視覺是人類理解復雜物理世界的重要方式。讓計算機具備視覺感知與認知的能力，是人工智能的主要研究問題之一，對多模態基礎模型、具身智能、醫療 AI 等重要領域具有關鍵支撐作用。過去幾十年間，計算機視覺取得了顯著突破，已在圖像識別、目標檢測、多模態理解等多個任務上接近甚至超越人類專家水平。然而，當前的高精度模型在實際落地中常面臨較大挑戰：它們的推理過程往往需要激活上億參數來處理高分辨率圖像或視頻、以解決復雜和挑戰性的視覺問題，導致功耗、存儲需求和響應時延急劇上升。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際系統中（如機器人、自動駕駛、移動設備或邊緣終端等），甚至在醫療、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模部署的環境可持續性問題。

上述挑戰的一個重要原因在于現有視覺模型普遍采用了全局表征學習范式：一次性并行處理整幅圖像或視頻的所有像素、提取全部對應特征，再應用于具體任務。這種 “全局并行計算” 范式使得模型計算復雜度隨輸入尺寸呈至少平方或立方增長，逐漸形成了一個日益嚴峻的能效瓶頸：信息豐富的高分辨率時空輸入、性能領先的大型模型、高效快速推理，三者難以同時滿足。這一挑戰正在成為制約視覺智能走向大規模、可部署落地、低碳環保的公認難題。

圖1 當前計算機視覺范式所面臨的能效瓶頸

人類視覺系統為突破上述瓶頸提供了重要啟示：在觀察復雜環境時，人眼不會一次性處理全部視覺信息，而是通過一系列 “注視” 動作主動、選擇性地采樣關鍵區域，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知。這種先進的機制能在龐雜的信息流中快速篩取要點，大幅降低計算開銷，使得人類高度復雜的視覺系統即便在資源受限的前提下依然能夠高效、快速運行。無論外界場景多么復雜，人類視覺的能耗主要取決于注視帶寬與注視次數，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 視覺系統應具備類人的、任務驅動的主動觀察能力。然而近十年來，這一方向仍缺乏系統性研究。

圖2 人類視覺系統的主動自適應感知策略

2025 年 11 月，清華大學自動化系宋士吉、黃高團隊在《自然?機器智能》（Nature Machine Intelligence）上發表了論文《Emulating human-like adaptive vision for efficient and flexible machine visual perception》（模擬人類自適應視覺，實現高效靈活的機器視覺感知）。該研究提出了AdaptiveNN 架構，通過借鑒人類 “主動自適應視覺” 的機制，將視覺感知建模為由粗到精的最優序貫決策問題：逐步定位關鍵區域、累積多次注視信息，并在信息足夠完成任務時主動終止觀察。在理論上，該研究通過結合表征學習與自獎勵強化學習，給出了 AdaptiveNN 所面臨的離散 - 連續混合優化問題的無需額外監督的端到端求解方法。在涵蓋 9 類任務的廣泛實驗中，AdaptiveNN 在保持精度的同時實現了最高 28 倍的推理成本降低，可在線動態調整其行為以適配不同任務需求與算力約束，同時，其基于注視路徑的推理機制顯著提升了可解釋性。AdaptiveNN 展現出構建高效、靈活且可解釋的計算機視覺新范式的潛力。另一方面，AdaptiveNN 的感知行為在多項測試中與人類接近，也為未來探索人類視覺認知機制的關鍵問題提供了新的見解和研究工具。

論文標題：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：類人主動感知架構

借助這一機制，AdaptiveNN 能夠在保證高精度的同時顯著降低計算量，實現“看得清，也看得省”。它使神經網絡具備了類人式的主動感知，從而突破了傳統視覺模型在效率與效果之間的權衡瓶頸。

值得注意的是，AdaptiveNN 在設計上具有較強的兼容性和靈活性，適用于多種不同的深度神經網絡基礎架構（如卷積網絡、Transformer等）和多種類型的任務（如純視覺感知、視覺-語言多模態聯合建模等）。

圖3 AdaptiveNN的網絡架構和推理過程

理論創新：自激勵強化學習驅動的主動感知行為學習

AdaptiveNN 的訓練過程同時涉及連續變量（如從注視區域中提取特征）與離散變量（如決定下一次注視位置）的優化，傳統反向傳播算法難以直接處理這一混合問題。為此，研究團隊在理論上提出了面向離散 - 連續混合優化問題的端到端求解方法，使 AdaptiveNN 能夠在統一框架下簡單易行地完成整體訓練。具體而言，從期望優化目標出發，對整體損失函數 L(θ) 進行分解，AdaptiveNN 的端到端優化過程可自然地分解為兩部分

其中第一項為表征學習目標（representation learning），對應于從注視區域中提取任務相關的特征；第二項為自激勵強化學習目標（self-rewarding reinforcement learning），對應于優化注視位置的分布，驅使模型的主動注視行為實現最大化的任務收益。這一理論結果揭示了 AdaptiveNN 的內在學習規律：主動感知的優化本質上是表征學習與強化學習的統一

圖4 強化學習驅動的端到端主動視覺的理論框架

實驗驗證：高效視覺感知，類人視覺行為

性能提升顯著：在使用相同主干網絡（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的平均計算量，取得與傳統靜態模型相當甚至更優的準確率（81.6% / 79.1%），實現了 5.4× 與 3.6× 的計算節省。可解釋性增強：AdaptiveNN 的注視軌跡自動聚焦于類別判別性區域，例如動物的頭部、樂器的關鍵結構、咖啡機的旋鈕與噴嘴等。當目標較小或遠離攝像機時，模型會自適應地延長觀察序列，主動調整注視步數以獲得更精確的判斷。這種 “由粗到細、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視覺感知實驗結果

為了進一步驗證 AdaptiveNN 的泛化與精細感知能力，研究團隊在六個細粒度視覺識別任務（CUB-200、NABirds、Oxford-IIIT Pet、Stanford Dogs、Stanford Cars、FGVC-Aircraft）上進行了系統評估。

AdaptiveNN 在保持精度基本不變甚至略有提升的情況下，實現了5.8×–8.2× 的計算量節省，顯著超越傳統靜態視覺模型的性能–能效上限。通過可視化（Fig. A1b–A1e），可以看到模型自發聚焦于任務判別性區域 —— 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督。

圖6 細粒度視覺識別任務實驗結果

AdaptiveNN 在空間注視位置任務難度判斷兩個層面，都展現出與人類視覺高度一致的自適應行為。定量結果表明，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分模型與真實人類的凝視軌跡。

更值得關注的是，這一成果對認知科學的研究具有啟發意義。AdaptiveNN 的結果不僅為理解人類視覺行為的關鍵認知科學問題（例如 “視覺能力的形成究竟源于先天機制還是后天學習”）提供了新的啟發，也展示了其作為一種通用計算模型的潛力。未來，AdaptiveNN 有望用于模擬和檢驗人類的注意分配、感知學習、以及復雜任務中的視覺決策機制，為將來認知科學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

在實驗驗證中，研究團隊進一步將 AdaptiveNN 應用于具身智能的基礎模型（視覺 - 語言 - 行為模型，VLA）上結果表明，該框架在復雜操作場景中顯著提升了具身基礎模型的推理與感知效率，在保持任務成功率的同時將計算開銷大幅降低 4.4-5.9 倍。這一成果為解決具身智能系統長期面臨的效率瓶頸提供了新的思路與技術路徑。

圖8 ApdativeNN應用于VLA具身任務的實驗結果

清華大學自動化系博士生王語霖、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。