視覺是人類理解復(fù)雜物理世界的重要方式。讓計(jì)算機(jī)具備視覺感知與認(rèn)知的能力，是人工智能的主要研究問題之一，對多模態(tài)基礎(chǔ)模型、具身智能、醫(yī)療 AI 等重要領(lǐng)域具有關(guān)鍵支撐作用。過去幾十年間，計(jì)算機(jī)視覺取得了顯著突破，已在圖像識別、目標(biāo)檢測、多模態(tài)理解等多個(gè)任務(wù)上接近甚至超越人類專家水平。然而，當(dāng)前的高精度模型在實(shí)際落地中常面臨較大挑戰(zhàn)：它們的推理過程往往需要激活上億參數(shù)來處理高分辨率圖像或視頻、以解決復(fù)雜和挑戰(zhàn)性的視覺問題，導(dǎo)致功耗、存儲需求和響應(yīng)時(shí)延急劇上升。這一瓶頸使得它們難以部署在算力、能耗、存儲等資源高度受限的實(shí)際系統(tǒng)中（如機(jī)器人、自動(dòng)駕駛、移動(dòng)設(shè)備或邊緣終端等），甚至在醫(yī)療、交通等場景下由于延遲決策危害生命安全。另一方面，大型模型龐大的推理能耗在也帶來了大規(guī)模部署的環(huán)境可持續(xù)性問題。

上述挑戰(zhàn)的一個(gè)重要原因在于現(xiàn)有視覺模型普遍采用了全局表征學(xué)習(xí)范式：一次性并行處理整幅圖像或視頻的所有像素、提取全部對應(yīng)特征，再應(yīng)用于具體任務(wù)。這種 “全局并行計(jì)算” 范式使得模型計(jì)算復(fù)雜度隨輸入尺寸呈至少平方或立方增長，逐漸形成了一個(gè)日益嚴(yán)峻的能效瓶頸：信息豐富的高分辨率時(shí)空輸入、性能領(lǐng)先的大型模型、高效快速推理，三者難以同時(shí)滿足。這一挑戰(zhàn)正在成為制約視覺智能走向大規(guī)模、可部署落地、低碳環(huán)保的公認(rèn)難題。

圖1 當(dāng)前計(jì)算機(jī)視覺范式所面臨的能效瓶頸

人類視覺系統(tǒng)為突破上述瓶頸提供了重要啟示：在觀察復(fù)雜環(huán)境時(shí)，人眼不會一次性處理全部視覺信息，而是通過一系列 “注視” 動(dòng)作主動(dòng)、選擇性地采樣關(guān)鍵區(qū)域，以小范圍高分辨率的感知逐步拼接出對物理世界中有用信息的認(rèn)知。這種先進(jìn)的機(jī)制能在龐雜的信息流中快速篩取要點(diǎn)，大幅降低計(jì)算開銷，使得人類高度復(fù)雜的視覺系統(tǒng)即便在資源受限的前提下依然能夠高效、快速運(yùn)行。無論外界場景多么復(fù)雜，人類視覺的能耗主要取決于注視帶寬與注視次數(shù)，而非全局像素量。早在 2015 年，LeCun, Bengio, Hinton 便在《Nature》綜述論文 “Deep Learning” 中指出，未來的 AI 視覺系統(tǒng)應(yīng)具備類人的、任務(wù)驅(qū)動(dòng)的主動(dòng)觀察能力。然而近十年來，這一方向仍缺乏系統(tǒng)性研究。

圖2 人類視覺系統(tǒng)的主動(dòng)自適應(yīng)感知策略

2025 年 11 月，清華大學(xué)自動(dòng)化系宋士吉、黃高團(tuán)隊(duì)在《自然?機(jī)器智能》（Nature Machine Intelligence）上發(fā)表了論文《Emulating human-like adaptive vision for efficient and flexible machine visual perception》（模擬人類自適應(yīng)視覺，實(shí)現(xiàn)高效靈活的機(jī)器視覺感知）。該研究提出了AdaptiveNN 架構(gòu)，通過借鑒人類 “主動(dòng)自適應(yīng)視覺” 的機(jī)制，將視覺感知建模為由粗到精的最優(yōu)序貫決策問題：逐步定位關(guān)鍵區(qū)域、累積多次注視信息，并在信息足夠完成任務(wù)時(shí)主動(dòng)終止觀察。在理論上，該研究通過結(jié)合表征學(xué)習(xí)與自獎(jiǎng)勵(lì)強(qiáng)化學(xué)習(xí)，給出了 AdaptiveNN 所面臨的離散 - 連續(xù)混合優(yōu)化問題的無需額外監(jiān)督的端到端求解方法。在涵蓋 9 類任務(wù)的廣泛實(shí)驗(yàn)中，AdaptiveNN 在保持精度的同時(shí)實(shí)現(xiàn)了最高 28 倍的推理成本降低，可在線動(dòng)態(tài)調(diào)整其行為以適配不同任務(wù)需求與算力約束，同時(shí)，其基于注視路徑的推理機(jī)制顯著提升了可解釋性。AdaptiveNN 展現(xiàn)出構(gòu)建高效、靈活且可解釋的計(jì)算機(jī)視覺新范式的潛力。另一方面，AdaptiveNN 的感知行為在多項(xiàng)測試中與人類接近，也為未來探索人類視覺認(rèn)知機(jī)制的關(guān)鍵問題提供了新的見解和研究工具。

• 論文標(biāo)題：Emulating human-like adaptive vision for efficient and flexible machine visual perception
• 論文鏈接：https://www.nature.com/articles/s42256-025-01130-7

AdaptiveNN：類人主動(dòng)感知架構(gòu)

借助這一機(jī)制，AdaptiveNN 能夠在保證高精度的同時(shí)顯著降低計(jì)算量，實(shí)現(xiàn)“看得清，也看得省”。它使神經(jīng)網(wǎng)絡(luò)具備了類人式的主動(dòng)感知，從而突破了傳統(tǒng)視覺模型在效率與效果之間的權(quán)衡瓶頸。

值得注意的是，AdaptiveNN 在設(shè)計(jì)上具有較強(qiáng)的兼容性和靈活性，適用于多種不同的深度神經(jīng)網(wǎng)絡(luò)基礎(chǔ)架構(gòu)（如卷積網(wǎng)絡(luò)、Transformer等）和多種類型的任務(wù)（如純視覺感知、視覺-語言多模態(tài)聯(lián)合建模等）。

圖3 AdaptiveNN的網(wǎng)絡(luò)架構(gòu)和推理過程

理論創(chuàng)新：自激勵(lì)強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的主動(dòng)感知行為學(xué)習(xí)

AdaptiveNN 的訓(xùn)練過程同時(shí)涉及連續(xù)變量（如從注視區(qū)域中提取特征）與離散變量（如決定下一次注視位置）的優(yōu)化，傳統(tǒng)反向傳播算法難以直接處理這一混合問題。為此，研究團(tuán)隊(duì)在理論上提出了面向離散 - 連續(xù)混合優(yōu)化問題的端到端求解方法，使 AdaptiveNN 能夠在統(tǒng)一框架下簡單易行地完成整體訓(xùn)練。具體而言，從期望優(yōu)化目標(biāo)出發(fā)，對整體損失函數(shù) L(θ) 進(jìn)行分解，AdaptiveNN 的端到端優(yōu)化過程可自然地分解為兩部分

其中第一項(xiàng)為表征學(xué)習(xí)目標(biāo)（representation learning），對應(yīng)于從注視區(qū)域中提取任務(wù)相關(guān)的特征；第二項(xiàng)為自激勵(lì)強(qiáng)化學(xué)習(xí)目標(biāo)（self-rewarding reinforcement learning），對應(yīng)于優(yōu)化注視位置的分布，驅(qū)使模型的主動(dòng)注視行為實(shí)現(xiàn)最大化的任務(wù)收益。這一理論結(jié)果揭示了 AdaptiveNN 的內(nèi)在學(xué)習(xí)規(guī)律：主動(dòng)感知的優(yōu)化本質(zhì)上是表征學(xué)習(xí)與強(qiáng)化學(xué)習(xí)的統(tǒng)一

圖4 強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的端到端主動(dòng)視覺的理論框架

實(shí)驗(yàn)驗(yàn)證：高效視覺感知，類人視覺行為

• 性能提升顯著：在使用相同主干網(wǎng)絡(luò)（如 DeiT-S、ResNet-50）的情況下，AdaptiveNN-DeiT-S 和 AdaptiveNN-ResNet-50 分別以2.86 GFLOPs 與 3.37 GFLOPs的平均計(jì)算量，取得與傳統(tǒng)靜態(tài)模型相當(dāng)甚至更優(yōu)的準(zhǔn)確率（81.6% / 79.1%），實(shí)現(xiàn)了 5.4× 與 3.6× 的計(jì)算節(jié)省。
• 可解釋性增強(qiáng)：AdaptiveNN 的注視軌跡自動(dòng)聚焦于類別判別性區(qū)域，例如動(dòng)物的頭部、樂器的關(guān)鍵結(jié)構(gòu)、咖啡機(jī)的旋鈕與噴嘴等。當(dāng)目標(biāo)較小或遠(yuǎn)離攝像機(jī)時(shí)，模型會自適應(yīng)地延長觀察序列，主動(dòng)調(diào)整注視步數(shù)以獲得更精確的判斷。這種 “由粗到細(xì)、按需注視” 的策略，與人類視覺的逐步注視過程高度一致。

圖5 ImageNet視覺感知實(shí)驗(yàn)結(jié)果

為了進(jìn)一步驗(yàn)證 AdaptiveNN 的泛化與精細(xì)感知能力，研究團(tuán)隊(duì)在六個(gè)細(xì)粒度視覺識別任務(wù)（CUB-200、NABirds、Oxford-IIIT Pet、Stanford Dogs、Stanford Cars、FGVC-Aircraft）上進(jìn)行了系統(tǒng)評估。

• AdaptiveNN 在保持精度基本不變甚至略有提升的情況下，實(shí)現(xiàn)了5.8×–8.2× 的計(jì)算量節(jié)省，顯著超越傳統(tǒng)靜態(tài)視覺模型的性能–能效上限。
• 通過可視化（Fig. A1b–A1e），可以看到模型自發(fā)聚焦于任務(wù)判別性區(qū)域 —— 如鳥類的喙部、犬類的面部、汽車的燈組與航空器的螺旋槳 —— 而無需任何顯式的定位監(jiān)督。

圖6 細(xì)粒度視覺識別任務(wù)實(shí)驗(yàn)結(jié)果

AdaptiveNN 在空間注視位置任務(wù)難度判斷兩個(gè)層面，都展現(xiàn)出與人類視覺高度一致的自適應(yīng)行為。定量結(jié)果表明，無論是 “看哪里”、還是 “覺得什么難”，模型的感知策略都與人類極為相似。在 “視覺圖靈測試” 中，人類受試者幾乎無法區(qū)分模型與真實(shí)人類的凝視軌跡。

更值得關(guān)注的是，這一成果對認(rèn)知科學(xué)的研究具有啟發(fā)意義。AdaptiveNN 的結(jié)果不僅為理解人類視覺行為的關(guān)鍵認(rèn)知科學(xué)問題（例如 “視覺能力的形成究竟源于先天機(jī)制還是后天學(xué)習(xí)”）提供了新的啟發(fā)，也展示了其作為一種通用計(jì)算模型的潛力。未來，AdaptiveNN 有望用于模擬和檢驗(yàn)人類的注意分配、感知學(xué)習(xí)、以及復(fù)雜任務(wù)中的視覺決策機(jī)制，為將來認(rèn)知科學(xué)方面的研究提供了潛在的定量工具。

圖7 AdaptiveNN與人類視覺感知行為的一致性測試

從視覺感知到邁向高效具身推理

在實(shí)驗(yàn)驗(yàn)證中，研究團(tuán)隊(duì)進(jìn)一步將 AdaptiveNN 應(yīng)用于具身智能的基礎(chǔ)模型（視覺 - 語言 - 行為模型，VLA）上結(jié)果表明，該框架在復(fù)雜操作場景中顯著提升了具身基礎(chǔ)模型的推理與感知效率，在保持任務(wù)成功率的同時(shí)將計(jì)算開銷大幅降低 4.4-5.9 倍。這一成果為解決具身智能系統(tǒng)長期面臨的效率瓶頸提供了新的思路與技術(shù)路徑。

圖8 ApdativeNN應(yīng)用于VLA具身任務(wù)的實(shí)驗(yàn)結(jié)果

清華大學(xué)自動(dòng)化系博士生王語霖、樂洋、樂陽為論文共同第一作者，宋士吉教授與黃高副教授為共同通訊作者。