AI 看图这条线，2012 年前后几乎是两个行当：之前的主流是人工设计特征——研究者构造一组算子去描述图像，再接分类器；之后的主流是端到端——神经网络直接从像素学出特征。交接的转折点，公开评论公认在 2012 年 ImageNet 竞赛上 AlexNet 的大幅领先。这篇按公开文献对照两条路线的做法与节点，梳理这条交接线。
手工特征时代的流水线
手工特征时代的主流流程是两段式：第一段由人设计特征算子，第二段接分类器。公开文献里留下名字的方法不少：SIFT 用局部关键点描述图像（Lowe 的公开论文，1999 年会议版、2004 年期刊版口径）；HOG 用梯度方向直方图刻画行人轮廓（2005 年公开论文口径）；此后还有词袋模型与可变形部件模型。特征设计是那个年代论文里见功力的部分：换一个任务——从识别物体到检测人脸——往往要重新设计一套特征。同期还有一条预告信号：2012 年初，谷歌公开的神经网络在大规模视频里自己学出了「猫脸」这类概念（见谷歌猫脸实验一篇），特征可以不用人来设计，这件事当时已有公开演示。
数据集与竞赛的转折点
交接需要两个前提，公开记录里都齐备了。其一是数据：ImageNet 数据集 2009 年公开，由李飞飞团队组织建设，上百万张标注图片把视觉任务的数据量抬了一个量级（见ImageNet 数据集一篇）；配套的竞赛自 2010 年起举办。其二是方法与算力：深度学习复兴（见深度学习复兴一篇）解决了深网络训练问题，GPU 进入训练流程解决了速度问题。2012 年，AlexNet 把竞赛错误率比前一年压低约十个百分点，公开论文口径下远超第二名（见AlexNet 拿冠军一篇，具体数字以原文为准）；2013 年同一竞赛的前列队伍几乎全部改用深度网络（见ImageNet 竞赛一篇），主导权交接在两年内完成。
| 环节 | 公开节点 | 具体内容 |
|---|---|---|
| 数据 | ImageNet 数据集 2009 年公开，竞赛 2010 年起举办 | 上百万张标注图片，把视觉任务的数据量抬了一个量级 |
| 方法与算力 | 深度学习复兴与 GPU 进入训练流程 | 解决深网络训练问题，也解决速度问题 |
| 竞赛结果 | 2012 年 AlexNet 夺冠，2013 年前列队伍改用深度网络 | 错误率比前一年压低约十个百分点，主导权交接在两年内完成 |
端到端改变了什么
端到端的含义是：特征不再由人设计，网络从原始像素逐层学出表示，从输入到输出一气呵成。人力配置随之挪位——研究者的主要工作从设计特征转向准备数据、搭建结构与调参；公开文献把这种变化概括为「表示学习」的胜利：好特征是可以学出来的。迁移学习是另一项公开红利：在大数据集上学到的特征可以搬到小任务上用，视觉的应用面由此铺开。代价也有公开讨论：模型的可解释性下降，算力门槛上升，这两点在公开文献里被反复提及。
特征两条线的公开对照
视觉两阶段公开对照
- 知识来源：特征由专家设计｜特征由数据学出
- 代表方法：SIFT、HOG、词袋、部件模型｜AlexNet 及其后续深度网络
- 强项：小数据可用、结构可读、无需大算力｜随数据扩展、跨任务可迁移
- 软肋：换场景要重新设计｜依赖数据与算力、可解释性弱（公开讨论口径）
需要说明的分寸是：这张表只对照公开事实与方法特征，不做高下结论。手工特征并没有在交接后退场：SIFT 在图像拼接、匹配等任务里仍被公开文献列为常用方法；端到端也没有通吃一切，小数据场景里传统方法仍是选项。交接交接的是主干位置，而非生杀权。
再多说几句视觉交接
- AlexNet 当年领先多少？：公开论文口径，错误率从前一年的约百分之二十六压到约百分之十五点三，具体数字以论文原文为准。
- 手工特征被淘汰了吗？：没有。拼接、匹配等任务里 SIFT 仍在使用，小数据场景仍是选项，以公开文献口径为准。
- 端到端之后视觉走向哪里？：检测分割、视觉大模型与多模态是公开可见的后续方向，进展以公开论文为准。你今天用豆包识一张图片里的物体、用智谱清言描述一张照片的内容，用的就是端到端这条线的成果。
