谷歌扔了所有视觉AI专用工具，只用一个模型

想象一下：你家里有十几把钥匙，分别开大门、卧室、书房、储物间——每加一个新房间，就得焊一把新钥匙。过去二十年，计算机视觉工程师干的就是这事：检测物体焊一把钥匙，分割图像焊一把，生成新图再焊一把。直到谷歌联合何恺明等一众顶级学者，把这些钥匙全扔进了垃圾桶。他们发布的Vision Banana，用一个模型搞定了所有视觉任务。更反常识的是，它靠「画画」学会了「看懂」——生成能力越强，理解精度反而越高。这到底是怎么做到的？

把所有视觉任务变成「画画题」

传统视觉AI的逻辑是「分而治之」：检测物体靠算框坐标，分割图像靠逐像素分类，生成图像靠去噪——三条线各有各的训练流程，各有各的排行榜。Vision Banana的逻辑完全反过来：不管你要检测、分割还是估算深度，答案都是一张图。

你可以把它想象成一个只会画画的天才：你让它「检测这张图里的猫」，它就画一张带黄色框的图；你让它「分割出所有树」，它就画一张树被涂成绿色的图；你让它「估算这场景的深度」，它就画一张用颜色代表远近的伪彩图。所有任务都被「伪装」成了绘画指令，而它的画笔，就是训练出来的生成能力。

这背后的关键是**指令微调**——你可以理解成给这个天才画家上几节「命题画小课」。研究者只往它的训练数据里加了极少量「命题画」样本，比如「用红色框出汽车」的图，既没洗掉它原有的绘画天赋，又让它学会了把抽象的视觉任务，转化成具体的像素输出。

生成能力，居然能反哺理解精度

过去的常识是：理解是「压缩信息」，生成是「展开信息」，两者方向相反，不可能互相帮忙。但Vision Banana的实验数据推翻了这个结论：在语义分割任务上，它的准确率超过了专门训练的SAM 3；在深度估计上，它不需要相机参数，精度就打败了Depth Anything 3；更关键的是，它在文本生图和图像编辑任务上，还保持着和原模型几乎相当的胜率——它没因为学会「看懂」就忘了「怎么画」。

这背后的逻辑，和人类的视觉认知不谋而合：我们看到被半遮的椅子，会自动「脑补」出完整的椅子——这个脑补过程，就是一种生成。Vision Banana把这个直觉工程化了：它不是在「看」图像，而是在「想象」图像应该是什么样。当面对被遮挡的物体、模糊的细节时，它能靠生成能力补全信息，这是只会「看」的专用模型做不到的。

当然，它也有局限：生成的像素图需要额外解码才能得到深度、分割掩码等实用数据，在极端追求速度的场景，专用模型依然有优势。而且它的物理真实性还不够完美，偶尔会生成不符合现实逻辑的细节。

从「看图识字」到「视觉想象力」

Vision Banana的野心，远不止是统一视觉任务。它指向的是一种全新的视觉AI：不再是「看图识字」的工具，而是具备「视觉想象力」的系统。

比如在自动驾驶场景，传统AI需要靠复杂的算法规划路径，而拥有Vision Banana能力的系统，只需要在脑中「生成」一段成功避开障碍的像素序列，再照着这段序列去行动；在机器人领域，它不用预先编程每一个动作，只需要「想象」自己拿到杯子的画面，就能反向推导出要做的动作。

这像极了NLP领域的Transformer时刻——2017年Transformer用一个模型统一了所有语言任务，现在Vision Banana要在视觉领域做同样的事。当它和谷歌的多模态模型打通，一个能理解又能想象的「世界模型」雏形就会出现：它不仅能看懂眼前的世界，还能预测、模拟甚至创造未发生的场景。

十年前，视觉工程师们为每一个新任务焊一条新流水线；十年后，一个模型用同一个动作回答所有视觉问题。这不是简单的技术整合，而是对「视觉智能到底是什么」的重新定义：最好的视觉模型，不是完美的分类器，而是拥有完美想象力的观察者。

生成即理解，想象即推理。未来的视觉AI，或许会像人类一样，靠「脑补」看懂整个世界。