夜雨聆风手机识别人脸、相册搜索“猫”、自动驾驶系统标出车道和行人，很多人会把这叫作AI“看见”了世界。
但机器并不是像人一样睁开眼睛就理解画面。对计算机来说，一张图最初只是数字矩阵。视觉神经网络的发展史，实际上是在回答一个问题：怎样让机器从像素中逐层学出边缘、纹理、部件，最后识别物体？
第一站不是电脑，而是视觉皮层
1959年，David Hubel（戴维·休伯尔，1926–2013，加拿大裔美国神经生理学家）和Torsten Wiesel（托斯滕·维泽尔，1924–，瑞典神经生理学家）在猫的初级视觉皮层记录单个神经元反应。他们发现，有些细胞对特定方向的线条、边缘更敏感。后来，“简单细胞”“复杂细胞”和“感受野”成为理解视觉处理的重要概念。
感受野可以粗略理解为：一个神经元只“关注”视野中的一小块区域。真实大脑并不是简单流水线，但这个概念给工程研究一个启发：图像不必一上来全局连接，局部结构可以先被提取，再逐层组合。
新认知机：把“层级视觉”做成模型
1980年，日本研究者Kunihiko Fukushima（福岛邦彦，1936–，日本计算机科学家）发表Neocognitron，也就是“新认知机”。它采用层级结构，用S-cells提取局部特征，用C-cells增强对位置变化的容忍，目标是让识别结果不受图形位置移动影响。
它还不是今天这种用反向传播训练的大规模CNN。它更多依赖无监督的自组织学习。但它已经把两个思想摆上桌面：视觉可以逐层抽象；同一个特征出现在不同位置时，系统应该尽量认出它是同一种东西。
LeNet：从论文走向真实业务
1980年代末到1990年代，Yann LeCun（扬·勒丘恩，1960–，法裔美国计算机科学家）和同事在贝尔实验室推动卷积网络用于手写数字、邮政编码和支票识别。1998年，LeCun团队发表《Gradient-Based Learning Applied to Document Recognition》，系统介绍了LeNet-5等模型。
自制图：LeNet-5结构概念示意，根据LeCun等人1998年论文中的层级描述整理，用于说明卷积、池化和分类层的基本流向；非论文原图。
LeNet证明了一个工程方向：与其手工写规则告诉机器什么是数字，不如设计合适的网络结构，让模型从样本中学习局部特征。卷积负责找局部模式，池化让位置轻微变化不至于毁掉判断，全连接层负责最后分类。
ImageNet：先改变的其实是数据
2009年，普林斯顿与斯坦福等机构的研究团队发表ImageNet数据库论文，核心推动者包括Fei-Fei Li（李飞飞，1976–，华裔美国计算机科学家）。论文介绍，ImageNet基于WordNet组织图像，当时报告了5247个synset、320万张图像。
2010年开始的ImageNet Large Scale Visual Recognition Challenge，把大规模图像分类和检测变成公开竞赛。它的重要性在于提供统一数据、统一指标和公开比较方式，让研究者在同一个赛场上交成绩。
AlexNet：GPU把旧想法推过临界点
2012年，Alex Krizhevsky（亚历克斯·克里泽夫斯基，乌克兰裔加拿大计算机科学家）、Ilya Sutskever（伊利亚·苏茨克维，1986–，以色列裔加拿大计算机科学家）和Geoffrey Hinton（杰弗里·辛顿，1947–，英国裔加拿大计算机科学家）的深度卷积网络在ImageNet上取得显著领先。NeurIPS论文写明，这个模型约有6000万参数和50万个神经元。
照片：GeForce GTX 580显卡。TheStriker，CC BY-SA 4.0，来源Wikimedia Commons。AlexNet训练依赖GPU计算，GPU是这次突破的重要条件之一。
AlexNet并不是凭空发明卷积网络。它把多层卷积、ReLU、数据增强、dropout和高效GPU实现组合在一起，让“老方向”突然具备了规模化能力。ImageNet 2012的差距足够大，研究界很难再把深度神经网络当作边缘路线。
图：ImageNet错误率历史。Gkrusze，CC BY-SA 4.0，来源Wikimedia Commons。图表展示了ImageNet竞赛中视觉系统性能快速提升的阶段。
更深之后，为什么还要“残差”？
AlexNet之后，研究者很自然地想：网络能不能更深？VGG、GoogLeNet等模型推动了这条路。但深度增加后，训练会变难，模型不一定因为层数更多就更好。
2015年，何恺明等人提出ResNet。论文开头就指出，更深的神经网络更难训练。残差连接让100多层网络变得可训练，并在ILSVRC 2015分类任务中获得第一。
ViT：视觉也可以拆成token
2020年，Google Research团队提出Vision Transformer，也就是ViT。论文标题很有名：《An Image is Worth 16x16 Words》。核心做法是把图像切成固定大小的小块，每个小块像语言模型里的token一样进入Transformer。
ViT说明，卷积并不是视觉模型唯一的路线。在足够大规模预训练数据上，纯Transformer也能在图像分类任务中表现很好。它把视觉研究进一步拉向“大数据、大模型、预训练”的方向，也和今天多模态大模型的发展接上了。
它为什么重要，又有什么边界？
视觉神经网络改变了许多日常功能：相册搜索、医学影像辅助、工厂质检、自动驾驶感知、短视频审核、图像生成和多模态问答，都与这条技术线有关。
但“看见”不等于“理解”。模型可能依赖数据偏差，可能被对抗样本误导，也可能在陌生场景中失效。ImageNet的成功证明了大规模评测的价值，也提醒我们：一个榜单不是现实世界的全部。
回看这段历史，推动视觉神经网络前进的不是某位天才突然发明了一切，而是神经科学启发、网络结构、反向传播、标注数据、GPU算力和公开基准长期汇合。
如果说过去十年机器学会了识别图片，那么接下来的问题是：它能否真正理解图片背后的因果、常识和人类语境？
参考资料：
1. Hubel & Wiesel, Receptive Fields of Single Neurones in the Cat's Striate Cortex, 1959
2. Fukushima, Neocognitron, Biological Cybernetics, 1980
3. LeCun et al., Gradient-Based Learning Applied to Document Recognition, 1998
4. Deng et al., ImageNet: A Large-Scale Hierarchical Image Database, CVPR 2009
5. Krizhevsky, Sutskever & Hinton, ImageNet Classification with Deep CNNs, NIPS 2012
6. He et al., Deep Residual Learning for Image Recognition, 2015
7. Dosovitskiy et al., An Image is Worth 16x16 Words, 2020
