从CNN到ViT:自动驾驶视觉感知架构改写产业生态

机器视觉系统的性能上限取决于视觉骨干网络（Backbone）。视觉骨干网络的作用是将原始图像的像素矩阵编码为高层语义特征，供下游的分类、目标检测和语义分割等任务调用。当前视觉感知领域正在经历从 CNN（卷积神经网络）向 ViT（Vision Transformer，视觉 Transformer）的代际更替，这一变革的本质是“人为写入先验”向“数据与算力驱动”的转向。

代际更替的核心：归纳偏置与 Scaling Law 的权重博弈

CNN 统治计算机视觉领域近十年，其核心逻辑建立在三项强归纳偏置（即训练前写入模型的先验假设）之上：局部连接（只关注相邻像素）、权值共享（不同区域复用同一特征提取器）和平移等变性（物体移动时特征相应平移）。

这些先验使 CNN 在中小规模数据集（如约 120 万张图像的 ImageNet-1k）上拥有极高的样本效率，特征提取过程复杂度随分辨率呈线性增长，符合端侧低功耗计算的需求。

然而，强先验构成了结构性约束。CNN 的感受野（神经元能感知的图像区域）必须通过堆叠深度自下而上逐层扩大，导致其在捕捉跨区域的长程依赖关系时效率低下。

2020 年发布的 ViT 改变了这一路径。ViT 将一张 224x224 像素的图像切分为 16x16 的块（Patch），得到 196 个 Patch Token，加入位置编码后直接输入 Transformer 编码器。ViT 依靠 Self-Attention（自注意力机制）在第一层即实现全图 Patch 的全局交互。

这种设计放弃了 CNN 的结构先验，其动力来自于对 Scaling Law（规模法则）的追求：

1、弱先验释放参数上限：没有局部连接的刚性限制，模型能够吸收海量数据并自动学习复杂的空间关系。

2、数据规模突破精度瓶颈：在约 1400 万张图像的 ImageNet-21k 或 3 亿张图像的 JFT-300M 等超大规模数据集预训练下，ViT（如 ViT-H/14 参数量级）的特征提取上限显著超越传统 CNN。

供应链瓶颈与算力壁垒：为什么全盘 ViT 尚未实现

尽管 ViT 在大模型预训练和多模态场景（如 CLIP、SigLIP、Qwen-VL）中占据主导，但其在工业界和车端量产落地时面临极高的资源壁垒，形成了明显的供需错配与瓶颈：

第一，计算复杂度的二次方增长。标准自注意力的计算复杂度随 Token 数量（即图像分辨率）呈平方级递增。在自动驾驶等高分辨率（如 800 万像素摄像头）场景下，计算资源消耗呈指数放大。相比之下，CNN 的计算量仅随分辨率线性增加。为了解决这一问题，行业衍生出了 Swin Transformer 等利用局部窗口限定计算范围的变体，以折中计算开销。

第二，端侧部署生态与工具链落地滞后。硬件芯片对 CNN 的卷积算子、量化工具链（如 INT8 加速）已有多年优化积淀；而 ViT 所需的动态内存分配、大矩阵乘法以及频繁的全局特征交换，对车载 SoC（系统级芯片）和边缘 NPU 的带宽及片上缓存（SRAM）构成了极高的挑战，造成端侧部署延时拉长、功耗增加。

产业分化趋势：云端 ViT 与车端混合架构

基于上述算力与部署约束，产业端呈现出明确的分层逻辑：

1、云端与大模型研究：全面转向 ViT 及类 Transformer 架构，追求最高的表征能力和跨模态融合效率。

2、边缘端与自动驾驶量产：采用混合架构（Hybrid Backbone），即利用 CNN 提取前端局部特征以控制计算开力，结合 Transformer/BEV（鸟瞰视角）进行全局空间语义融合。

针对这一技术路线的演进，需要考虑以下不确定性：

• 算法结构迭代带来的硬件淘汰风险：如果高效自注意力算子（如线性注意力）硬件化进程加速，纯端侧 CNN 供应链面临加速淘汰风险。

• 车载芯片算力提升不及预期：若车端 SoC 的 SRAM 带宽与 Transformer 专用加速单元部署推迟，可能限制高级别自动驾驶算法的商业化落地节奏。

A 股产业链映射

根据上述对视觉骨干网络演进、云端大模型算力需求以及车端混合感知部署的分析，相关受益细分领域及标的：

【德赛西威】作为自动驾驶域控制器龙头，公司深度绑定英伟达 Drive Orin 及下一代 Thor 平台。Thor 算力大幅提升，专门针对 Transformer 架构进行优化。公司具备将视觉混合骨干架构（CNN 前端 + Transformer 全局感知）在车载 SoC 上进行量产部署和工具链优化的能力，直接受益于车端感知架构升级带来的域控单车价值量提升。

【中科创达】视觉架构从 CNN 向 ViT 或混合架构演进时，模型的边缘端部署需要复杂的模型剪枝、量化以及硬件适配。公司在边缘端 AI 模型部署与异构计算优化方面积累了底层软件工具链能力，能够帮助车载及智能硬件客户解决 Transformer 模型在端侧 NPU 上的算子兼容性与功耗控制瓶颈。

【韦尔股份】视觉 Transformer 架构对输入图像的质量、动态范围和像素细节提出了更高的要求，以支撑 Patch 化后的全局关系提取。公司作为车载高阶 CIS（CMOS Image Sensor，互补金属氧化物半导体图像传感器）核心供应商，高动态范围（HDR）及 LED 闪烁抑制（LFM）功能适配了自动驾驶视觉感知端对高清原始图像数据的刚性需求。