【AI科普】什么是计算机视觉：硬核科普，它和大 AI 大模型到底是什么关系

很多初学者容易混淆概念：

AI 就是大语言模型？计算机视觉 = AI 画图？VLM 多模态大模型 = 计算机视觉？

日常刷到的 AI 生图、识图、OCR、人脸检测、AI 短剧视频生成，背后全部离不开计算机视觉（Computer Vision，简称 CV）。 2026 年大模型大火之后，传统 CV 和新一代多模态大模型深度融合，很多人分不清二者边界。本文从底层定义、发展阶段、核心任务、技术栈、和大模型的关系、落地场景、求职方向完整梳理。

一、什么是计算机视觉

计算机视觉：让计算机看懂图片、视频的一门学科。 人类眼睛接收光信号，大脑识别物体、文字、动作、场景；计算机视觉就是给机器一套算法，把图片 / 视频的像素矩阵，转化成机器可以理解的符号、语义、目标信息。

图片本质对于计算机，不是照片，只是巨大的数字矩阵 。一张 1080P 图片，就是几十万上百万个 RGB 像素数字。计算机本身看不懂 "猫、汽车、人"，计算机只能看见数字。 CV 的工作，就是从一堆像素数字里面提取语义信息。

核心矛盾：像素层信息海量、噪声巨大；高层语义抽象复杂。像素到语义之间存在巨大鸿沟，这就是计算机视觉要解决的根本问题。

二、计算机视觉属于 AI 吗？二者的从属关系

1. 人工智能 (AI) 是总学科：目标让机器模拟人的智能，包含 NLP 自然语言处理、计算机视觉、语音识别、强化学习、规划决策、Agent 智能体等子领域。
2. 计算机视觉 CV，是 AI 下面最重要的分支之一。
3. 大语言模型 LLM，属于 AI 下面 NLP 分支，原生看不懂图片。

简单层级关系

人工智能 AI
├─自然语言处理 NLP（大语言模型LLM，处理文字）
├─计算机视觉 CV（处理图像、视频）
├─语音识别与合成
└─Agent智能体、规划、决策

早期：CV、NLP 完全分开，各做各的模型。 现在：VLM 视觉大模型，把 CV 能力和 LLM 语言能力融合，也就是多模态大模型。

关键点：LLM 本身没有视觉能力，必须接入 CV 模块，才能识图。就像前面讲的 Harness Agent，想要看懂截图，需要接入 MCP‑Vision，底层就是调用 CV/VLM 能力，文本大模型本身看不懂图片。

三、计算机视觉核心经典任务

1、图像分类 Image Classification

输入一张图，输出这张图是什么类别。例：图片里面是猫还是狗。

传统代表：ResNet、EfficientNet

2、目标检测 Object Detection

不仅知道是什么，还要知道在哪里，输出物体框 + 类别。 应用：监控行人检测、小程序扫码、自动驾驶识别车辆。

代表算法：YOLO 系列，工业界使用最广。

3、图像分割 Segmentation

把图片每一个像素归类。分为实例分割、语义分割。 应用：人像抠图、医学影像识别。

4、OCR 光学字符识别

图片里面提取文字。截图识别、票据识别，属于 CV 任务。MiniCPM‑V、PaddleOCR 底层就是 CV。

5、关键点检测 / 姿态估计

识别人体关节、人脸关键点；AI 数字人、动作捕捉底层依赖该能力。

6、视频理解 Video Understanding

对连续帧视频做分析：镜头切分、动作识别、VAD 画面内容解析，我们做 AI 短剧抽帧分析就属于这个范畴。

7、图像生成（生成式 CV）

输入文字，生成图片、视频。FLUX、LTX、Wan 视频模型都属于生成式计算机视觉。

注意：生成也是 CV，不是只有 "识别看懂图片" 才叫 CV，机器作画同样属于计算机视觉领域。

四、计算机视觉发展的三个时代

时代 1：传统 CV（手工特征，2012 年前）

工程师手写算法，手动设计特征算子：SIFT、HOG。 程序员人为告诉机器，猫的边缘、纹理长什么样。 缺点：复杂场景效果很差，鲁棒性弱，只能解决简单场景。不需要深度学习，纯图像处理。

时代 2：深度学习 CV（卷积神经网络 CNN 时代，2012‑2022）

AlexNet 开启深度学习 CV 时代。ResNet、YOLO、U‑Net 全部是 CNN 卷积网络。 不再人工写特征，大量标注数据喂给神经网络，网络自动学习图像特征。 工业界大规模落地：人脸识别、扫码、监控、OCR。 局限：模型只能干单一任务。训练一个 YOLO 做检测，训练另一个 OCR 做文字，模型之间不能通用；不能直接和语言模型对话。

时代 3：多模态大模型 VLM 时代（2023‑至今）

代表模型：Qwen‑VL、MiniCPM‑V、GLM‑V、GPT‑4o。 不再用 CNN 为主，使用 ViT 视觉 Transformer。 把图片编码成文本大模型可以读懂的向量，实现看图聊天。一张图，既可以做检测、OCR，也可以问答、写描述。

重大变化： 传统 CNN 模型 "一个模型干一件事"；VLM 视觉大模型，一个模型同时支持看图问答、OCR、简单检测、描述图像。 但不代表 VLM 可以完全替代 YOLO 这类专用 CV 模型。在高速目标检测、工业流水线场景，专用小模型速度更快、显存占用更低。

五、硬核辨析：VLM 视觉大模型 ≠ 完整计算机视觉

很多新手产生误区：有了 VLM，传统 CV 就没用了。现实工程不是这样。

方案	优势	劣势	适合场景
VLM 多模态大模型	通用性极强，看图对话，理解复杂语义、截图报错分析	推理速度慢，显存开销高，批量高频检测成本高	Agent 识图、内容理解、聊天问答
YOLO/OCR 等传统 CV 专用模型	速度极快、轻量、低成本，适合循环批量处理	任务单一，只能做指定一件事，无法做高层推理	视频抽帧检测、流水线预处理、工业识别

真实工程组合范式（比如我们前面 AI‑Worker 架构）：

视频文件 → YOLO 做镜头 / 物体检测（轻量 CV 快速预处理） → 筛选关键帧 → 送入 VLM 大模型做高层语义理解。 专用 CV 做过滤，VLM 做深度思考，二者配合，而不是互相替代。
重要认知：Agent 能看懂截图，不是 LLM 本身长了眼睛，是调用 CV/VLM 模块，把图片转为文本描述，再交给文本大模型做思考。

六、计算机视觉现实落地场景

1. 互联网产品：图片审核、OCR 识别、人像抠图；
2. AIGC 内容生成：AI 绘画、AI 漫剧短剧、图生视频（生成式 CV）；
3. Agent 工具生态：MCP 识图服务，给 Harness、WorkBuddy 提供看图能力；
4. 工业领域：产品缺陷检测；
5. 自动驾驶：摄像头感知周围物体；
6. 医疗 CV：X 光、CT 影像辅助判读。

七、计算机视觉和 Agent 智能体的关系（结合 Harness、MCP）

Agent 大模型本身只能处理文本。当任务涉及图片、截图、视频，Agent 必须调用外部 CV 能力。

典型链路：

Agent (Harness / WorkBuddy) → MCP 视觉服务 → 底层调用 CV/VLM 模型 → 返回图片文字描述 → LLM 继续完成任务

这里 CV 就是 Agent 的眼睛。

Agent 负责思考规划；计算机视觉负责感知图像世界。二者是协作关系，不是互相包含。

八、求职视角：2026 计算机视觉岗位现状

1. 传统 CV 算法岗（YOLO、分割、检测） 岗位变少，门槛高，要求论文、项目；偏向工业、自动驾驶、医疗方向。
2. 多模态 / VLM 工程方向（需求上涨） 不一定要精通底层网络训练，重点：模型部署、量化、推理优化、MCP 封装、AI‑Worker 服务开发、多模态 RAG。

应届生可以做的实战项目： 1）企业知识库，解析图片 PDF（VLM+RAG） 2）AI 短剧流水线，ComfyUI + 视频理解 3）MCP 识图服务，给 DeepSeek‑Harness 做视觉工具

1. 区分岗位：

• CV 算法研究员：训练、改进网络模型；
• CV 工程工程师：把开源模型部署成服务，做流水线、封装 API，2026 应届生更容易切入。

九、常见误区总结

• ❌误区：AI 就是大语言模型

• ✅纠正：LLM 只是 AI 一个分支，CV、语音同样属于 AI。

• ❌误区：VLM 多模态大模型可以完全取代 YOLO、OCR

• ✅纠正：通用大模型通用性强，专用小模型速度、成本占优，工程上经常组合使用。

• ❌误区：Agent 自己可以看懂图片

• ✅纠正：文本 Agent 没有视觉能力，依赖外部 CV/VLM 工具调用。

• ❌误区：计算机视觉就等于 AI 画图

• ✅纠正：AI 生图只是生成式 CV，CV 包含识别、检测、分割、视频理解等大量任务。

总结

1. 计算机视觉是人工智能的重要子领域，目标让机器从图片视频的像素数字中获取语义信息。
2. 经历手工特征‑CNN 深度学习‑VLM 多模态大模型三代演进；VLM 带来通用性，但传统 CV 专用模型依旧在工业大量使用。
3. LLM 大语言模型和 CV 是互补关系，Agent 通过调用 CV/VLM 工具获得看图能力，本身不能直接看懂图像。
4. 工程落地往往是 "专用 CV 做预处理 + VLM 做高层理解" 组合方案，这也是很多 AI‑Worker、MCP 视觉服务底层架构。