【资料图】

视觉骨干网络是机器视觉系统的核心模块，直接决定分类、检测、分割等下游任务的上限。过去十余年，视觉架构经历了手工特征、CNN主导、ViT兴起到当前融合发展的四个阶段，CNN与ViT成为最具代表性的两代技术路径。

一份研报观点认为，CNN通过局部连接、权值共享和平移不变性等视觉归纳偏置，在数据相对有限的情况下展现出更高效率，更适合端侧实时部署；而ViT利用自注意力机制实现第一层全局交互，弱先验强规模化特点使其在大规模预训练下上限更高。研报指出，虽然ViT在多模态大模型如CLIP、Qwen-VL中成为主流，但ConvNeXt等纯卷积模型结合现代训练技巧已能追平部分ViT性能，表明视觉架构正走向任务、数据、算力约束下的动态平衡。

研报认为，产业落地呈现明显分层，多模态大模型和研究前沿偏好ViT类视觉编码器，而自动驾驶量产系统受算力、时延和安全要求影响，更多采用CNN前端加BEV与Transformer融合的混合架构。数字AI底座发展路径已逐渐清晰，但难以完成物理世界建模闭环。相比之下，物理AI有望成为当前AI阶段增量更大的方向，智能驾驶作为最先跑通闭环的代表场景，其确定性正在快速提升，相关产业链投资价值值得重点关注。