计算机视觉（2026.08.25）

概念编号：088

一句话理解

计算机视觉就是让机器处理和理解图像、视频中的文字、物体、位置、动作和场景。

具体解释

视觉系统可以做分类、检测、分割、识别、描述、问答和图像生成。多模态模型把视觉信息与文字、声音或行动结合起来，就能处理更复杂的任务。

边界与易混淆概念

• 视觉识别不等于真正看见：模型可能误读遮挡、角度、文字和细节。
• OCR 是计算机视觉的一种具体任务，不等于全部视觉能力。
• 视觉生成和视觉理解是不同方向：一个生成内容，一个分析输入。

例子

从发票图片中识别金额、判断照片里有哪些物体、根据图片回答问题，都属于计算机视觉任务。

相关概念

• 多模态（Multimodal）（2026.08.24）
• OCR（光学字符识别）（2026.08.25）
• 媒体生成（2026.08.25）

来源

• On the Opportunities and Risks of Foundation Models

概念卡更新日志

• 2026.08.25｜创建概念卡：依据多模态模型的视觉输入输出关系，登记为 088。