在CCF GAIR 2019（全球人工智能與機器人峰會）上，騰訊AI Lab Robotics X實驗室主任張正友博士以其深厚的學(xué)術(shù)積淀與前沿的產(chǎn)業(yè)視角，發(fā)表了題為“計算機視覺的三生三世”的精彩演講。本次演講不僅系統(tǒng)梳理了計算機視覺技術(shù)的發(fā)展脈絡(luò)，更結(jié)合騰訊在AI與機器人領(lǐng)域的探索，揭示了該技術(shù)從感知到認知、再到行動的演進軌跡，以及對未來技術(shù)開發(fā)和產(chǎn)業(yè)應(yīng)用的深遠影響。

第一生：從“看見”到“看懂”——感知智能的崛起

張正友博士首先回顧了計算機視覺的“第一生”，即從圖像處理到模式識別的經(jīng)典時期。這一階段的核心目標是讓機器“看見”，即從像素中提取邊緣、角點、紋理等特征，進而完成物體識別、目標檢測等基礎(chǔ)任務(wù)。算法從傳統(tǒng)的SIFT、HOG特征描述子，發(fā)展到基于統(tǒng)計學(xué)習(xí)的模型。這一時期的技術(shù)突破，為安防、醫(yī)療影像等領(lǐng)域的初步自動化奠定了基礎(chǔ)，但機器的“理解”仍停留在表層特征匹配，缺乏對場景的深度語義解析。

第二世：深度學(xué)習(xí)的革命——認知智能的飛躍

演講的重點落在了計算機視覺的“第二世”，即深度學(xué)習(xí)驅(qū)動下的爆發(fā)式增長。張博士指出，卷積神經(jīng)網(wǎng)絡(luò)（CNN）的復(fù)興，尤其是AlexNet在2012年ImageNet競賽中的突破性表現(xiàn)，徹底改變了領(lǐng)域格局。機器不再僅僅“看見”輪廓，而是開始“看懂”內(nèi)容——識別千類萬物、理解復(fù)雜場景、甚至生成逼真圖像。這一階段，計算機視覺技術(shù)與自然語言處理、語音識別深度融合，催生了跨模態(tài)理解能力，例如圖像描述、視覺問答等。張博士分享了騰訊AI Lab在視頻理解、人臉識別、醫(yī)療影像分析等方面的前沿成果，體現(xiàn)了認知智能在產(chǎn)業(yè)落地中的巨大價值。

第三世：從認知到行動——具身智能的未來

最為前瞻的部分，張正友博士闡述了正在開啟的“第三世”：計算機視覺與機器人學(xué)的深度融合，即“具身視覺”或“機器人視覺”。這標志著技術(shù)從被動“看懂”世界，邁向主動“交互”與“改變”世界。在這一階段，視覺系統(tǒng)不僅是感知器官，更是機器人決策與行動的核心導(dǎo)航與反饋系統(tǒng)。它需要解決動態(tài)環(huán)境中的實時定位與地圖構(gòu)建（SLAM）、手眼協(xié)調(diào)、復(fù)雜操作等挑戰(zhàn)。作為騰訊Robotics X實驗室的負責(zé)人，張博士特別強調(diào)了其在機器人感知、決策與控制一體化方面的探索，例如靈巧操作、移動導(dǎo)航等，目標是打造能夠適應(yīng)復(fù)雜物理世界的智能體。這不僅是技術(shù)的演進，更是計算機視覺從虛擬信息處理走向?qū)嶓w世界交互的關(guān)鍵一躍，將為智能制造、無人駕駛、家庭服務(wù)機器人等帶來革命性變化。

計算機技術(shù)開發(fā)的啟示與展望

貫穿整個演講，張正友博士結(jié)合其領(lǐng)導(dǎo)騰訊AI Lab Robotics X的實踐經(jīng)驗，對計算機技術(shù)開發(fā)提出了深刻見解。他認為，未來技術(shù)的發(fā)展必然是跨學(xué)科的融合，計算機視覺需要與強化學(xué)習(xí)、機器人學(xué)、認知科學(xué)更緊密結(jié)合。技術(shù)的落地必須緊密結(jié)合真實場景的需求，解決數(shù)據(jù)稀缺、模型可解釋性、安全倫理等核心挑戰(zhàn)。騰訊正通過“AI in All”的戰(zhàn)略，將包括視覺在內(nèi)的AI能力賦能于游戲、內(nèi)容、社交、醫(yī)療等廣泛領(lǐng)域，而Robotics X則聚焦于前沿的通用人工智能與實體智能研究。

張正友博士在CCF GAIR 2019的演講，以“三生三世”為喻，清晰勾勒出計算機視覺從感知、認知到行動的宏大技術(shù)史詩。這既是對過往成就的，更是對尤其是視覺與機器人結(jié)合所開啟的“第三世”的激昂展望。它為全球的計算機技術(shù)開發(fā)者與研究者指明了一個方向：人工智能的終極使命，或許是創(chuàng)造出能夠像人一樣，通過視覺感知世界、理解世界并最終靈巧作用于世界的智能機器。騰訊在此征程中的布局與實踐，無疑將成為推動這一未來加速到來的重要力量。