从黑白，到彩色，再到3D，视觉技术一直在追赶人类的眼睛

“过去几千年，大多数人只能参与历史，记录是少数人的权力。而随着技术的提升，每个人不仅在参与历史，也在记录着历史。”本文来自微信公众号：造就（ID：xingshu100），作者：朱力（光鉴科技创始人兼CEO），编辑：王锐，视频：Don，版面：田晓娜，题图来自：视觉中国

《窗外的风景》 乔瑟夫·尼舍弗朗·尼埃普斯  1826

这是1826年，法国的发明家尼尔普斯，在他的工作室拍下的《窗外的风景》，这是人类历史上第一张永久性流传下来的照片。所谓永久性，就是它记录在了一张相纸上，这是第一张照片。

从200年后的视角来看，这个图片缺少了太多的信息——

这个图片很不清楚，我们不知道它拍了什么；

图片没有颜色，只有黑与白；

图片缺乏动态，因为它是一个静态的东西。

在这之后的100年，发明家们不断地努力去追赶我们人类的眼睛，感知世界的维度。

1888年，爱迪生发明了电影机。原理很简单，就是把一系列的胶片快速地转起来，我们就可以看到一个动态的画面，这样我们可以记录时间。

1894年，彩色的胶片出现，我们终于可以把世界的颜色记录下来。

1922年我们有了第一部3D的电影，叫做《The Power of Love》，这个时间点比大多数人想象的要早很多。

其原理与现在去电影院看的3D电影有点不一样，当时是用两个摄影机，一个是拍红色，一个是拍绿色，大家看的时候有一副眼镜，分别是红绿看不同的画面，这样画面的叠加就有了立体的效果。

当时为了达到3D效果，牺牲的是画面的色彩丰富程度。

视觉技术的发展

这是第一个100年，我们追赶着人类所感知到的世界所有的维度。而在过去20年，绝大多数人经历了从胶片到数码时代的变革，这是一个颠覆性的变化。

胶片时代，我们拍照的时候需要在意胶卷还有多少张、冲洗的时间是多久、相册的厚度是多少，因为每张照片都占据空间。

在数码时代，我们拍照的时候，可以立刻看到自己拍的图像，在瞬间就可以复制，分享给其他人，而且成本几乎可以忽略不计。

这奠定了移动互联网社交网络的基础，我们可以无限制地去创造和分享看到的信息，只需要关注自己想记录下的画面，然后把它分享出去，剩下的由数码和技术来解决。

视觉技术的进一步升级，让每个人、每个消费者的手机上，口袋里都有一个相机，给社会带来了非常本质的变化。

仅仅在十几年前，在我上大学的时候，当时媒体的定义是少数的机构，它可以是电视台，可以是报纸，可以是杂志，但不是我们每一个人。

现在当我们把手机，把摄像头连接上互联网以后，每一个人都可以成为事件，或者环境的记录者和分享者。我们的所见所闻可以立刻发到网上，所有人都可以看到。甚至有一些大V在做直播的时候，可以一瞬间，同时与几百万、上千万的人互动，这是视觉技术升级带来的力量，它甚至改变了历史的发展和记录的形式。

在过去几千年甚至一两万年人类历史的演进过程中，大众是历史的参与者，只有少数人才有记录历史的权利。而在今天，此时此刻，我们每一个人不仅在参与历史，而且可以记录历史。

“过去，我们是用大量数据解决小问题，而利用3D视觉，可以用很小的数据量解决更大的问题。”

过去我们拍的图片、视频，最终的“受众”是人，需要人自己处理。但是在过去的十年，AI技术快速发展，大量数据的“受众”已经不再是人，是机器，是算法。

机器已经开始替代人去做很多重复性的劳动，比如海底捞等餐厅，送餐机器人在餐厅里走来走去，或者在酒店、机场，已经有机器人给我们提供服务，而每个机器人每个月都可以为使用者节省几千元的劳动力的成本。

交通监控

还有交通监控，现在24小时交通监控的背后是算法在不断地在跑，一旦有人违章，路口的屏幕就会显示某车牌号，出现了超速或者其他违规情况。这些技术代替了大量的生产力，帮我们创造了更多新的价值。

那么，这与视觉技术有何关系呢？

过去的十年，机器视觉主要基于2D图像。它只有平面，但世界是三维的，这就意味着我们需要用低维度的画面描述更高维度的信息，所以现在是用大量的数据解决更小的问题。

比如，桌上有一个杯子，如果要用2D图像去描述它，我们需要在不同的距离，不同的角度，拍很多图片，才能组合在一起，再通过一系列算法进行重建。

在学术圈用的比较多的数据库是ImageNet，里面有1000多万张图片，但只有一万多个，接近两万个类别。我们训练一个基础识别算法，需要上千张的图片，这仅仅是满足学术的要求。

对于实际应用的产品，比如大量使用的监控、人脸识别等，我们需要几百万、几千万，甚至上亿张图片才能建立起一个真正好用的模型。这意味着，想要用AI和视觉做好结合，我们需要大量的数据。而数据的采集，数据的标注都是非常大的成本。

但3D图像可以非常简单的通过几张图就能描绘清楚一个物体，通过三个视角就能非常清楚的去表征一个物体的空间信息，我们就可以用一个非常小的数据来解决更大的问题。

与20年前相比，当下的3D相机成本从过去的几万、几十万，下降到了几十块钱，为什么？主要得益于三方面的技术突破。

第一是激光技术。

过去的3D相机主要是基于双目或多目，比如几个摄像头同时去拍摄，有一个立体的视角把3D的环境重建出来。

现在，更好、更稳定的3D技术用的是激光，我们可以发射一个有图案分布的激光，然后再拍摄，通过立体分布，或者通过光脉冲来回的时间，可以得到我们想要的空间立体的信息。

但在20年前，激光器非常贵，整个光学系统也非常贵。好的镜头是一个非常大，非常重，并且非常昂贵的东西，激光器也是。2017年iPhoneX量产了第一代的3D结构光摄像头，在这一年中，仅仅这一个场景，人类制造了超过400亿个激光器。

400亿是什么概念？它超过了过去人类历史上所有的年份生产的激光器的总和。而在这400亿个激光器里面，每个激光器的价格才不到一美分。

第二个技术突破是光学和集成电路、半导体技术的结合。

通过半导体制程的优化，从几微米到现在7纳米、5纳米，把大量的电路晶体管集成在了一个非常小的芯片上。而这个工艺的演进也同时帮助了光学发展，我们可以把很多的光学功能，诸如透镜等衍射、光栅的功能集成在一个很小的器件上。

过去的3D相机是一个设备，现在的3D相机就是一个非常小的模组，可以嵌入到手机里。基于这两种技术的快速迭代发展，才能把相机变得非常小，放到我们的口袋里，而且变得非常便宜。

第三个就是AI技术的发展。我们有了3D相机，就需要有一个计算的能力去理解我们看到的场景。AI过去十年的发展做了非常好的铺垫。

当我们口袋里有一个3D相机以后，我们可以做很多有意思的事情。大家用的iPhone或华为手机，前面都有3D相机，它的核心的作用是理解用户，帮助设备感知用户是谁。

比如FaceID的解锁、支付，使用3D技术可以更安全、更高精度的去识别这个用户是谁。

更进一步，可以去观察人的微表情——你的眉毛是不是往上耸了，你的嘴角是不是往上翘了，那是说明你高兴了；你的嘴角往下了，说明你不高兴了。这些细节，可以与Animoji等应用结合起来与人做交互，这是前置摄像头。

而手机的背后，现在已经有ToF的相机在华为上广泛使用。iPad，以及未来即将发布的iPhone上也会有3D相机，可以用来帮助设备去和空间做交互。它可以看到五米甚至十米远，可以通过视觉帮助定位手机。

比如，将虚拟世界的画面与真实世界的画面融合，就意味着是AR。也可以用来做定位，做SLAM等很多有意思的应用。

更进一步，几年以后，当我们每个人手里都有一个3D相机的时候，每个人都在不断的拍摄和记录真实世界的每一个角落。这就好像我们玩游戏开地图一样，这个世界本来全都黑暗的，每个人拍个照片就进入了一个角落，而把这些角落拼接在一起，我们就将整个真实世界数字化了。

在这之后，我们可以去体验一个“虚拟的真实世界”，电影《头号玩家》的那些体验，其实在不远的将来可能就会成为现实。

“我们不能把所有的问题都扔到云端，虽然我们有更好的带宽，更好的算力，但不代表可以滥用这些东西。”

3D视觉与2D视觉的本质区别在于什么？

举一个例子，现在去银行里开户，我们不需要去柜台，一个自动柜员机会帮助你解决所有流程。首先需要解决的就是你到底是不是“这个人”，2D的场景可能用一张照片，然后用照片对着摄像头就很容易攻破这个系统。

如果要判断这个是不是“真人”，2D的解决方案是让用户摇头、点头、眨眼等等。在进行健康码验证的时候，屏幕闪烁不同的颜色，有些需要你报一串数字等等。这是一个非常复杂的、用户体验不佳的，并且很长的过程。它需要几秒，甚至几十秒的时间，把这些的数据传到云端，用一个很复杂的模型来去判断。

银行智慧柜员机

现在，通过端上的3D相机可以直接拍到人的立体信息，可以拍到很多立体细节，这些细节可以帮助我们在端上用一个几美金的芯片，跑一个非常轻的算法就能实现这样的功能。也就是说，我们可以把很多复杂的，需要云端处理的问题，搬到了一个摄像头里面。

可能有人会问，加了3D相机，是不是增加了额外的成本？其实从“云”到“端”上的转变、迁移，解决了两个非常关键的问题——

在IoT的时代，设备会越来越多。目前，世界上正在运行的IoT设备有数十亿个，在五到十年之内会增长到数百亿个，我们预计50年以后会有400亿以上的IoT设备。

当这些IoT设备不断采集图像、视频时，按照现在的架构，把所有的任务交给云端，面临的第一个问题就是带宽够不够？第二个问题就是电够不够？

由于5G的出现可能带宽的问题会得到解决，但是如果不改变架构，每年仅通讯和云端这部分计算IoT，就要用掉未来全世界20%的电力，同时会产生环境等额外一系列问题。

所以我们需要把这个问题简化，不能把所有问题都扔到云端。我们有更好的带宽，更好的算力，但这不代表我们可以滥用这些东西。

我们需要在端上做好感知，用更高密度的数据进行理解。更重要的问题是——我们可以通过技术解决功能，可以让生活变得更便捷。

但是，人能不能接受这种方式？这不一定，我们希望有机器人一类更便捷的方式服务我们，但是并不希望有机器的摄像头，一天到晚盯着自己，个人的隐私安全是一件非常重要的事情。

如果这个问题不解决，必然会导致人们不用这个技术，那么它就毫无价值。所以我们必须把图像数据封装在端上，当数据采集完成后，在端上进行算法处理，通过加密再发出去。

如果黑客攻破这个数据的话，这将是一个毫无意义的向量，从物理上不再需要担心数据安全的问题。这也是技术服务于人，服务于社会的最根本的前提。

“大家有没有想过，为什么摄像头是彩色的？”

我们讲了那么多加密、信息安全技术，现在调转一下画风，讲一个猪的故事。

中国是全世界吃猪肉最多的国家，一年要吃掉约7亿头猪。猪的最优出栏体重是120公斤，超过120公斤，再给它吃饲料，长肉就比较少了，不划算。

如果有一个技术，能够帮助畜牧行业非常准确的控制每只猪都在120公斤出栏，那就可以使每头猪增加50元的利润，7亿头就是350亿人民币的利润。

但我们并不能频繁的把猪赶到秤上称一称，因为猪是一个非常敏感的动物，如果强迫它做什么事情，它会不高兴，不高兴它就不吃饲料，就会导致它不长肉，所以我们需要以非接触的方式测量猪的体重。

这时，我们就可以使用3D相机去测量猪的三围，比如腰围、颈围、臀围，以及四肢的维度，然后结合合作伙伴大数据与猪的品种进行分析，可以非常准确的预测猪的体重。简单的技术升级，就可以创造非常多的价值。

为什么要和大家分享这个故事？其实是想告诉大家，3D视觉与2D视觉有一个非常大的差异。2D视觉的大量数据最初的受众是人，我们把图片、视频拍下来，由人去分析。

因为人的学习速度非常快，只要摄像头技术也成熟了，那么，视觉「技术的成熟」与「应用的成熟」几乎是同时发生。

但是3D技术不一样，3D技术对应的是算法和场景。2016年，相关行业开始尝试做刷脸支付，而真正大量普及是在2019年。花了三年时间才把整个链条打通，让整个行业开始普遍应用3D技术。也就是说，3D相机的成熟，需要与行业磨合一段时间，产生一个成熟的方案，然后再落地。

这也是为什么现在3D技术发展，是一个一个行业在发生的，从关键任务慢慢发展到非关键任务，从更有钱的场景，比如金融、安防、工业等场景，发展到更多的民用场景。

随着场景不断落地，3D相机成本不断降低，技术不断成熟，应用算法不断的完善，3D视觉的发展速度也会越来越快。最近几年，每年有5-10个场景出现，可能三年以后，每年有50-100个场景出现，到最后，所有机器视觉的场景都会是3D的。

那么，大家有没有想过，为什么摄像头是彩色的？

——因为世界就是彩色的。

当我面对很多合作伙伴，面对很多投资人的时候，每次都会提到同一个问题——我为什么需要3D？现在2D用得不是很好吗？为什么我要额外花钱去买3D相机？

如果我们从一个更远的维度去看，这个世界本来就是3D的，我们为什么要退回到一个平面上？

原来，之所以用2D的平面，是因为我们没有能力去采集3D数据，而现在3D技术已经成熟，我们用几十块钱就能做一个很好的3D相机，那么，未来所有的摄像头自然而然也都会是3D的。

有了3D以后，我们可以有更直接的交互。开头提到的第一部3D电影的名字叫《The Power of Love》——爱的力量，如果要感受爱的力量，我希望看到的人是立体的、栩栩如生地站在我的面前。

我们也希望通过3D技术能够让感知变得更智能，在端上、在摄像头上就实现分析和理解。这就像人一样，我们不会去“思考”自己到底看到了什么，摸到了什么，五官的感知已经在我们的潜意识里都解决了。

而思维是在决策维度才用到的，当获取这些信息以后，如何去思考、分析、决策。

在万物互联的IoT时代，我们需要把更低成本、更高效、更安全的架构实现出来。我们需要在端上实现感知，在云端实现分析与判断。

本文来自微信公众号：造就（ID：xingshu100），作者：朱力（光鉴科技创始人兼CEO），编辑：王锐，视频：Don，版面：田晓娜