很多人以为，视觉系统的性能提升只需依赖数据量的指数级增长，其实不然。当数据采集成本突破物理极限——比如工业场景中缺陷样本的稀缺性、自动驾驶场景下极端天气的覆盖率不足——系统会陷入“数据枯竭”陷阱。此时，模型泛化能力非但不会提升，反而因过拟合导致关键指标断崖式下跌，这已成为行业公开的秘密。
底层逻辑是：视觉系统的鲁棒性不取决于数据绝对量，而取决于数据分布的熵值。 以某头部车企的ADAS系统为例，其德国测试车队在纽博格林赛道采集了10万帧暴雨数据，模型在验证集上的mAP（平均精度均值）却从82%暴跌至59%。问题根源在于，赛道场景的数据分布熵值过低——所有雨滴的入射角度、车速与光照条件呈现强相关性，导致模型将“赛道”这一特征错误关联为“暴雨”的必要条件。
听起来可能反直觉，但在2023年DARPA机器人挑战赛中，冠军团队MIT-PITT-RW的视觉系统因数据分布缺陷险些失利。比赛规则要求机器人在模拟福岛核电站的废墟中完成阀门关闭任务，其中“辐射雾”场景的数据采集受限于真实环境，团队仅能获取200帧有效训练样本。
传统方案会通过数据增强（如随机旋转、亮度调整）扩充数据集，但MIT团队发现：辐射雾的物理特性导致其散射系数与空气湿度呈非线性关系，简单数据增强会破坏这一物理约束。其解决方案是构建“物理引擎+生成对抗网络”的混合架构——用Navier-Stokes方程模拟雾气扩散，再通过GAN修正流体模拟的细节偏差。最终，系统在仅用原始数据1/10量级的情况下，将任务完成率从68%提升至94%。
这一案例揭示了关键矛盾：当数据量无法突破物理限制时，系统设计必须从“数据驱动”转向“物理约束驱动”。很多团队仍在堆砌算力与数据，而头部企业已开始将第一性原理（如光学传输方程、材料反射特性）嵌入视觉架构，这正在重塑行业的技术路线图。
