大讲堂
上周在写字楼楼下刷脸进闸的时候，我盯着那个闪着蓝光的摄像头突然走神。
它对着我戴了三层口罩的脸愣了两秒，”嘀”的一声放行了。
上周它还把我认成了隔壁公司那个戴黑框眼镜的产品经理。
这就是大部分人日常接触到的计算机视觉——不是什么科幻片里能看穿所有真相的超级眼睛，是偶尔抽风、大部分时候能凑合用的概率机器。
别被”看懂世界”的叙事骗了：计算机视觉的真实技术边界
很多人对计算机视觉的认知，停留在短视频里那些炫技演示：一秒数完马路上的所有车，从监控里揪出穿红衣服的行人，甚至能给照片里的人自动P上好看的滤镜。但很少有人会拆开这些演示的包装，看里面到底是什么。
根本不是什么”让机器像人一样看懂世界”。
是把一整张图片拆解成几百万个像素点的数值，通过卷积层不断提取不同维度的特征——从最基础的边缘、颜色，到复杂一点的纹理、形状，最后把这些特征喂进分类器，算出”这个像素块属于猫的概率是97%，属于狗的概率是2%，属于其他的概率是1%”。
你看，从根上就和人的视觉逻辑不一样。人看到猫的时候，根本不会去算概率，是直接的认知。但机器不行，它所有的”识别”，本质上都是概率拟合的结果。这也是为什么现在的模型这么容易被坑：你给一张熊猫的图片，加上几个人眼完全察觉不到的微小噪点，模型能非常笃定地把它认成长臂猿。
这不是bug。
是本质。
之前有个做CV研究的朋友跟我吐槽，说现在很多融资PPT里写的”模型准确率99.9%”，都是在和训练集同分布的测试集上跑出来的结果——说白了就是训练的时候见过的样本分布，真拿到开放场景里，换个光照、换个拍摄角度、甚至换个没见过的物体类别，准确率能直接掉到50%以下，跟抛硬币瞎猜没区别。
现在的计算机视觉，根本不是”通用视觉”的生意
我跑了三年多的CV赛道，见过太多团队从吹上天到摔下来。
三年前整个行业都在喊”通用CV大模型”，说只要把足够多的图片、视频喂给大模型，就能替代所有垂直场景的算法，一个模型打天下。结果呢？
现在所有做通用CV大模型的团队，排着队去啃最脏最累的垂直订单。
原因特别简单：开放场景的模型根本赚不到钱。你花几个亿训练出来的大模型，普通人根本不会为了”能识别一千种东西”付钱，真正愿意掏钱的客户，要的是”能在我家工厂的光照条件下，准确找出我家产品上0.1毫米的划痕，误检率低于0.5%”。
去年接触过一个做3C视觉检测的小团队，为了测某款折叠屏手机的表面瑕疵，专门在产线上搭了个半封闭的光罩，把整个工位的光照差控制在5%以内——就这，模型在产线上跑了三个月，还是要每周重新微调一次参数，因为产线上的灯光用久了会老化，亮度变一点，误检率就往上飘。
说出来挺可笑的。之前大家觉得做CV是拼算法实力，现在才发现，落地的时候一半的工作量在调光照、选镜头、给不同场景打定制化的标注数据。那些之前看不起”做项目”的算法团队，现在抢一个工厂的检测项目，能跟对手把价格压到成本线以下。
现在整个产业链的格局其实特别清晰：上游的工业CMOS传感器，索尼、三星占了全球一半以上的市场，国内的厂商最近几年才刚追上中端产品的水平；中游的算法公司，真正能稳定盈利的，基本都扎在几个确定的场景里——光伏EL检测、停车场车牌识别、零售货架的库存盘点，没什么花里胡哨的概念；下游的硬件集成商，靠着铺摄像头、做门禁、装检测设备，赚点辛苦钱。
之前那些吹”CV要替代人类所有视觉工作”的公司，现在基本都消失了。
真的。
被忽略的治理暗线：比技术迭代更快的是隐私边界的坍塌
很多人聊到计算机视觉的风险，第一反应是”会不会被用来换脸诈骗”。但其实更隐蔽的风险，早就发生在你每天路过的摄像头里了。
现在的视觉模型，根本不需要看清你的脸，就能把你认出来。
它能通过你的走路姿势、你的身高比例、甚至你背包的款式，在几百米外的监控里把你从人群里揪出来。还有的零售门店的客流分析系统，能自动记录你在每个货架前停留了多久，你拿起过哪件商品，甚至能通过你脸上的微表情，判断你对这个商品的兴趣度——所有这些数据，你根本没有授权过。
之前有个做智慧社区的厂商跟我透底，说他们给小区装的人脸门禁，很多时候根本不把数据存在本地的加密服务器里，而是直接传到厂商的云端，方便他们远程升级。要是哪次云端被拖库，整个小区几千户住户的人脸数据，就全部流出去了。
你根本没法防。
你路过一个摄像头的时候，根本不知道它背后接的算法是干嘛的——是拍交通违章的，还是在偷偷识别你的消费能力的，是用来统计公园客流的，还是在找某个被警方通缉的人的。
去年有个城市的商圈做了个试点，在所有的路口摄像头上加了视觉识别模块，能自动识别路过的人是不是穿了某品牌的新款衣服，然后把对应的广告推到路边的大屏上。这事曝光之后好多人觉得不适，但从技术层面说，这个功能实现起来根本没难度，花几万块钱装个算法模块就行。
聊到这儿，你可能觉得我对计算机视觉太悲观？真不是。
我自己反而觉得，这个赛道现在才刚从虚火里走出来，开始做真正有价值的事。
说几个我自己的判断，未来三到五年肯定会兑现：
第一，根本不会出现什么能在开放场景里通用的视觉模型。所有吹”万能眼睛”概念的公司，估值都有水分。真正的技术突破，都是在垂直场景里抠细节抠出来的——比如怎么在农村的自然光下，准确识别茶叶上的病虫害；怎么在雨天的高速上，准确识别前方路面的坑洞。这些事听起来不酷，但真的能创造价值。
第二，监管的速度会比大家想象的快。以后所有公共区域的摄像头，都必须贴明确的标识，告诉你这个摄像头在采集什么数据，数据存多久，谁有权限看，没有授权的视觉分析，会直接被算成违规。现在已经有几个城市在做相关的试点了，只是还没大范围推开。
第三，之前被大家看不起的”苦力型CV公司”，会慢慢跑出头部。那些愿意扎在工厂里、扎在农田里、扎在产线上调参数的团队，会比那些天天在发布会吹概念的团队，走得远得多。
毕竟，计算机视觉从诞生那天起，就不是什么用来改变世界的科幻工具。
它就是个工具。
工具的价值，从来不是靠吹出来的，是靠你把它放到具体的场景里，解决真问题，一点点磨出来的。
作者|大讲堂
排版|大讲堂
审核|小准