大讲堂
谁能想到十年前只能在实验室辨清猫和狗的技术，现在已经嵌在你每天用的付款码、小区门禁、停车场抬杆系统里了。
你路过奶茶店的智能柜，它一秒就认出你拿了哪瓶饮料，扣对钱。汽车工厂里的机械臂，靠它找准焊点的位置。诊所读片室，它帮医生圈出CT片里可能漏看的小结节。
这就是我们天天在用，却很少细想的计算机视觉。
核心逻辑很简单，难的是读懂真实世界
说穿了，计算机视觉就是给二维的像素数据，赋予实际的语义。原来机器只能存图片，看不懂内容。它要做的，就是告诉机器：这张图里的框，是一个人，那个框，是一辆车，这个人穿的衣服是什么颜色，那辆车开的速度是多少。
早年走的是手工提取特征的路子，工程师要给每一类物体写规则，比如人脸就是两个黑点加一个弧形，遇到光线变了、脸转了角度，直接歇菜。直到卷积神经网络火起来，才把准确率拉到了能用的程度。
很多人吹得玄乎，说现在计算机视觉已经超过人眼了。说实话，哪有这么神。
人眼能看懂模糊的、缺了一半的、打了码的图片，机器不行。你把一张被树叶挡了一半的猫的照片给它，它可能直接认成狗。遇到光线忽明忽暗的场景，比如露天工地的零件检测，准确率直接掉十几个点。
p>这就是它的技术边界：在封闭、光线稳定、物体规则的场景，它能打得赢人。在开放、复杂、变量多的真实场景，它还是个半吊子。
产业化跑了十年，赚大钱的还是少
最早吃到计算机视觉红利的，是安防领域。2015年之后，天网工程落地，一堆人脸识别公司起来，靠着安防订单活的滋润。那时候资本追着投，都觉得这个赛道遍地黄金。
不过话说回来，安防卷完之后，大家才发现，通用计算机视觉根本赚不到快钱。要落地，就得啃每个行业的个性化痛点。
现在活的不错的，基本都是扎进垂直场景的。我知道一家创业公司，专门给果农做果园测产，拿无人机拍一圈，就能数清楚每棵树结了多少苹果，判断糖分够不够，比人工跑一遍快几十倍，误差不到5%。还有做工业焊缝检测的，汽车底盘的焊缝，人眼一天看几千条，准度也就九成，计算机视觉能稳定在九成九，还能24小时连轴转。
落地的障碍说穿了就两个。一个是数据，每个工厂的零件不一样，每个果园的果树品种不一样，你要训一个能用的模型，就得攒几千几万张标注好的图片，标注成本贵的吓人，小公司根本扛不住。另一个是算力，很多中小工厂买不起带高端GPU的设备，模型放不进去，跑不起来。
现在的竞争格局也很清楚：大厂做通用算法平台，给创业公司提供基础模型，创业公司往下沉，啃各个细分行业的落地。大部分钱还是被头部几个大厂赚走了，中小团队只能捡大厂看不上的垂直细分活。
未来三年，破局点在哪
大模型出来之后，计算机视觉又热了一轮。尤其是GPT-4V出来，能看懂图还能给你讲逻辑，把多模态的天花板一下子抬起来了。
但风险也摆在这里。最突出的就是数据伦理问题，前几年人脸数据滥用闹得沸沸扬扬，现在法规越来越严，随便收集人脸信息已经是违法的事。很多做人脸识别的公司，现在都在转做不需要存人脸数据的匿名化方案，这是硬要求，绕不开。
还有失业的担忧，说计算机视觉普及之后，很多质检、安检的岗位都要没了。我倒觉得，未来三五年不会全替代，只会是人机协同。比如机场安检，机器先把所有可疑物品筛出来，人再复核，原来一个安检员一小时看几百件行李，现在只需要看十几件，压力小多了，准确率也上去了。岗位不是消失了，是变了。
对未来三到五年，我有两个判断。第一个，轻量化模型会是核心方向，把大模型压缩到能跑在普通边缘设备上，让中小工厂也用得起，这才是真正能把盘子做大的事。第二个，多模态融合是必然，纯视觉解决不了的问题，结合激光雷达、语音、大语言模型，就能把准确率再拉一个档次。
很多人说计算机视觉已经是红海了，全是卷王，没机会了。我不这么看。过去十年，大家都是在通用场景抢饭吃，真正往各个细分行业深扎，解决个性化痛点的玩家，还没几个。
接下来拼的不是谁的模型准确率高一个点，是谁能沉下去，把行业的规则摸透，把落地的坑踩平。这才是刚开局。
作者|大讲堂
排版|大讲堂
审核|安然