智能视觉时代的开启
引言
在人还是胚胎细胞的时候就存在对光照的响应，到成人阶段，大于85%的外部信息来自于视觉感知。智能视觉是人工智能最早也是最主要的组成部分。回顾智能视觉的发展历程，正如大多数科学领域一样，其间充满了野心、绝望、坚守和纷争，最终视觉智能科学为改善社会的福祉提供了前所未有的可能，也使我们坚信“科技向善”的理念同样会在人工智能的应用中发挥作用，并对未来永远、无可救药的乐观。
萌芽：有限数据下的探索
自然地，智能视觉与人工智能的发展是密不可分的一体。在上个世纪60年代，人工智能的先驱们，包括John McCarthy，M. Minsky，当然还有香农等，在达特茅斯开了一个小型的夏季研讨会（真是事情越大，会议越小），构想了人工智能的发展框架。会后，先贤们做的第一件事情是解决智能视觉的技术问题，比如花一个暑假的时间，安排几个本科生来实现识别移动物体的课题。选择这个课题不仅仅是因为视觉是人工智能的核心领域，还由于刚刚出现的图像数字化技术，比如数字扫描仪、数码相机和信息处理技术等。没有一项科学发现是可以横空出世或遥遥领先的。
在经过短暂的探索失利以后，人们很快意识到智能视觉的复杂性。对于如何解决智能视觉的问题，人们分成了两派。一派如街霸游戏中擅长火焰踢的古烈，方法简单直接，从处理图像的单个像素入手；一派如擅长樱花旋风的春日野樱，迂回前进，试图先理解人类视觉的工作机制，然后再解决图像的理解问题。
古烈派由工程技术为主业的电子工程师组成，又称为工程师派，主要通过对像素邻域函数关系的分析，结合传统的信息处理技术和启发式算法，实现了对局域性像素问题的审视。这类问题例举如下：
- 图像变换
- 图像特征，如SIFT、SURF等
- 边缘识别，如Canny算法等
- 光流追踪
- 立体匹配
- 简单几何体的识别
- 初级智能算法，比如SVM，森林树，AdaBoost等
这些技术突破大部分被总结进了 Gary Bradski 博士领导的开源项目OpenCV中。值得一提的是，英年早逝的Marr博士，在其去世后于1982年出版的《Vision》，提出了视觉的可计算性和智能视觉的研究框架，至今仍然不失为一个重要的路线图。
在信息工程师们如火如荼的进展中，探索人类视觉机制的科学家们，也摸清了单个神经元的工作机制，并将单个神经元的响应机理用感知机的形式表达出来，然而，在Minsky的经典著作《感知机》中，Minsky证明在面对复杂逻辑时，单个的感知机的表达能力有根本的缺陷。这等于宣判了感知机的死刑。连后来的神经网络发现者辛顿在美国都很难找到工作，只能去加拿大的森林里面顽强地苟活着。
突破：新视野
很快，以信息技术为主线的工程师们遇到了多样化的瓶颈。为某些特定的应用可以编写出高效的代码，一旦应用涉及到多变的环境、复杂的光影和无处不在的变形等问题，这些对人类来说非常自然的东西，竟然是如此难以量化。
在视觉科学的聚光灯的阴影之下，神经网络的研究一直在默默地前行。辛顿发明的反向传输算法解决了误差的高效分配问题，损失函数、激活函数和正则化等技术也逐渐成熟，1998年，杨立昆的LeNet展示了多层CNN（卷积神经网络）可以有效地设别手写的数字，并神奇地一直在美国的邮政系统工作至今。万事俱备，似乎就是缺少一个展示威力的舞台。
在小数据集中，CNN技术并没有显露出多少优势，传统的AdaBoost等经典智能算法仍然是当时的SOTA（当时最佳）。直到2010年，斯坦福的李飞飞教授开源了 ImageNet，一个比传统大数十倍体量的图像集，以及于此相关的视觉识别竞赛ILSVRC。起初，辛顿的团队并没有注意到这个竞赛，直到2012年，当时还是博士生的Alex Krizhevsky写出了AlexNet，并一举在竞赛中夺魁，识别错误率远超传统算法，引爆了神经网络的热潮，其后短短的几年，计算机算法的错误识别率已经超过了人类。ILSVRC于2017年关闭了竞赛，这是第一次由于计算机算法超越了人类的生物极限而关闭的算法竞赛。
在视觉智能不断突飞猛进的ILSVRC历程中，有一个重要的突破来自中国香港中文大学的博士生何恺明（真是年轻人的好时代）。他提出的残差网络结构解决了网络退化的难题，一举将CNN的网络深度推进到101层，从此深度学习就成了人工智能的一个通俗名称。
2017年，就在大家认为卷积神经网络将一统江湖时，谷歌的Vaswani等人提出了划时代的注意力机制。虽然注意力机制发源于自然语言处理，但是对于理解复杂图像中的内容，注意力机制也成了必不可少的一个工具。与注意力机制相对应的Transformer网络架构随即在视觉智能中成了妥妥的主角。
另外，需要特别提到的是GAN（生成对抗网络），通过生成虚拟的3D场景与识别真伪的鉴别器相互之间的博弈，来不断进化生成器和鉴别器的能力，减小了对数据集规模的依赖，同时也增加了视觉智能对陌生场景的泛化能力。GAN是后面大放异彩的生成式AI和强化学习一个重要起点。
在2020年之后，视觉智能进入了百花齐放的阶段，大量的模型被提出，旋即又被后来者淘汰掉。总体趋势上，面向2D图像的任务被3D真实世界的任务所替代，单幅图像的工作向连续多帧视频的工作转移。最重要的趋势可能就是视觉智能已经不再是一个单独的任务，而成为一个大任务的一个模块，与语音、动作和文本等构成一个完整的智能体。它并不仅仅是多模态的，而且是多物态的，具备长文本生成、逻辑推理、深度分析和动作执行的复杂能力，这些已经远远超出了视觉智能的原始定义。
虽然，视觉智能已经不再是人工智能的前沿课题，但是，视觉智能技术本身并没有停滞，理解图像或者视频中的意义，不比长文本的理解更容易，甚至可能更难。比如，ChatGPT这类的长文本的、生成式AI已经可以理解“东施效颦”的文字含义，但至今也没有哪个模型可以很好地理解同样是“皱眉”，为什么西施代表美，而东施代表的却是不美。
眺望未来
智能视觉已经从以往的单一架构向多架构、多模态融合的方向发展，理解真实的物理世界成为智能视觉的核心任务。单纯依靠视觉并不能建立一个统一的世界模型，视觉智能与其它智能科学的交叉融合是正在探索的未知领域。针对智能视觉技术本身，低时延、低算力且隐私保密的需求始终存在，基于边缘计算芯片的智能视觉在众多智能应用中成为技术瓶颈。AR/VR的兴起，将高清3D视觉重建真正带入了日常生活，而不再局限在游戏发烧友的群体中。情感识别、对抗AI作弊和抑制幻觉等现代议题在智能视觉中也是不可或缺的研究课题。
智能视觉在实际生活中已经变得不可或缺，且应用范围日益扩大，是所有AI应用的技术底座。我们都说“人之初，性本善”，坚持“人工智能，性本善”也是保持威力巨大的AI技术始终处于可控范围的底线，正如李飞飞教授所说：“我们可以用建设性的、对人类有益的方式应用计算机视觉技术，这方面还有很多潜力可供挖掘”，那么，我们已经看见，剩下的就是拥抱！