從「座上賓」到「主戰(zhàn)場」：具身智能如何完成對計算機(jī)視覺的「范式奪權(quán)」？| CVPR 2026

當(dāng)機(jī)器從識別圖像走向介入現(xiàn)實，視覺研究的邊界也被重新劃定。

作者丨鄭佳美

編輯丨馬曉寧

如果您漫步在 CVPR 2026 的會場，會產(chǎn)生一種強(qiáng)烈的錯覺：自己是不是跑錯了場館，誤入了 ICRA 或者 IROS 的現(xiàn)場？滿屏的機(jī)械臂抓取、足式機(jī)器人的越野導(dǎo)航、以及在虛擬沙盒中進(jìn)行千億次迭代的物理模擬。

具身智能（Embodied AI）已經(jīng)不再是視覺領(lǐng)域的一個“邊緣分支”，而是以一種占據(jù)主舞臺的姿態(tài)，成為視覺頂會最難被忽視的敘事之一。

這種范式的易位，讓人們不禁回想起 2017 年機(jī)器人學(xué)界的頂級盛會 IROS。當(dāng)時，機(jī)器人專家們打破了固守多年的運(yùn)動學(xué)控制圈層，邀請計算機(jī)視覺泰斗、ImageNet 奠基人李飛飛做主題演講。

在那個時刻，視覺對于機(jī)器人而言，更像是一個“尊貴的外部插件”：機(jī)器人學(xué)是主，計算機(jī)視覺是客。機(jī)器人真正的知識核心，仍然是運(yùn)動學(xué)、動力學(xué)、控制、規(guī)劃、執(zhí)行器和系統(tǒng)工程；視覺負(fù)責(zé)把外部世界翻譯成機(jī)器人能夠使用的狀態(tài)信息，卻并不真正決定機(jī)器人學(xué)的問題邊界。

九年之后，機(jī)器人和計算機(jī)視覺的融合已進(jìn)入新的里程碑。在計算機(jī)視覺領(lǐng)域，我們甚至可以看到具身智能“反客為主”的表現(xiàn)。

這種“反客為主”，并不是說機(jī)器人論文在視覺頂會中數(shù)量變多了，也不是說 CVPR 正在變成另一個 ICRA 或 IROS。真正重要的是，具身智能正在改變計算機(jī)視覺判斷自身價值的方式。

過去，視覺研究的中心問題是：機(jī)器如何從圖像中提取語義，從視頻中理解事件，從多視角中還原三維結(jié)構(gòu)。今天，具身智能把問題推進(jìn)到了另一層：視覺系統(tǒng)不僅要看懂世界，還要支持一個智能體進(jìn)入世界、改變世界，并在行動反饋中重新校正自己對世界的理解。

這才是所謂“范式奪權(quán)”的本質(zhì)。一個方向真正完成“奪權(quán)”，從來不是靠論文數(shù)量取勝，而是靠重新定義整個領(lǐng)域的問題入口、評價標(biāo)準(zhǔn)和技術(shù)路線。

如果說過去的計算機(jī)視覺是在屏幕中理解世界，那么具身智能正在迫使它走出屏幕，在真實空間、真實物體和真實動作中重新證明自己。

01

Ted Xiao「三大時代」里的具身智能拐點(diǎn)

要理解具身智能為什么會在 CVPR 2026 中形成如此強(qiáng)的存在感，不能只從這一屆會議本身看起。更準(zhǔn)確的切口，是 Ted Xiao 對機(jī)器人學(xué)習(xí)過去十年發(fā)展的三階段復(fù)盤：存在性證明時代、基礎(chǔ)模型時代和 Scaling 時代。

這個框架之所以重要，是因為它解釋了一個關(guān)鍵問題：具身智能并不是突然進(jìn)入計算機(jī)視覺中心的，而是在機(jī)器人學(xué)習(xí)自身演進(jìn)到某個階段之后，必然開始向視覺研究索取更深層的能力。

換句話說，CVPR 2026 所呈現(xiàn)出的變化，不是一個會議熱點(diǎn)的偶然輪換，而是機(jī)器人學(xué)習(xí)從控制問題、數(shù)據(jù)問題，進(jìn)一步演變成世界理解問題后的自然結(jié)果。

第一個階段是存在性證明時代。這個階段的核心問題是：端到端的數(shù)據(jù)驅(qū)動方法到底能不能在真實機(jī)器人上工作？強(qiáng)化學(xué)習(xí)能不能控制機(jī)械臂？模仿學(xué)習(xí)能不能完成抓取？真實硬件采集的數(shù)據(jù)能不能訓(xùn)練出穩(wěn)定策略？

這一時期的機(jī)器人學(xué)習(xí)還帶有很強(qiáng)的“實驗室證明”色彩。研究者需要先證明，深度學(xué)習(xí)不只是能在 Atari、圍棋和圖像分類中奏效，也能面對真實世界中連續(xù)、高維、噪聲極強(qiáng)的物理系統(tǒng)。

在這個階段，視覺當(dāng)然重要，但它更多是機(jī)器人系統(tǒng)中的輸入模塊。機(jī)器人需要視覺來感知物體位置、場景狀態(tài)和外部環(huán)境，但機(jī)器人學(xué)習(xí)的主要壓力仍然來自控制穩(wěn)定性、硬件誤差、樣本效率、數(shù)據(jù)采集成本和真實環(huán)境不確定性。視覺是必要條件，卻還不是范式重組的中心。

第二個階段是基礎(chǔ)模型時代。隨著大語言模型、視覺語言模型和多模態(tài)大模型的發(fā)展，機(jī)器人學(xué)習(xí)開始發(fā)生第一次重要轉(zhuǎn)向。機(jī)器人不再只是學(xué)習(xí)某個單一技能，而是開始吸收互聯(lián)網(wǎng)規(guī)模數(shù)據(jù)中形成的語義理解能力。

它不僅要知道機(jī)械臂如何移動，還要理解“把紅色杯子放到盤子旁邊”這樣的自然語言指令；不僅要識別物體，還要理解開放詞匯、空間關(guān)系、任務(wù)意圖和人類常識。

SayCan、RT-1、RT-2 這類路線的意義正在于此。它們并不只是讓機(jī)器人“聽懂更多話”，而是讓視覺、語言和動作第一次被壓進(jìn)同一個建模框架中：語言給出目標(biāo)，視覺理解狀態(tài)，模型生成動作，動作改變世界，世界反饋又回到視覺輸入之中。

到了這個階段，計算機(jī)視覺和機(jī)器人學(xué)習(xí)的關(guān)系已經(jīng)開始變化。機(jī)器人對視覺的需求，不再只是“幫我看見物體在哪里”，而是“幫我理解一個開放世界，并把這種理解轉(zhuǎn)化為行動”。這已經(jīng)不是傳統(tǒng)意義上的視覺模塊調(diào)用，而是對視覺研究提出了更高層的要求。

第三個階段是 Scaling 時代。也正是在這個階段，CVPR 的位置變得不可替代。因為一旦機(jī)器人學(xué)習(xí)進(jìn)入規(guī)模化，它需要的基礎(chǔ)設(shè)施幾乎全部與計算機(jī)視覺深度綁定：

它需要從海量視頻中學(xué)習(xí)人類動作和物體交互，需要用 3D 場景理解支撐空間推理，需要用世界模型預(yù)測動作后果，需要通過仿真和合成數(shù)據(jù)彌補(bǔ)真實機(jī)器人數(shù)據(jù)的稀缺，需要把語言目標(biāo)映射到視覺狀態(tài)和動作序列，也需要在長程任務(wù)中維持對場景、記憶和目標(biāo)的持續(xù)理解。

這就是為什么具身智能會在 CVPR 2026 中顯得像一次集中爆發(fā)。機(jī)器人學(xué)習(xí)早期更像是在解決“能不能讓機(jī)器人動起來”；基礎(chǔ)模型時代開始解決“能不能讓機(jī)器人理解指令和場景”；而到了 Scaling 時代，真正的問題變成了“能不能讓機(jī)器人在開放世界中規(guī)模化地學(xué)習(xí)、泛化和行動”。

這個問題已經(jīng)不再是機(jī)器人學(xué)單獨(dú)能夠完成的，它必須借助計算機(jī)視覺在視覺表征、視頻理解、三維重建、多模態(tài)對齊、生成建模和世界建模上的長期積累。因此，Ted Xiao 的三大時代復(fù)盤實際上揭示了這場“范式奪權(quán)”的歷史條件：只有當(dāng)機(jī)器人學(xué)習(xí)進(jìn)入 Scaling 階段，視覺才會從機(jī)器人系統(tǒng)中的外部插件，變成物理智能的底層基礎(chǔ)設(shè)施。

02

三重「奪權(quán)」：

問題、標(biāo)準(zhǔn)與路線的重寫

有了 Ted Xiao 的時間線，再回到 CVPR 2026，很多現(xiàn)象就不再顯得孤立。

VLA、機(jī)器人操作、移動導(dǎo)航、人形機(jī)器人、世界模型、Sim2Real、物理仿真、3D 空間智能和自動駕駛等主題集中出現(xiàn)，并不是多個熱點(diǎn)并排爆發(fā)，而是同一條范式遷移鏈路在視覺頂會中的集中顯影。

過去，CVPR 的很多核心任務(wù)可以被理解為從視覺輸入到視覺表征的映射：圖像到類別，圖像到框，圖像到 mask，圖像到 depth，圖像到 3D，視頻到事件，文本到圖像。

具身智能則要求建立一條更長的鏈路：視覺輸入進(jìn)入語言理解，語言目標(biāo)進(jìn)入任務(wù)規(guī)劃，任務(wù)規(guī)劃進(jìn)入動作生成，動作結(jié)果回到視覺反饋，反饋再更新模型對世界的判斷。

這條鏈路一旦成為主流，計算機(jī)視覺的研究對象就會發(fā)生變化。圖像不再只是被理解的對象，而是行動決策的起點(diǎn)；視頻不再只是時間序列，而是動作、變化和因果后果的載體；三維重建不再只是幾何恢復(fù)，而是智能體導(dǎo)航、操作和交互的空間底座；生成模型不再只是為了生成逼真的內(nèi)容，而是要生成可用于訓(xùn)練、預(yù)測和評估行動策略的世界。

這就是 CVPR 2026 的標(biāo)志性意義。它不是具身智能第一次出現(xiàn)在視覺頂會中，卻可能是具身智能第一次如此清晰地改變視覺頂會的敘事重心。過去，機(jī)器人是視覺技術(shù)的應(yīng)用場景；現(xiàn)在，機(jī)器人問題開始成為視覺研究重新定義自身的一面鏡子。

而所謂具身智能的“范式奪權(quán)”，正是從這里開始的：它首先改變了計算機(jī)視覺的問題定義。

傳統(tǒng)計算機(jī)視覺最常問的是：這是什么？它在哪里？這個場景如何重建？這段視頻發(fā)生了什么？這些問題共同指向一個目標(biāo)：讓機(jī)器更好地表征世界。

具身智能把問題改寫了。一個機(jī)器人看見桌上的杯子，任務(wù)并不會停在“識別這是杯子”。它還要判斷杯子的重心、材質(zhì)、杯柄朝向、可抓取區(qū)域、周圍障礙物、機(jī)械臂運(yùn)動路徑，以及拿起之后世界狀態(tài)會如何改變。也就是說，具身智能真正問的是：我能對它做什么？

這一步改變了視覺研究的底層對象。物體不再只是類別標(biāo)簽，而是可抓取、可推動、可打開、可阻擋、可支撐的實體；空間不再只是幾何結(jié)構(gòu)，而是可導(dǎo)航、可探索、可交互的任務(wù)場；視頻不再只是時間序列，而是動作、變化和因果后果的線索。

問題一旦被改寫，評價標(biāo)準(zhǔn)也會隨之變化。傳統(tǒng)視覺的成功大多建立在離線數(shù)據(jù)集上：分類看準(zhǔn)確率，檢測看 mAP，分割看 IoU，重建看誤差，生成看保真度和語義一致性。具身智能帶來的標(biāo)準(zhǔn)更苛刻：模型“看對了”并不等于任務(wù)成功。

機(jī)器人識別出了杯子，但抓取失敗，視覺理解仍然不夠；模型重建出了房間，但機(jī)器人無法安全導(dǎo)航，空間表征仍然不夠；視頻生成看起來逼真，但不能預(yù)測動作后果，世界模型仍然不夠。

所以，具身智能把評價標(biāo)準(zhǔn)從“輸出是否正確”，推向“行動是否有效”。計算機(jī)視覺過去可以在視覺空間內(nèi)部自洽，現(xiàn)在則必須接受物理世界的檢驗。

當(dāng)問題定義和評價標(biāo)準(zhǔn)都發(fā)生變化，方法路線也會被重寫。VLA 模型之所以重要，并不是因為它把 Vision、Language、Action 三個詞放在一起，而是因為它重建了智能系統(tǒng)的基本接口：人類用語言表達(dá)目標(biāo)，機(jī)器人通過視覺理解當(dāng)前世界，再把語言目標(biāo)和視覺狀態(tài)轉(zhuǎn)化為動作序列。

世界模型和物理仿真解決的，則是行動之前的后果預(yù)測。機(jī)器人拿起杯子，桌面狀態(tài)會改變；推開箱子，路徑可達(dá)性會改變；打開抽屜，新的物體會出現(xiàn)。如果視覺模型不能推演這些變化，它就很難支撐規(guī)劃。

3D 空間智能也因此被重新賦予意義。過去，三維重建關(guān)注幾何是否準(zhǔn)確、紋理是否真實；現(xiàn)在，具身智能要求三維世界是可行動的：哪里能走，哪里能抓，哪里會撞，哪里需要探索。

這就是具身智能對計算機(jī)視覺方法路線的重寫。它把視覺模型從“感知器”推向“行動系統(tǒng)的一部分”，把 3D 從幾何恢復(fù)推向空間決策，把視頻生成從內(nèi)容合成推向物理預(yù)測，把多模態(tài)模型從視覺問答推向任務(wù)執(zhí)行。

而學(xué)術(shù)范式的變化，最終還需要產(chǎn)業(yè)現(xiàn)實來確認(rèn)。過去，計算機(jī)視覺的產(chǎn)業(yè)化多發(fā)生在相對可控的感知和內(nèi)容場景中。安防識別、工業(yè)檢測、自動駕駛感知、手機(jī)影像和 AIGC，都可以在一定程度上把視覺輸出作為獨(dú)立結(jié)果來使用。

但機(jī)器人不同。機(jī)器人要求視覺結(jié)果直接進(jìn)入行動鏈條。模型不能只是“看起來理解了”，它必須把貨箱搬起來，把零件放到位，把路線走通，把門打開，把錯誤恢復(fù)過來。

這使得視覺模型的錯誤成本發(fā)生了變化。一次識別錯誤可能導(dǎo)致抓取失敗，一次空間誤判可能導(dǎo)致碰撞，一次物理預(yù)測錯誤可能讓策略失效。

因此，產(chǎn)業(yè)需要的不是單點(diǎn)視覺能力，而是一整套面向物理世界的視覺基礎(chǔ)設(shè)施：穩(wěn)定的 3D 世界表征、低延遲動作生成、高質(zhì)量機(jī)器人數(shù)據(jù)、可交互仿真環(huán)境、可靠的 Sim2Real 遷移，以及失敗后的恢復(fù)機(jī)制。

只要 AI 繼續(xù)從屏幕走向物理世界，計算機(jī)視覺就必然從“感知模型”走向“行動基礎(chǔ)設(shè)施”。這也是具身智能奪取范式解釋權(quán)的現(xiàn)實基礎(chǔ)。

03

從開放世界之橋，到物理智能底座

回到 2017 年 IROS 的歷史現(xiàn)場，李飛飛的出現(xiàn)象征著機(jī)器人學(xué)界對視覺智能的主動擁抱。那時，機(jī)器人如果要進(jìn)入開放世界，就必須借助視覺理解對象、場景和人類意圖。視覺是機(jī)器人通往開放世界的一座橋。

而現(xiàn)在 CVPR 2026 的具身智能熱潮構(gòu)成了另一個歷史鏡像：機(jī)器人問題開始反過來迫使計算機(jī)視覺重新理解自身。沒有視覺，機(jī)器人無法理解開放世界；但沒有行動，視覺智能也很容易停留在描述世界的層面，無法證明自己是否真正理解世界。

這就是“從座上賓到主戰(zhàn)場”的真正含義。

它不是機(jī)器人取代計算機(jī)視覺，也不是 CVPR 變成機(jī)器人會議，而是具身智能奪取了計算機(jī)視覺的范式解釋權(quán)。它重新定義了什么是重要問題，什么是有效方法，什么是成功結(jié)果，也重新定義了視覺智能必須面對的世界。

過去，計算機(jī)視覺的核心是讓機(jī)器看見世界；后來，它變成讓機(jī)器理解世界；現(xiàn)在，具身智能正在要求機(jī)器進(jìn)入世界。看見是感知，理解是表征，行動才是對理解的最終檢驗。

這次去 CVPR 現(xiàn)場，一定不要錯過

【認(rèn)識大牛+賺外快】的機(jī)會

需要你做什么：把你最關(guān)注的10個大會報告，每頁P(yáng)PT都拍下來

你能獲得什么？

認(rèn)識大牛：你將可以進(jìn)入CVPR名師博士社群；

錢多活少：提供豐厚獎金，任務(wù)量精簡；

聽會自由：你的行程你做主，順手就把外快賺。拍下你最感興趣的10個報告PPT即可。

如果你即將前往CVPR，想邊聽會邊賺錢，還能順便為AI學(xué)術(shù)社區(qū)做貢獻(xiàn)、認(rèn)識更多大牛，歡迎聯(lián)系我們：[添加微信號:MS_Yahei]

【限額5位，先到先得】

未經(jīng)「AI科技評論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標(biāo)注來源并插入本公眾號名片。