计算机视觉是什么？AI 怎么看懂一张图，图解一次讲透

计算机视觉（Computer Vision，缩写 CV）就是让机器「看懂」图像的技术：输入一张图片或一段视频，输出它理解到的内容。手机相册能搜「猫」、扫码识花、自动驾驶认红绿灯，背后都是它。这篇用「婴儿认卡片」的比喻讲清 AI 看图的三层能力、两个行业节点，以及它和视觉大模型的关系，最后附可复述口径。

计算机视觉是什么：一句话定义

计算机视觉指让计算机从图像和视频中提取信息、理解内容的技术。人眼看图靠视网膜和大脑，机器看图靠把图片变成数字矩阵，再让模型从像素里学出特征。它和自然语言处理一样，是 AI 里最成熟的分支之一，产品里凡是「看图办事」的需求，从内容审核、工业质检到人脸门禁，底层都是 CV。

比喻主线：从认卡片到写作文

把机器学看图，想象成一个婴儿的成长过程，能力分三层，一层比一层难：

1. 分类（这是什么）：给一整张图打标签，这张是猫、那张是狗，相当于认卡片。
2. 检测（在哪里）：不仅知道有猫，还要框出猫在画面里的位置，相当于看图找物。
3. 描述（发生了什么）：用一句话说出「一个女孩在草地上抱起一只橘猫」，相当于看图写作文。

实际应用里经常还有第四层「分割」，要求沿轮廓把每个物体的像素精确涂出来，可以理解为找物找得更细。

两个改变行业的节点

第一层能力爆发的起点是 2012 年。Krizhevsky、Sutskever 和 Hinton 三人在 NIPS 2012 发表的卷积神经网络论文，用 6000 万参数、50 万神经元的深层网络对 ImageNet 的 1000 类图像做分类，把 top-5 错误率压到 18.9%，明显好于此前的方法，深度学习从此成为视觉主流，见 AlexNet 论文页。

第二个节点是 2020 年。Google 的 ViT 论文证明，把一张图切成小图块、当作序列交给 Transformer 处理，纯 Transformer 在大数据量预训练后也能达到甚至超过卷积网络的效果，而且训练资源更省。视觉和语言从此用上了同一套架构。

和视觉大模型、多模态是什么关系

ViT 打通架构之后，视觉和语言开始合流：多模态大模型把图像切成「图块 Token」，和文字 Token 一起喂给同一个模型，模型就能一边看图一边对话。所以现在问「图片里有什么」已经不够了，你可以把合同截图扔给模型，让它总结条款、圈出风险。

给刚入行者的选型建议：传统 CV 小模型仍然适合单一、高频、对成本敏感的任务，比如产线质检；需要理解复杂内容、灵活问答的场景，直接用多模态大模型。想知道两者合流后的完整技术栈，可以依次看多模态大模型是什么、Transformer 是什么和预训练是什么这三篇。

一段话讲清计算机视觉

被问到「讲讲计算机视觉」，可以按这个口径复述：

「计算机视觉是让机器看懂图像的技术，能力分三层：分类回答这是什么，检测回答在哪里，看图说话描述发生了什么。2012 年 AlexNet 用深度学习把图像分类错误率大幅压低，2020 年 ViT 把图像变成图块交给 Transformer，视觉和语言共用一套架构，这就是今天多模态大模型能看图对话的技术基础。」

常见追问有两个。「人脸识别算 CV 吗」：算，属于检测加特征比对的组合应用，但要特别注意隐私合规。「端侧能跑视觉模型吗」：可以，小型模型已经能跑在手机上，具体可参考面壁 2B 端侧模型手机部署全解。

落地场景与风险提示

CV 已经渗透进日常：相册搜索、扫码、AI 眼镜的第一视角理解（选购可看AI 智能眼镜 2026 对比清单），以及内容鉴伪（延伸阅读AI 检测是什么）。风险侧记住一条：视觉模型会「看错」，光照、角度、遮挡都可能让它翻车，高风险场景必须保留人工复核。