房间里有人扔给你一个球，你伸手接住。这很简单，不是吗?

但实际上，这正是我们试图理解的最复杂的过程之一，而用机器去复现这样的过程更困难。发明一种能像人类一样观察的机器是非常困难的任务。这并不仅仅是因为，让计算机做这件事很困难，而是我们首先就没有彻底弄明白，我们自己是怎么做到的。

具体的机制大概如下：球的影像通过你的眼睛投射在视网膜上，视网膜将会进行一些初步分析，将信号传送给大脑，而视觉皮层将会更彻底地分析影像。随后，信号将被传送至大脑皮层的其他部位，并与已知的其他一切进行对比，而对象将被归类。大脑将决定你做出什么样的反应：伸出手接住球。这一切会在极短的时间内完成，对人类来说不会是有意识的行为，而成功率几乎是 100%。因此，重建人类视觉并不是单一的问题，而是一系列问题，且相互依赖。

没有人认为这很简单。人工智能的先驱马文·明斯基(Marvin Minsky)曾在 1966 年指导一名研究生“将摄像头连接至计算机，让计算机去描述对象”。然而遗憾的是，在 50 年之后，我们仍在研究这一问题。

关于计算机视觉的严肃研究从 50 年代开始，其中包括 3 个方面：模拟眼睛(困难)，模拟视觉皮层(非常困难)，以及模拟大脑的其他部分(被认为是难度最大的问题)。