观点文章：无标注不等于无人类监督，计算机视觉需明确披露学习管线中的“先验”
arXiv一篇立场论文质疑“无监督”一词的笼统用法，指出不同数据筛选与训练目标嵌入不同的人类先验，并观察到CV顶会中“无监督”命名论文自 2021 年起骤减。
AI解读：“无监督学习”这个名字容易让人以为模型完全靠自己学，但现实是数据怎么挑、训练目标怎么定，背后全是人的选择——这些选择本身就是隐性的“监督”。这篇观点文章指出，不同研究用同一个“无监督”标签，但各自嵌入了不同的人类先验，导致论文之间很难公平比较，甚至和 2021 年以来CV顶会里标题带“无监督”的论文数量骤减现象吻合。作者不是要否定预训练的价值，而是呼吁研究者公开数据筛选和训练目标中的先验，说明管线哪些部分依赖哪些假设。对做研究的人来说，这意味着以后投稿或评审时可能需要多写一段“我们在这里做了哪些人工选择”，短期会增加写作负担，但长期能让方法对比更清晰、避免小众思路被主流标签掩盖。
arXiv于 2026 年 9 月 2 日发布一篇题为“Position: Unlabeled IS NOT Equal to No Human Supervision in Visual Learning”的立场论文（编号arXiv:2609.03077），作者Dong Lao。论文认为，视觉学习中缺少标签并不意味着没有人类监督，并呼吁研究界更明确地识别监督来源。
论文指出，计算机视觉中许多近期方法都基于大规模无标注数据学到的表征，因此被归入同一“无监督”总称，但不同数据筛选方案和训练目标嵌入了模型所依赖的、差异显著的人类先验。作者称，单一的“无监督”术语已无法涵盖这些区别。
术语模糊与论文发表趋势
论文认为，这种模糊性使在不同假设下开展的无监督学习研究更难比较，并指出这与旗舰计算机视觉会议中标题含“unsupervised”的论文自 2021 年以来大幅减少的趋势相吻合，尽管该领域仍在持续增长。文中未给出具体数据来源或统计方法。
作者呼吁披露先验与标准化做法
作者表示完全认可预训练作为现代计算机视觉的坚实基础，但主张社区共同努力提升概念清晰度：鼓励作者披露数据选择和训练目标中的先验，并具体说明学习管线的哪些部分依赖哪些假设。
论文称，标准化的披露实践可改善学术交流、确保更公平的比较，并保护无监督学习中的方法论多样性。该论文标注为ICML 2026投稿，分类为计算机视觉与模式识别（cs.CV）和机器学习（cs.LG）。