本文探讨了计算机视觉领域的发展和挑战，提出了CV必须走向大一统，使用一套系统解决各种视觉问题。文章分析了CV中完成大一统的困难，提出了从环境中学习的新研究范式，并介绍了未来CV训练流程的设想。作者认为，CV领域必须抛弃现有框架，设计全新的具身范式，让CV算法在与环境的交互中增强能力，不断进化。此外，文章还探讨了CV的根本困难和CV所处的发展阶段。作者认为，大规模语言模型已经具备了成为AI与人类沟通的“中枢系统”的条件，CV领域需要将这种范式复刻到自己的领域中。