以色列支持，英国、土耳其、西班牙齐声否决
当机械从鉴别图像走向染指现实，视觉钻研的天堑也被沉新划定。? ? 作者丨郑佳美? ? 编纂丨马晓宁? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?若是您缓步在 CVPR 2026 的会场，会产生一种强烈的错觉：自己是不是跑错了场馆，误入了 ICRA 或者 IROS 的现？满屏的机械臂抓取、足式机械人的越野导航、以及在虚构沙盒中进行千亿次迭代的物理仿照。具身智能（Embodied AI）已经不再是视觉领域的一个 " 边缘分支 "，而是以一种占据主舞台的姿势，成为视觉顶会最难被忽视的叙事之一。这种范式的易位，让人们不禁回顾起 2017 年机械人学界的顶级盛会 IROS。其时，机械人专家们突破了固守多年的活动学节造圈层，约请推算机视觉泰斗、ImageNet 奠基人李飞飞做主题演讲。在那个时刻，视觉对于机械人而言，更像是一个 " 尊贵的表部插件 "：机械人学是主，推算机视觉是客；等苏嬲闹吨魈，依然是活动学、动力学、节造、规划、执行器和系统工程；视觉掌管把表部世界翻译成机械人可能使用的状态信息，却并不真正决定机械人学的问题天堑。九年之后，机械人和推算机视觉的融合已进入新的里程碑。在推算机视觉领域，我们甚至能够看到具身智能 " 喧宾夺主 " 的阐发。这种 " 喧宾夺主 "，并不是说机械人论文在视觉顶会中数量变多了，也不是说 CVPR 在造成另一个 ICRA 或 IROS。真正沉要的是，具身智能在扭转推算机视觉判断自身价值的方式。从前，视觉钻研的中心问题是：机械若何从图像中提取语义，从视频中理解事务，从多视角中还原三维结构。今天，具身智能把问题推动到了另一层：视觉系统不仅要看懂世界，还要支持一个智能体进入世界、扭转世界，并在行动反馈中沉新校对自己对世界的理解。这才是所谓 " 范式夺权 " 的性质。一个方向真正实现 " 夺权 "，从来不是靠论文数量取胜，而是靠沉新界说整个领域的问题入口、评价尺度和技术路线。若是说从前的推算机视觉是在屏幕中理解世界，那么具身智能在迫使它走出屏幕，在真实空间、真实物体和真实作为中沉新证明自己。01Ted Xiao「三大时期」里的具身智能拐点要理解具身智能为什么会在 CVPR 2026 中形成如此强的存在感，不能只从这一届会议自身看起。更正确的隐语，是 Ted Xiao 对机械人进建从前十年发展的三阶段复盘：存在性证明时期、基础模型时期和 Scaling 时期。这个框架之所以沉要，是由于它诠氏缢一个关键问题：具身智能并不是忽然进入推算机视觉中心的，而是在机械人进建自身演进到某个阶段之后，必然起头向视觉钻研索取更深层的能力；痪浠八，CVPR 2026 所出现出的变动，不是一个会议热点的无意轮换，而是机械人进建从节造问题、数据问题，进一步演造成世界理解问题后的天然了局。第一个阶段是存在性证明时期。这个阶段的主题问题是：端到端的数据驱动步骤到底能不能在真实机械人上工作？强化进建能不能节造机械臂？仿照进建能不能实现抓？真实硬件采集的数据能不能训练出不变战术？这一时期的机械人进建还带有很强的 " 尝试室证明 " 色彩。钻研者必要先证明，深度进建不只是能在 Atari、围棋和图像分类中见效，也能面对真实世界中陆续、高维、噪声极强的物理系统。在这个阶段，视觉当然沉要，但它更多是机械人系统中的输入？；等吮匾泳趵锤兄锾宓匚弧⒊【白刺捅聿炕肪，但机械人进建的重要压力依然来自节造不变性、硬件误差、样本效能、数据采集成本和真实环境不确定性。视觉是必要前提，却还不是范式沉组的中心。第二个阶段是基础模型时期。随着大说话模型、视觉说话模型和多模态大模型的发展，机械人进建起头产生第一次沉要转向；等瞬辉僦皇墙掣龅ヒ患际，而是起头吸收互联网规模数据中形成的语义理解能力。它不仅要知路机械臂若何移动，还要理解 " 把红色杯子放到盘子旁边 " 这样的天然说话指令；不仅要鉴别物体，还要理解盛开词汇、空间关系、工作意图和人类学问。SayCan、RT-1、RT-2 这类路线的意思在于此。它们并不只是让机械人 " 听懂更多话 "，而是让视觉、说话和作为第一次被压进统一个建？蚣苤校核祷案鲋副，视觉理解状态，模型天生作为，作为扭转世界，世界反馈又回到视觉输入之中。到了这个阶段，推算机视觉和机械人进建的关系已经起头变动；等硕允泳醯男枰，不再只是 " 助我看见物体在哪里 "，而是 " 助我理解一个盛开世界，并把这种理解转化为行动 "。这已经不是传统意思上的视觉？榕灿，而是对视觉钻研提出了更高层的要求。第三个阶段是 Scaling 时期。也正是在这个阶段，CVPR 的地位变得不成代替。由于一旦机械人进建进入规；，它必要的基础设施险些全数与推算机视觉深度绑定：它必要从海量视频中进建人类作为和物体交互，必要用 3D 场景理解支持空间推理，必要用世界模型预测作为后果，必要通过仿真和合成数据添补真实机械人数据的稀缺，必要把说话指标映射到视觉状态和作为序列，也必要在长程工作中维持对场景、影象和指标的持续理解。雷峰网这就是为什么具身智能会在 CVPR 2026 中显得像一次集中发作；等私ㄔ缙诟袷窃诮饩 " 能不能让机械人动起来 "；基础模型时期起头解决 " 能不能让机械人理解指令和场景 "；而到了 Scaling 时期，真正的问题造成了 " 能不能让机械人在盛开世界中规；亟ā⒎夯托卸 "。这个问题已经不再是机械人学单独可能实现的，它必须借助推算机视觉在视觉表征、视坡讽解、三维沉建、多模态对齐、天生建模和世界建模上的持久堆集。因而，Ted Xiao 的三大时期复盘现实上揭示了这场 " 范式夺权 " 的汗青前提：只有当机械人进建进入 Scaling 阶段，视觉才会从机械人系统中的表部插件，造成物理智能的底层基础设施。02三沉「夺权」：问题、尺度与路线的沉写有了 Ted Xiao 的功夫线，再回到 CVPR 2026，好多景象就不再显得孤立。VLA、机械人操作、移动导航、人形机械人、世界模型、Sim2Real、物理仿真、3D 空间智能和自动驾驶等主题集中出现，并不是多个热点并排发作，而是统一条范式迁徙链路在视觉顶会中的集中显影。从前，CVPR 的好多主题工作能够被理解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，视频到事务，文本到图像。具身智能则要求成立一条更长的链路：视觉输入进入说话理解，说话指标进入工作规划，工作规划进入作为天生，作为了局回到视觉反馈，反馈再更新模型对世界的判断。这条链路一旦成为主流，推算机视觉的钻研对象就会产生变动。图像不再只是被理解的对象，而是行动决策的起点；视频不再只是功夫序列，而是作为、变动和因果后果的载体；三维沉建不再只是几何复原，而是智能体导航、操作和交互的空间底座；天生模型不再只是为了天生真切的内容，而是要天生可用于训练、预测和评估行动战术的世界。这就是 CVPR 2026 的标志性意思。它不是具身智能第一次呈此刻视觉顶会中，却可能是具身智能第一次如此清澈地扭转视觉顶会的叙事沉心。从前，机械人是视觉技术的利用场景；此刻，机械人问题起头成为视觉钻研沉新界说自身的一面镜子。而所谓具身智能的 " 范式夺权 "，正是从这里起头的：它首先扭转了推算机视觉的问题界说。传统推算机视觉最常问的是：这是什么？它在哪里？这个场景若何沉建？这段视频产生了什么？这些问题共同指向一个指标：让机械更好地表征世界。具身智能把问题改写了。一个机械人看见桌上的杯子，工作并不会停在 " 鉴别这是杯子 "。它还要判断杯子的沉心、材质、杯柄朝向、可抓取区域、周围阻碍物、机械臂活动蹊径，以及拿起之后世界状态会若何扭转。也就是说，具身智能真正问的是：我能对它做什么？这一步扭转了视觉钻研的底层对象。物体不再只是类别标签，而是可抓取、可推动、可打开、可反对、可支持的实体；空间不再只是几何结构，而是可导航、可索求、可交互的工作；视频不再只是功夫序列，而是作为、变动和因果后果的线索。问题一旦被改写，评价尺度也会随之变动。传统视觉的成功大多成立在离线数据集上：分类看正确率，检测看 mAP，宰割看 IoU，沉建看误差，天生看保真度和语义一致性。具身智能带来的尺度更刻薄：模型 " 看对了 " 并不蹬宗工作成功；等思鸪隽吮，但抓取失败，视觉理解依然不够；模型沉建出了房间，但机械人无法安全导航，空间表征依然不够；视频天生看起来真切，但不能预测作为后果，世界模型依然不够。所以，具身智能把评价尺度从 " 输出是否正确 "，推向 " 行动是否有效 "。推算机视觉从前能够在视觉空间内部自洽，此刻则必须接受物理世界的检验。当问题界说和评价尺度都产生变动，步骤路线也会被沉写。VLA 模型之所以沉要，并不是由于它把 Vision、Language、Action 三个词放在一路，而是由于它沉建了智能系统的根基接口：人类用说话表白指标，机械人通过视觉理解当前世界，再把说话指标和视觉状态转化为作为序列。世界模型和物理仿真解决的，则是行动之前的后果预测；等四闷鸨，桌面状态会扭转；推开箱子，蹊径可达性会扭转；打开抽屉，新的物体味出现。若是视觉模型不能推演这些变动，它就很难支持规划。3D 空间智能也因而被沉新赋予意思。从前，三维沉建关注几何是否正确、纹理是否真实；此刻，具身智能要求三维世界是可行动的：哪里能走，哪里能抓，哪里会撞，哪里必要索求。这就是具身智能对推算机视觉步骤路线的沉写。它把视觉模型从 " 感知器 " 推向 " 行动系统的一部门 "，把 3D 从几何复原推向空间决策，把视频天生从内容合成推向物理预测，把多模态模型从视觉问答推向工作执行。而学术范式的变动，最终还必要产业现事反确认。从前，推算机视觉的产业化多产生在相对可控的感知和内容场景中。安防鉴别、工业检测、自动驾驶感知、手机影像和 AIGC，都能够在肯定水平上把视觉输出作为独立了局来使用。但机械人分歧；等艘笫泳趿司种苯咏胄卸刺。模型不能只是 " 看起来理解了 "，它必须把货箱搬起来，把零件放到位，把路线走通，把门打开，把谬误复原过来。这使得视觉模型的谬误成本产生了变动。一次鉴别谬误可能导致抓取失败，一次空间误判可能导致碰撞，一次物理预测谬误可能让战术失效。因而，产业必要的不是单点视觉能力，而是一整套面向物理世界的视觉基础设施：不变的 3D 世界表征、低延长作为天生、高质量机械人数据、可交互仿真环境、靠得住的 Sim2Real 迁徙，以及失败后的复原机造。只有 AI 持续从屏幕走向物理世界，推算机视觉就必然从 " 感知模型 " 走向 " 行动基础设施 "。这也是具身智能篡夺范式诠释权的现实基础。03从盛开世界之桥，到物理智能底座回到 2017 年 IROS 的汗青现场，李飞飞的出景象征着机械人学界对视觉智能的自动拥抱。那时，机械人若是要进入盛开世界，就必须借助视觉理解对象、场景和人类意图。视觉是机械人通往盛开世界的一座桥。而此刻 CVPR 2026 的具身智能热潮组成了另一个汗青镜像：机械人问题起头反过来迫使推算机视觉沉新理解自身。没有视觉，机械人无法理解盛开世界；但没有行动，视觉智能也很容易停顿在描述世界的层面，无法证明自己是否真正理解世界。这就是 " 从座上宾到主战场 " 的真正寓意。它不是机械人取代推算机视觉，也不是 CVPR 造成机械人会议，而是具身智能篡夺了推算机视觉的范式诠释权。它沉新界说了什么是沉要问题，什么是有效步骤，什么是成功了局，也沉新界说了视觉智能必须面对的世界。雷峰网从前，推算机视觉的主题是让机械看见世界；后来，它造成让机械理解世界；此刻，具身智能在要求机械进入世界？醇歉兄，理解是表征