144、洞察驱动的实战标题——AWB的AI化实践——从灰度世界到语义分割驱动白平衡的演进，以及如何用轻量级语义网络在移动端实时运行上周在调试一台量产车型的环视系统，客户反馈地下车库出口处白平衡疯狂漂移，画面一会儿偏青一会儿偏黄，像霓虹灯下的迪斯科。我把日志拉出来，AWB统计模块的R/G和B/G增益曲线抖得像心电图的室颤。这不是个案，所有基于灰度世界或白点统计的经典算法，在低照度混合光源场景下都会犯同样的病——它们假设场景里存在足够多的中性色，或者至少统计分布能代表光源。可现实是，出口处一半是冷白荧光，一半是暖黄钠灯，地面还是深灰环氧地坪，经典统计直接懵了。这个问题的根子在于，AWB本质上是一个光源估计问题，而经典方法把光源估计简化成了颜色统计问题。灰度世界假设场景平均反射率是灰的，白点检测假设场景里有可检测的白色区域。这两个假设在自然光充足、场景内容丰富的条件下勉强成立，但一旦遇到大面积单色物体、人工混合光源、或者低照度下信噪比骤降，统计特征就与光源色温脱钩了。我见过最极端的案例是某安防球机对着红色消防通道门，灰度世界算法硬是把白墙调成了淡蓝色，因为红色像素把平均色度拉偏了。解决思路其实很直接——既然统计特征不可靠，那就让算法知道场景里到底是什么。语义分割能告诉我们哪些区域是天空、墙面、植被、皮肤、路面，这些类别的反射特性是已知的先验。比如天空在晴朗条件下是偏蓝的，但它的色度偏移有明确的物理范围；植被的绿色反射峰在550nm附近，色度分布紧凑；肤色在色度图上的轨迹更是被研究了几十年。如果我们能对每个像素打上语义标签，就能构建一个加权白点估计——给中性色区域高权重，给已知强色偏区域低权重，甚至直接利用已知色度先验来约束光源估计。但问题来了，移动端So