从“看见”到“行动”：具身智能在CVPR 2026完成对计算机视觉的范式夺权

导语：CVPR 2026上，具身智能以主舞台姿态重构计算机视觉的底层逻辑，从问题、标准到路线完成了一次深层夺权。

漫步在 CVPR 2026 的会场，你很难不产生一种错觉：满屏的机械臂抓取、足式机器人的越野导航、以及虚拟沙盒中的物理模拟，让人仿佛误入了机器人顶会 ICRA 或 IROS 的现场。具身智能（Embodied AI）已不再是计算机视觉的边缘分支，它正以主舞台的姿态，成为这届视觉顶会最难以忽视的叙事。这种范式的易位，并非论文数量的简单碾压，而是一场问题定义、评价标准与技术路线的深层重构。

Ted Xiao「三大时代」里的具身智能拐点

要理解这场变革，不妨从 Ted Xiao 对机器人学习过去十年的三阶段复盘切入：存在性证明时代、基础模型时代和 Scaling 时代。这个框架揭示了一个关键进程：具身智能并非突然闯入计算机视觉，而是当机器人学习演进到必须向视觉研究索取更深层能力时，催生出的必然结果。

存在性证明时代：从控制问题到数据驱动

在第一个阶段，研究者忙着回答一系列根本问题：端到端的数据驱动方法能否在真实机器人上工作？强化学习能否控制机械臂？模仿学习能否完成抓取？真实硬件采集的数据能否训练出稳定策略？此时的机器人学习带有强烈的“实验室证明”色彩，视觉虽然重要，但更多是作为输入模块存在——它负责感知物体位置和场景状态，但学习的真正压力来自控制稳定性、硬件误差和样本效率。视觉是必要条件，却还不是范式重组的中心。

基础模型时代：融合语言、视觉与动作

随着大语言模型、视觉语言模型和多模态大模型的发展，机器人学习迎来了第一次重要转向。机器人不再只学习单一技能，而是开始吸收互联网规模数据中的语义理解能力。它不仅要知道机械臂如何移动，还要理解“把红色杯子放到盘子旁边”这样的自然语言指令；不仅要识别物体，还要理解开放词汇、空间关系、任务意图和人类常识。SayCan、RT-1、RT-2 等路线的意义正在于此：它们将语言、视觉和动作首次压进同一个建模框架——语言给出目标，视觉理解状态，模型生成动作，动作改变世界，世界反馈又回到视觉输入。这个阶段，计算机视觉与机器人学习的关系开始发生质变：机器人对视觉的需求不再只是“看见物体”，而是“理解开放世界并转化为行动”。视觉被推向了更高层的要求。

Scaling 时代：视觉成为物理智能的底层基础设施

当机器人学习进入规模化，它需要的基础设施几乎全部与计算机视觉深度绑定：需要从海量视频中学习人类动作和物体交互，需要 3D 场景理解支撑空间推理，需要世界模型预测动作后果，需要仿真和合成数据弥补真实数据的稀缺，需要将语言目标映射到视觉状态和动作序列，也需要在长程任务中维持对场景、记忆和目标的持续理解。这一刻，机器人问题不再只是机器人学本身所能完成，它必须借助计算机视觉在视觉表征、视频理解、三维重建、多模态对齐和世界建模上的长期积累。Ted Xiao 的三大时代复盘因此揭示了这场“范式夺权”的历史条件：当机器人学习进入 Scaling 阶段，视觉便从外部插件蜕变为物理智能的真正底座。

问题、标准与路线的重写

有了以上时间线，CVPR 2026 上 VLA、机器人操作、移动导航、世界模型、Sim2Real 等主题的集中涌现就不难理解——它们并非多个热点的并排爆发，而是同一条范式迁移链路的集中显影。具身智能从三个维度重写了计算机视觉的底层逻辑。

问题定义的转移：从“这是什么？”到“我能对它做什么？”

传统计算机视觉的核心问题是：图像里是什么？它在哪里？这个场景如何重建？而具身智能把问题推进到另一层：一个机器人看见桌上的杯子，任务不会停在“识别这是杯子”。它还要判断杯子的重心、材质、杯柄朝向、可抓取区域、周围障碍物、机械臂运动路径，以及拿起之后世界状态会如何改变。换言之，具身智能真正问的是：“我能对它做什么？”这一步改变了视觉研究的底层对象——物体不再是孤立的类别标签，而是可抓取、可推动、可打开、可阻挡、可支撑的实体；空间不再只是几何结构，而是可导航、可探索、可交互的任务场；视频不再只是时间序列，而是动作、变化和因果后果的线索。

评价标准的重塑：从“输出正确”到“行动有效”

传统视觉的成功多建立在离线数据集上：分类看准确率，检测看 mAP，分割看 IoU，重建看误差。具身智能带来的标准更苛刻：模型“看对了”并不等于任务成功。机器人识别出了杯子但抓取失败，视觉理解仍然不够；模型重建出了房间但无法安全导航，空间表征仍然不够；视频生成看起来逼真但不能预测动作后果，世界模型仍然不够。具身智能把评价标准从“输出是否正确”推向“行动是否有效”，计算机视觉过去可以在视觉空间内部自洽，现在则必须接受物理世界的检验。

方法路线的重构：从感知器到行动系统

当问题定义和评价标准都发生变化，技术路线也随之被重写。VLA 模型重建了智能系统的基本接口：人类用语言表达目标，机器人通过视觉理解世界，再将目标与状态转化为动作序列。世界模型和物理仿真解决的是行动之前的后果预测：机器人拿起杯子，桌面状态会改变；推开箱子，路径可达性会改变；打开抽屉，新的物体会出现。如果视觉模型不能推演这些变化，就很难支撑规划。3D 空间智能也因此被重新赋予意义：过去它只关心几何是否准确，现在则要求三维世界是可行动的——哪里能走，哪里能抓，哪里会撞，哪里需要探索。具身智能将视觉模型从“感知器”推向“行动系统的一部分”，把视频生成从内容合成推向物理预测，把多模态模型从视觉问答推向任务执行。

学术范式的变化最终需要产业现实来确认。机器人要求视觉结果直接进入行动链条，这使得视觉模型的错误成本急剧上升：一次识别错误可能导致抓取失败，一次空间误判可能导致碰撞，一次物理预测错误可能让策略失效。产业需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：稳定的 3D 世界表征、低延迟动作生成、高质量机器人数据、可交互仿真环境、可靠的 Sim2Real 迁移以及失败后的恢复机制。只要 AI 继续从屏幕走向物理世界，计算机视觉就必然从“感知模型”走向“行动基础设施”。

从开放世界之桥，到物理智能底座

回到 2017 年 IROS 的历史现场，李飞飞作为计算机视觉泰斗受邀演讲，象征着机器人学界对视觉智能的主动拥抱——那时，机器人若要进入开放世界，必须借助视觉理解对象、场景和人类意图。视觉是机器人通往开放世界的一座桥。而如今 CVPR 2026 的具身智能热潮构成了另一个历史镜像：机器人问题开始反过来迫使计算机视觉重新理解自身。没有视觉，机器人无法理解开放世界；但没有行动，视觉智能也很容易停留在描述世界的层面，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”的真正含义。它不是机器人取代计算机视觉，也不是 CVPR 变成机器人会议，而是具身智能夺取了计算机视觉的范式解释权。它重新定义了什么是重要问题，什么是有效方法，什么是成功结果，也重新定义了视觉智能必须面对的世界。过去，计算机视觉的核心是让机器看见世界；后来，它变成让机器理解世界；现在，具身智能正在要求机器进入世界。看见是感知，理解是表征，行动才是对理解的最终检验。