计算机视觉（Computer Vision）能做的事情有图像分类、目标检测、图像分割、姿态估计、按文字描述生成图像与视频分析，核心能力是给出画面有什么、在哪里、处于什么姿态与状态，解决人工逐张查看图片视频效率低、难以大批量抽检的问题，并不解决视频跟踪中跨帧身份一致与遮挡判断。
- 认图（图像分类）
给张图，机器说这是啥。比如，扔给它一张猫照，它喊：“猫！”你手机相册自动分出“美食”“风景”，就是这招。 - 找东西（目标检测）
不光认，还得指出在哪。比如，街头照片里，机器框出“人”“车”“路灯”，跟玩“找茬”似的。自动驾驶全靠它盯着路况。 - 抠细节（图像分割）
更细致，把图分成块。比如，猫的照片里，分出“猫”和“背景”，甚至能抠出猫耳朵、猫尾巴。医院里用它看X光片，分肿瘤和正常区域。 - 看姿势（姿态估计）
分析动作啥样。比如，健身App看你深蹲姿势对不对，或者游戏里让你跳舞，它知道你手脚咋摆的。 - 自己画（图像生成）
机器还能当“画家”！像DALL·E，你跟它说“画只穿西装的狗”，它真能整出一张来，贼有创意。 - 看视频（视频分析）
不止静图，视频也能懂。比如，监控发现有人摔倒报警，或者抖音自动剪辑精彩片段。
这些活儿单独干也行，凑一块儿更厉害。比如无人车，得同时认路、找人、看动作，才能开得稳。
