视觉智能的觉醒时刻：当“看见”开始“思考”
在人工智能的发展历程中，计算机视觉长期扮演着“感知者”的角色——它擅长识别物体、分割图像、追踪运动，却鲜少涉足“理解”的深层领域。然而，随着大语言模型在推理能力上的突飞猛进，尤其是Test-time Scaling（TTS）技术的成熟，视觉系统也迎来了属于自己的“认知跃迁”时刻。2026年6月，CVPR将再度聚焦这一前沿方向，举办第二届ViSCALE研讨会，主题直指视觉智能的“System 2”转型：从直觉反应迈向深度推理。
从像素到世界：视觉范式的根本转变
传统视觉模型的工作方式类似于条件反射——输入一张图片，输出一个标签或边界框。这种“端到端”的映射虽然高效，却缺乏对物理世界因果关系的理解。例如，一个模型可以准确识别出画面中的球正在下落，却无法推断它接下来会反弹多高，或是否会撞到障碍物。这种局限性在自动驾驶、机器人导航等需要长期规划与动态决策的场景中尤为突出。
ViSCALE 2.0的核心主张，是打破这种被动响应模式。通过引入测试时计算扩展机制，模型不再局限于训练阶段固定的推理路径，而是能够在面对复杂任务时动态分配计算资源，进行多步推演。这类似于人类在解决难题时的“慢思考”过程：先观察，再假设，接着验证，必要时修正判断。这种能力使得视觉系统有望构建起符合物理规律的世界模型（World Models），从而在视频生成、具身智能等领域实现质的飞跃。
空间推理：突破二维牢笼
当前大多数视觉模型仍被困在二维图像平面中。即便3D重建技术不断进步，其本质仍是将三维信息压缩为二维表示。真正的空间智能，要求模型能在三维坐标系中自由导航、预测物体交互、理解遮挡关系。ViSCALE特别关注这一方向，鼓励研究者探索如何让模型具备类似人类的几何直觉。
例如，在机器人抓取任务中，模型不仅需要识别目标物体的位置，还需预判其形状、材质、重心分布，并规划机械臂的运动轨迹。这涉及复杂的物理仿真与因果推理，远超传统目标检测的能力范围。类似地，在自动驾驶场景中，车辆必须理解道路拓扑、行人意图、交通规则之间的动态关系，而非仅仅识别红绿灯或车道线。这些任务都要求视觉系统从“看见”升级为“理解”。
视觉思维链：让模型学会“自问自答”
受大语言模型中Chain-of-Thought（思维链）启发，ViSCALE提出Visual CoT（视觉思维链）的概念。其核心思想是引导模型在输出最终结果前，显式地生成中间推理步骤。比如，在回答“图中人物接下来会做什么？”时，模型可以先分析人物姿态、环境线索、常见行为模式，再综合判断其意图。
这种机制不仅提升了推理的透明度，也为模型自我修正提供了可能。当初步判断与后续观察矛盾时，模型可回溯推理链条，调整假设。更重要的是，Visual CoT有助于缓解“幻觉”问题——即模型基于错误前提生成看似合理但实际荒谬的结论。通过强制模型暴露其推理过程，研究者能更有效地诊断和修正系统性偏差。
Scaling Laws的新维度：计算即能力
传统Scaling Laws主要关注训练数据量、模型参数量与性能之间的关系。而ViSCALE关注的则是测试时计算量（Test-time Compute）与推理能力之间的关联。初步实验表明，在相同模型架构下，适当增加推理阶段的计算资源，可显著提升复杂视觉任务的表现。这为“小模型+高推理预算”的部署策略提供了理论支持，尤其适用于边缘设备或实时系统。
然而，这一路径也带来新的挑战：如何高效分配计算资源？哪些任务值得“深度思考”？如何避免过度推理导致的延迟？ViSCALE鼓励提交相关理论研究，探索TTS在视觉领域的适用边界与优化策略。
开放与碰撞：学术生态的积极信号
值得注意的是，ViSCALE 2.0特别设置了两种投稿通道：正式论文（Archival）与扩展摘要（Non-Archival）。后者允许研究者快速分享初步成果或激进想法，无需担心发表压力。这种设计反映出组织者对创新风险的包容态度——在范式转型期，许多突破性进展往往源于“不成熟”的构想。
此外，研讨会邀请Sergey Levine、Manling Li、Ziwei Liu等跨领域专家参与，涵盖强化学习、多模态理解、具身智能等多个方向。这种交叉融合正是当前AI研究的关键趋势：单一技术路线已难以应对复杂现实问题，唯有打破学科壁垒，才能催生真正通用的视觉智能。
视觉智能的“System 2”时代或许尚未完全到来，但ViSCALE 2.0所代表的探索方向，无疑为这一愿景注入了强劲动力。当模型开始思考“我看到了什么”以及“这意味着什么”，我们距离真正理解世界的机器，又近了一步。