计算机视觉的演进史：模型到底把“知识”存哪了？

从2001年那个在Pentium III上跑15fps的脸部检测器，到现在的SAM 3能通过一句“黄色校车”就精准抠图，视觉模型在25年间完成的不是简单的算力升级，而是“知识存储位置”的根本性迁移。

把这个演进过程拆解开看，其实就是一套关于“谁在定义特征”的权力交接史：

一、手动定义特征时代（工程师的大脑）
在深度学习霸权之前，视觉模型的“知识”其实存储在开发者的脑子里。工程师得手动写代码定义什么是边缘、什么是角点、什么是对比度模式。

• 核心逻辑： 像素 → 人工设计的特征 → 分类器。
• 代表作： Canny边缘检测、Harris角点检测，以及著名的Viola-Jones人脸检测。

这个时期的一个残酷教训是：如果前端特征提取时把某些信息丢了，后面的分类器无论怎么优化都找不回来。这意味着工程师必须在设计之初就预判好尺度、旋转和光照的鲁棒性。

二、卷积神经网络时代（权重的分布）
随着CNN的崛起，知识从代码变成了权重。模型不再依赖工程师告诉它“圆圈长什么样”，而是在海量标注数据中通过反向传播自己学习卷积核。

• 核心逻辑： 像素 → 可学习的卷积层 → 语义特征 → 分类。

这时候，知识被编码在数百万个参数的权重分布中。虽然我们能可视化前几层在看边缘，后几层在看物体部件，但这种知识是“碎片化”且难以通过人类语言直接干预的。

三、大模型与多模态时代（预训练的表征空间）
到了现在的Foundation Model阶段，知识被存储在了一个巨大的、跨模态的表征空间里。像素不再仅仅被映射为类别，而是被映射为与语言对齐的向量。

• 核心逻辑： 像素 → 预训练视觉编码器 → 语言提示词(Prompt)引导 → 实例掩码/描述。

像SAM 3这类模型，其知识是通用的。它不需要为每个物体单独训练，而是利用预训练阶段建立的视觉-语言联系，通过提示词在潜空间中定位目标。

从实战角度看，这种迁移改变了我们的开发模式。以前调优是改数学公式或特征算子，后来是调超参数和网络架构，现在则是写Prompt或进行微调(Fine-tuning)。但无论存储位置怎么变，数据质量和几何一致性这些底层坑依然存在。