什么是计算机视觉？

计算机视觉是一组任务的统称，每项任务回答关于图像的不同问题。一个好记的方法是想象：面对一张繁忙街道的照片，每项任务会在上面画出什么。

对计算机来说，一张照片就是一个数字网格。每个小点叫作像素，用红、绿、蓝三个亮度值来存储。一张手机照片有几百万个像素，而这些数字本身并没有写着“猫”。

视觉模型从训练样本中学会数字模式与含义之间的联系。它通常是一个神经网络：由许多层简单的数学单元组成，在学习中不断自我调整。经典的卷积神经网络用小型滤波器在图像上逐块扫描：前几层对边缘和颜色有反应，后面的层识别眼睛、车轮等形状，最后几层识别完整的物体。ImageNet 等大型标注图库，以及从 2010 年起每年举办的识别挑战赛，推动了这一领域的快速进步。较新的视觉 Transformer 则把图像切成小块，有点像把它们当作句子里的词来处理。

计算机视觉是应用最广的 AI 之一，大多安静地运行在其他产品里：

计算机视觉是分析图像，而不是生成新图片；生成图片属于生成式 AI，尽管两者都依赖相似的学习表示。视觉模型也不像人那样理解场景，它只是识别训练中见过的模式。

因此，在光线差、角度少见、物体罕见，或者训练数据中代表性不足的人群和场景下，准确率可能下降，甚至产生带偏见的结果。人脸识别尤其涉及隐私和法律问题，一些司法辖区对其用途有所限制。在医学影像、身份核验等重要场景，视觉模型应当辅助专业人员，而不是取代他们。