【东吴证券】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？-260730（10页）.pdf

核心数据速览： 视觉架构四个阶段：手工特征→CNN崛起→ViT登场→融合时代。 CNN三项设计先验：局部连接、权值共享、平移等变性。 ViT核心机制：patch切分（如16×16→196个token）+位置编码+Transformer编码。 ViT-H/14在JFT-300M预训练：ImageNet精度超过当时强CNN。 ConvNeXt结论：纯卷积+现代训练技巧可追平部分ViT。 感受野差异：CNN逐层扩大，ViT第一层即全局。 计算复杂度：CNN随分辨率线性，ViT自注意力随token平方增长。 产业分工：多模态大模型偏ViT，车端量产偏混合。 ImageNet-1k从头训练：CNN与ViT精度接近。H2：报告核心数据解读。H3：视觉架构演进四阶段对比。| 时代 | 标志性工作 | 表征方式 | 主要局限 ||||||| 手工特征时代（—2012） | SIFT、HOG+SVM | 人工设计的特征算子 | 依赖专家经验、难以规模化 || CNN崛起（2012—2020） | AlexNet、VGG、ResNet | 卷积自动学习局部特征 | 感受野受限、长程依赖偏弱 || ViT登场（2020—2022） | ViT、DeiT | 自注意力建模全局关系 | 数据饥渴、算力开销大 || 融合时代（2022—今） | Swin、ConvNeXt、CoAtNet | 局部性与全局注意力融合 | 设计空间复杂 |数据来源：东吴证券研究所整理。H3：CNN与ViT核心差异对比。| 对比维度 | CNN | ViT |||||| 感受野 | 逐层扩大，深层才全局 | 第一层即全局 || 归纳偏置 | 强先验（局部连接/权值共享/平移等变性） | 弱先验，数据驱动 || 数据效率 | 小数据集表现更好 | 大数据规模优势明显 || 计算复杂度 | 随分辨率线性 | 随token数量平方增长 || 部署成熟度 | 端侧工具链成熟 | 生态仍在追赶 |数据来源：东吴证券研究所整理。H3：产业应用分工。| 应用场景 | 视觉骨干偏好 | 原因 |||||| 多模态大模型 | ViT/类Transformer | 大数据预训练、全局建模能力 || 研究前沿 | ViT | 可扩展性强、与Scaling Law一致 || 自动驾驶量产 | CNN前端+混合骨干 | 车端算力、时延、安全约束 || 端侧/实时系统 | CNN | 算子支持、量化工具链成熟 |数据来源：东吴证券研究所整理。H2：报告独有数据价值。 视觉架构四个演进阶段的完整时间线与标志性工作。 CNN三项设计先验的详细机制（局部连接、权值共享、平移等变性）。 ViT核心设计的完整流程（patch切分→token化→位置编码→Transformer编码）。 CNN与ViT四组核心分歧的详细对比（感受野、归纳偏置、数据效率、计算复杂度）。 感受野差异的量化分析（CNN逐层扩大 vs ViT第一层全局）。 计算复杂度的量化对比（CNN线性 vs ViT平方增长）。 ImageNet-1k与JFT-300M不同数据规模下的性能对比。 ConvNeXt核心结论（纯卷积+现代训练技巧可追平部分ViT）。 产业应用分层格局（多模态大模型偏ViT、车端量产偏混合）。 物理AI增量方向判断。数据来源：东吴证券研究所。H2：谁需要这份报告？ AI算法工程师与计算机视觉研究员：了解CNN与ViT的机制差异、架构演进和选择依据。 自动驾驶技术决策者：掌握车端视觉架构选型依据（CNN前端+BEV/Transformer混合）。 AI芯片与硬件加速工程师：了解CNN与ViT的计算特性差异和部署约束。 AI产业投资者与分析师：掌握视觉骨干技术路线和产业应用分工。 多模态大模型研发人员：了解视觉编码器的技术选择和演进趋势。FAQ区块。Q1：CNN和ViT的核心区别是什么？A1：CNN将局部连接、权值共享和平移等变性等视觉先验写入结构，数据效率高；ViT通过自注意力将图像表示为token序列，弱先验使其在大数据预训练下上限更高。Q2：视觉架构经历了哪几个阶段？A2：四个阶段：手工特征时代（SIFT/HOG）→CNN崛起（AlexNet/VGG/ResNet）→ViT登场（2020年）→融合时代（Swin/ConvNeXt/CoAtNet）。Q3：ViT是否比CNN更强？A3：核心争议在于ViT优势是否来自更大数据和训练范式。ConvNeXt证明纯卷积配合现代训练技巧仍可追平部分ViT。架构选择取决于数据规模、算力和部署约束。Q4：产业中CNN和ViT如何分工？A4：多模态大模型和研究前沿偏ViT（CLIP/SigLIP/Qwen-VL）；自动驾驶量产系统受车端算力约束，更多采用CNN前端+BEV/Transformer融合的混合骨干。Q5：什么是物理AI？A5：物理AI是物理世界的AI解决方案。数字AI底座模型难以实现物理世界的建模闭环，智能驾驶作为最先跑通闭环的代表场景，应重点关注。完整PDF报告包含内容。 视觉骨干网络概念与核心地位分析。 视觉架构四个演进阶段的详细梳理。 CNN核心机制（卷积、池化、任务头）与三项设计先验。 ViT核心机制（Self-Attention、patch切分、位置编码、Transformer编码）。 CNN与ViT四组核心分歧详细对比。 ViT优势来源争议分析（架构vs数据vs训练范式）。 归纳偏置作为资产还是约束的讨论。 产业应用分层格局分析。 物理AI趋势判断。 全部数据图表与参考文献。延伸阅读。如需了解行业趋势与战略洞察，可返回查看本报告深度分析页面。数据来源说明。以上内容基于东吴证券研究所《AI系列深度07期：CNN与ViT两类视觉骨干有何差异？》（2026年7月30日）研究报告整理。