马尔（David Marr）博士的视界
短暂的研究生涯
马尔（David Marr）出生于1945年的新西兰，不久全家就搬迁到英国。他的父亲是神经物理学家，母亲是音乐家。无疑，父母的基因和早年熏陶赋予了马尔不凡的科学素养。1964年，年仅19岁的马尔进入剑桥大学主攻数学，但马尔更感兴趣的是生物物理，并于1970年发表了他个人里程碑的文章《The theory of Cerebral Neurons》（脑神经元的“计算”理论），奠定了计算神经科学的基石。
1973年，应人工智能开创者之一的明斯基（Minsky）教授的邀请加入MIT的人工智能实验室，专注视觉的研究，打开了视觉可计算性的大门，被后世誉为“Father of Vision”（此处的Father意为教父，即统领某领域一个时代的关键人物，并非中国普遍翻译的**之父）。然而不幸的是，马尔博士于1980年身患白血病，生命戛然而止。10年短暂的科研生涯搭建了一个可理解性的视觉计算框架，并最终由他的学生和同事们总结在1982年出版的书籍《Vision》中。
泰戈尔的”生如夏花之绚烂，死如秋叶之静美“就是对马尔博士的最好阐释。
视觉可计算性
马尔博士提出了计算视觉问题三层次研究框架：
计算理论 -> 算法 -> 硬件实现，三个层次依次缩小了可计算性的范围。正如人的神经系统分为独立的功能响应区，然后逐次传递到上一个层次，那么每一个计算模块也需要独立且遵循一个可理解的管线。这种基于分析的构建思路与当前强调“端到端”的视觉设别系统有很大的不同，因此，马尔博士的可计算理论在当下被认为是一种过时的理论。按照马尔博士的视觉可计算理论，识别出物体与如何设别物体是理解视觉机理的两个相互独立的过程。那么目前的“端到端”技术只是解决了第一个问题，即完成了视觉任务，至于该过程是如何实现的，目前并无坚实的理论予以证明，这个也就是目前人工智能科学令人担忧的主要原因。
马尔博士的另外一个重要贡献是关于2.5维的图像表征理论。马尔博士认为人看到的照片并不是简单的二维矩阵，而是附加了强度信息、光影关系、纹理梯度等其它信息的2.5维的图像，然后人类根据以往的经验（熟悉物品的大小和相对位置等）获得3维真实世界的想象。这个3维想象的过程，类似于一个复杂的信息交互过程，通过不断的前馈和反馈迭代，并最终形成完整的3D物体信息。
马尔博士的视觉可计算理论将人类的复杂神经和思考过程分解成一个逐步接近的过程，第一次使人们考虑用计算机来分析图像的策略，然而马尔的视觉可计算框架在面对大量复杂多变的图像集时，缺乏足够的泛化能力，被连接主义的深度学习路线后来者居上，而渐渐消失在前沿领域之外。
对后世研究的影响
虽然深度学习技术如今大行其道，但马尔的视觉可计算路线依然有其价值。深度学习算法的可理解性（包括安全可控性）并无新的理论突破，那么马尔博士的分层理解的思想并不过时，如果人工智能就是未来，谁又敢把未来交给一个无法理解的黑箱？
3D世界模型的建立是人工智能下一步实现的目标。如果我们理解了马尔博士的2.5D的模型的内涵，也就懂得了相机和激光雷达其实获取的信息维度是一样的，而激光雷达缺少了表面纹理和光影关系的信息，很难作为无人驾驶中唯一的传感器，因此激光雷达的加入，反而使得视觉的可计算性增加了复杂性。在此基础上，再来评估无人驾驶的方案，就多了一层把握。
毋庸置疑，马尔博士的视觉可计算理论是研究视觉智能的科学家或者工程师们的第一堂课一定要涉及的内容，就像素数在数学中的地位一样，不一定有用，但一定有趣且能不断启发新的数学思想。