表达一下个人思考，权当抛砖引玉。欢迎指正。
因为普遍认为CV领域还没出现涌现，所以得先思考CV的涌现是什么才能继续回答为何没有涌现。自然语言天然带有语义信息，因为语言本身就是人类交流思想所使用的工具，它既能承载世界知识，也能表述智能（逻辑、推理等等），还非常方便和人类进行alignment。而纯RGB域视觉信息的来源是自然场景，我认为其极限应该是以下几点：
这是一个从 https://www.zhihu.com/question/597657073/answer/3000794811 下的原始话题分离的讨论话题