当机器从识别图像走向介入现实，视觉盘考的规模也被重新规则。

    作家丨郑佳好意思

    剪辑丨马晓宁

要是您散步在 CVPR 2026 的会场，会产生一种热烈的错觉：我方是不是跑错了场馆，误入了 ICRA 或者 IROS 的现场？满屏的机械臂捏取、足式机器东谈主的越野导航、以及在杜撰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"角落分支"，而是以一种占据主舞台的姿态，成为视觉顶会最难被忽视的叙事之一。

这种范式的易位，让东谈主们不禁回念念起 2017 年机器东谈主学界的顶级嘉会 IROS。其时，机器东谈主群众们冲突了固守多年的通顺学完毕圈层，邀请计较机视觉威信、ImageNet 奠基东谈主李飞飞作念主题演讲。

在阿谁时刻，视觉关于机器东谈主而言，更像是一个"尊贵的外部插件"：机器东谈主学是主，计较机视觉是客。机器东谈主确凿的知识中枢，仍然是通顺学、能源学、完毕、蓄意、践诺器和系统工程；视觉正经把外部宇宙翻译成机器东谈主好像使用的气象信息，却并不确凿决定机器东谈主学的问题规模。

九年之后，机器东谈主和计较机视觉的交融已干预新的里程碑。在计较机视觉领域，咱们以致不错看到具身智能"反客为主"的发扬。

这种"反客为主"，并不是说机器东谈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。确凿蹙迫的是，具身智能正在改造计较机视觉判断自身价值的方法。

畴前世界杯官方认证平台，视觉盘考的中心问题是：机器何如从图像中提取语义，从视频中长入事件，从多视角中还原三维结构。今天，具身智能把问题股东到了另一层：视觉系统不仅要看懂宇宙，还要支撑一个智能体干预宇宙、改造宇宙，并在行为反映中重新改造我方对宇宙的长入。

这才是所谓"范式夺权"的骨子。一个标的确凿完成"夺权"，从来不是靠论文数目取胜，而是靠重新界说悉数这个词领域的问题进口、评价圭臬和技能蹊径。

要是说畴前的计较机视觉是在屏幕中长入宇宙，那么具身智能正在迫使它走出屏幕，在确凿空间、确凿物体和确凿动作中重新说明我方。

01

Ted Xiao「三大时期」里的具身智能拐点

要长入具身智能为什么会在 CVPR 2026 中酿成如斯强的存在感，不成只从这一届会议自己看起。更准确的切口，是 Ted Xiao 对机器东谈主学习畴前十年发展的三阶段复盘：存在性说明时期、基础模子时期和 Scaling 时期。

这个框架之是以蹙迫，是因为它解释了一个关键问题：具身智能并不是一霎干预计较机视觉中心的，而是在机器东谈主学习自身演进到某个阶段之后，势必驱动向视觉盘考提取更深层的身手。

换句话说，CVPR 2026 所呈现出的变化，不是一个会议热门的巧合瓜代，而是机器东谈主学习从完毕问题、数据问题，进一步演变成宇宙长入问题后的当然完了。

第一个阶段是存在性说明时期。这个阶段的中枢问题是：端到端的数据驱动顺次到底能不成在确凿机器东谈主上责任？强化学习能不成完毕机械臂？师法学习能不成完成捏取？确凿硬件集结的数据能不成老师出阐明战术？

这一时期的机器东谈主学习还带有很强的"实验室说明"颜色。盘考者需要先说明，深度学习不仅仅能在 Atari、围棋和图像分类中成效，也能濒临确凿宇宙中一语气、高维、噪声极强的物理系统。

在这个阶段，视觉虽然蹙迫，但它更多是机器东谈主系统中的输入模块。机器东谈主需要视觉来感知物体位置、场景气象和外部环境，但机器东谈主学习的主要压力仍然来自完毕阐明性、硬件过错、样本效果、数据集结老本和确凿环境不细则性。视觉是必要条款，却还不是范式重组的中心。

第二个阶段是基础模子时期。跟着大言语模子、视觉言语模子和多模态大模子的发展，机器东谈主学习驱动发生第一次蹙迫转向。机器东谈主不再仅仅学习某个单一技巧，而是驱动采纳互联网限制数据中酿成的语义长入身手。

它不仅要知谈机械臂何如出动，还要长入"把红色杯子放到盘子把握"这么的当然言语请示；不仅要识别物体，还要长入绽放词汇、空间相关、任务意图和东谈主类学问。

SayCan、RT-1、RT-2 这类蹊径的意旨正在于此。它们并不仅仅让机器东谈主"听懂更多话"，而是让视觉、言语和动作第一次被压进并吞个建模框架中：言语给出看法，视觉长入气象，模子生成动作，动作改造宇宙，宇宙反映又回到视觉输入之中。

到了这个阶段，计较机视觉和机器东谈主学习的相关照旧驱动变化。机器东谈主对视觉的需求，不再仅仅"帮我看见物体在那里"，而是"帮我长入一个绽放宇宙，并把这种长入转念为行为"。这照旧不是传统意旨上的视觉模块调用，而是对视觉盘考冷落了更高层的要求。

第三个阶段是 Scaling 时期。也恰是在这个阶段，CVPR 的位置变得不可替代。因为一朝机器东谈主学习干预限制化，它需要的基础要领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谈主类动作和物体交互，需要用 3D 场景长入因循空间推理，需要用宇宙模子展望动作后果，需要通过仿真和合成数据弥补确凿机器东谈主数据的稀缺，需要把言语看法映射到视觉气象和动作序列，也需要在长程任务中督察对场景、缅念念和看法的延续长入。雷峰网

这便是为什么具身智能会在 CVPR 2026 中显得像一次聚会爆发。机器东谈主学习早期更像是在处分"能不成让机器东谈主动起来"；基础模子时期驱动处分"能不成让机器东谈主长入请示和场景"；而到了 Scaling 时期，确凿的问题变成了"能不成让机器东谈主在绽放宇宙中限制化地学习、泛化和行为"。

这个问题照旧不再是机器东谈主学单独好像完成的，它必须借助计较机视觉在视觉表征、视频长入、三维重建、多模态对皆、生成建模和宇宙建模上的始终积贮。因此，Ted Xiao 的三大时期复盘推行上揭示了这场"范式夺权"的历史条款：只好当机器东谈主学习干预 Scaling 阶段，视觉才会从机器东谈主系统中的外部插件，变成物千里着平缓能的底层基础要领。

02

三重「夺权」：

问题、圭臬与蹊径的重写

有了 Ted Xiao 的时候线，再回到 CVPR 2026，好多神志就不再显得孤苦。

VLA、机器东谈主操作、出动导航、东谈主形机器东谈主、宇宙模子、Sim2Real、物理仿真、3D 空间智能和自动驾驶等主题聚会出现，并不是多个热门比肩爆发，而是并吞条范式迁徙链路在视觉顶会中的聚会显影。

畴前，CVPR 的好多中枢任务不错被长入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。

具身智能则要求设立一条更长的链路：视觉输入干预言语长入，言语看法干预任务蓄意，2026美加墨世界杯中国认证平台任务蓄意干预动作生成，动作完了回到视觉反映，反映再更新模子对宇宙的判断。

这条链路一朝成为主流，计较机视觉的盘考对象就会发生变化。图像不再仅仅被长入的对象，而是行为方案的首先；视频不再仅仅时候序列，而是动作、变化和因果后果的载体；三维重建不再仅仅几何规复，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，而是要生成可用于老师、展望和评估行为战术的宇宙。

这便是 CVPR 2026 的符号性意旨。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改造视觉顶会的叙事要点。畴前，机器东谈主是视觉技能的运用场景；当今，机器东谈主问题驱动成为视觉盘考重新界说自身的一面镜子。

而所谓具身智能的"范式夺权"，恰是从这里驱动的：它当先改造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？这个场景何如重建？这段视频发生了什么？这些问题共同指向一个看法：让机器更好地表征宇宙。

具身智能把问题改写了。一个机器东谈主看见桌上的杯子，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、可捏取区域、周围结巴物、机械臂通顺道径，以及提起之后宇宙气象会何如改造。也便是说，具身智能确凿问的是：我能对它作念什么？

这一步改造了视觉盘考的底层对象。物体不再仅仅类别标签，而是可捏取、可推动、可掀开、可不屈、可因循的实体；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；视频不再仅仅时候序列，而是动作、变化和因果后果的印迹。

问题一朝被改写，评价圭臬也会随之变化。传统视觉的告成大多设立在离线数据集上：分类看准确率，检测看 mAP，分割看 IoU，重建看过错，生成看保真度和语义一致性。具身智能带来的圭臬更尖刻：模子"看对了"并不等于任务告成。

机器东谈主识别出了杯子，但捏取失败，视觉长入仍然不够；模子重建出了房间，但机器东谈主无法安全导航，空间表征仍然不够；视频生成看起来传神，但不成展望动作后果，宇宙模子仍然不够。

是以，具身智能把评价圭臬从"输出是否正确"，推向"行为是否灵验"。计较机视觉畴前不错在视觉空间里面自洽，当今则必须接管物理宇宙的考验。

当问题界说和评价圭臬都发生变化，顺次蹊径也会被重写。VLA 模子之是以蹙迫，并不是因为它把 Vision、Language、Action 三个词放在沿路，而是因为它重建了智能系统的基本接口：东谈主类用言语抒发看法，机器东谈主通过视觉长入现时宇宙，再把言语看法和视觉气象转念为动作序列。

宇宙模子和物理仿真处分的，则是行为之前的后果展望。机器东谈主提起杯子，桌面气象会改造；推开箱子，旅途可达性会改造；掀开抽屉，新的物体会出现。要是视觉模子不成推演这些变化，它就很难因循蓄意。

3D 空间智能也因此被重新赋予意旨。畴前，三维重建缓和几何是否准确、纹理是否确凿；当今，具身智能要求三维宇宙是可行为的：那里能走，那里能捏，那里会撞，那里需要探索。

这便是具身智能对计较机视觉顺次蹊径的重写。它把视觉模子从"感知器"推向"行为系统的一部分"，把 3D 从几何规复推向空间方案，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践诺。

而学术范式的变化，最终还需要产业现实来阐述。畴前，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，都不错在一定历程上把视觉输出当作孤苦完了来使用。

但机器东谈主不同。机器东谈主要求视觉完了径直干预行为链条。模子不成仅仅"看起来长入了"，它必须把货箱搬起来，把零件放到位，把蹊径走通，把门掀开，把伪善规复过来。

这使得视觉模子的伪善老本发生了变化。一次识别伪善可能导致捏取失败，一次空间误判可能导致碰撞，一次物理展望伪善可能让战术失效。

因此，产业需要的不是单点视觉身手，而是一整套面向物理宇宙的视觉基础要领：阐明的 3D 宇宙表征、低蔓延动作生成、高质地机器东谈主数据、可交互仿真环境、可靠的 Sim2Real 迁徙，以及失败后的规复机制。

只消 AI 不绝从屏幕走向物理宇宙，计较机视觉就势必从"感知模子"走向"行为基础要领"。这亦然具身智能夺取范式解释权的现实基础。

03

从绽放宇宙之桥，到物千里着平缓能底座

回到 2017 年 IROS 的历史现场，李飞飞的出神志征着机器东谈主学界对视觉智能的主动拥抱。那时，机器东谈主要是要干预绽放宇宙，就必须借助视觉长入对象、场景和东谈主类意图。视觉是机器东谈主通往绽放宇宙的一座桥。

而当今 CVPR 2026 的具身智能高涨组成了另一个历史镜像：机器东谈主问题驱动反过来迫使计较机视觉重新长入自身。莫得视觉，机器东谈主无法长入绽放宇宙；但莫得行为，视觉智能也很容易停留在形容宇宙的层面，无法说明我方是否确凿长入宇宙。

这便是"从座上宾到主战场"的确凿含义。

它不是机器东谈主取代计较机视觉，也不是 CVPR 变成机器东谈主会议，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蹙迫问题，什么是灵验顺次，什么是告成完了，也重新界说了视觉智能必须濒临的宇宙。雷峰网

畴前，计较机视觉的中枢是让机器看见宇宙；自后，它变成让机器长入宇宙；当今，具身智能正在要求机器干预宇宙。看见是感知，长入是表征，行为才是对长入的最终考验。