的风险：治理跟不上技术的脚步

计算机视觉普及越快，暴露出来的伦理问题越尖锐。最突出的就是数据隐私。现在随便一个商场的摄像头，都能偷偷统计你的性别、年龄、停留时间，甚至能识别你的情绪，这些数据被拿去做什么，你根本不知道。之前爆出过一些楼盘用摄像头统计访客，再把信息卖给中介，扰得人不得安宁。

然后就是深度伪造的问题。现在换脸技术的逼真程度，普通人根本分不出来。已经有犯罪分子用换脸技术冒充企业负责人，骗走财务几百万的案例。更别说那些伪造的名人视频、色情换脸，对个人和社会秩序的冲击越来越大。

还有责任界定的问题。自动驾驶出了事故，如果是计算机视觉没识别出行人，责任算算法公司的，还是车企的，还是道路管理方的？现在法律上还是模糊地带。训练数据自带的偏见也很麻烦，如果训练数据里大部分是白人面孔，识别少数民族的准确率就会大幅下降，这种隐性歧视，很难被发现，也很难修正。

未来三年：垂直场景的渗透率会爆发

未来三年：垂直场景的渗透率会爆发

多模态大模型出来之后，计算机视觉迎来了新的变化。原来要几千张标注样本才能训出来的模型，现在只要几十张，甚至几张，就能做到不错的效果，大大降低了小众场景的落地门槛。原来因为标注成本太高做不了的项目，现在能做了。

加上端侧AI芯片的价格越来越低，原来一套视觉模块要上千块，现在几百块就能拿下，很多中小工厂也用得起了。我判断，未来三年，垂直细分场景的计算机视觉渗透率会翻一倍，农业的自动除草、病虫害识别，医疗的影像辅助诊断，都会从试点变成常规配置。

通用计算机视觉呢？就是那种能像人一样，随便看什么都能看懂的技术，五年之内肯定出不来。那些吹通用视觉能颠覆一切的，都是炒概念割资本的韭菜。

这个行业从来就不是靠算法参数堆出来的，是靠一个场景一个场景磨出来的。沉得住气啃下细碎问题的玩家，才能笑到最后。