汽车行业深度报告：AI系列深度07期：CNN与ViT两类视觉骨干有何差异？

投资要点 　　视觉骨干网络是机器视觉系统的核心模块，其作用是把原始像素转化为高层语义特征，并决定分类、检测、分割等下游任务上限。CNN与ViT是过去十余年最重要的两代视觉骨干，分别代表“将图像先验写入结构”和“将关系学习交给数据与规模”两种设计哲学；二者之争本质上是先验、数据和算力如何分工。 　　视觉架构大体经历四个阶段：手工特征时代依赖SIFT、HOG等专家设计；CNN崛起后，AlexNet、VGG、ResNet推动机器自动学习视觉特征；ViT通过把图像切成patch并当作token输入Transformer，使注意力机制进入视觉；2021年后，Swin、CoAtNet、ConvNeXt等推动CNN与ViT相互吸收，进入融合时代。 　　CNN的优势来自三项视觉归纳偏置：局部连接、权值共享和平移等变性。这些结构假设使模型在数据有限时更高效，也更适合端侧和实时部署；约束在于局部感受野逐层扩大，长程依赖建模较弱。ViT以自注意力实现第一层全局交互，弱先验、强规模化，在大数据预训练下上限更高，但对数据、算力和位置编码依赖更强。 　　核心争议在于ViT是否真正“强于”CNN，还是更多受益于更大数据和现代训练范式。ConvNeXt证明纯卷积配合现代训练技巧仍可追平部分ViT，MLP-Mixer也提示注意力未必是唯一变量；因此更准确的理解是，视觉架构正在从“强先验”与“弱先验”两端走向任务、数据、算力约束下的动态平衡。 　　产业落地呈现分层：多模态大模型和研究前沿普遍采用ViT或类Transformer视觉编码器，CLIP、SigLIP、Qwen-VL等均沿此方向推进；自动驾驶量产系统则受车端算力、时延和安全约束影响，更多采用CNN前端、BEV/Transformer融合和混合骨干。研究前沿偏ViT，车端量产偏混合，是当前现实分工。 　　我们认为，数字AI底座模型发展路径已逐渐清晰、价值在于确定性，但其难以实现物理世界的建模闭环；我们认为物理AI将成为物理世界的AI解决方案，从而在AI的当前发展阶段成为增量更大的方向，智能驾驶作为最先跑通闭环的代表场景，我们认为应重点关注。 　　风险提示：技术迭代不及预期的风险，大模型厂商ARR增速放缓的风险，云服务商资本开支不及预期的风险，智能驾驶及机器人商业化落地不及预期的风险。