大讲堂
说他们公司去年砸了2个亿的研发预算，跟着行业风口搞端到端多模态视觉检测系统，想替换掉用了快10年的老CNN方案，结果最后在宁德时代的产线做实测，老CNN方案的极片划痕漏检率是0.12%，新的多模态方案是0.15%——差了0.03个百分点，根本在客户的误差容忍范围内。
但是成本呢？
新方案跑一次完整的极片检测，推理成本是老CNN的14倍。
算下来每检测1GWh的电池，光云端算力的费用就要多掏12万。这2亿的研发投入，相当于苏州工业园区一整个中型视觉传感器厂全年的营收总和。
扯不扯。
真的扯。
当老方案赢了新风口，行业的脸被打肿了
那天在场的人一半是做工业视觉集成的，一半是做边缘芯片的，听完他的吐槽，没人接话。毕竟这不是他一家的问题。2025年下半年开始，整个AI视觉行业都在喊”CNN过时了”，要转端到端大模型，要把原来的卷积层全部换成注意力机制，好像谁还在用CNN，谁就是技术落后，拿不到融资，接不到大客户的订单。
我当时还在想，为啥大家都挤着往这个方向转？真的是因为CNN的精度已经摸不到天花板了？
后来跟几个做投资的朋友聊才知道，根本不是技术的问题。是现在的融资估值逻辑变了。你说你是做CNN优化的，投资人给的估值是按你每年的营收乘3倍算；你说你是做多模态大模型视觉的，估值直接按年营收乘15倍往上翻。
换你是创始人，你选哪个？
没人真的关心老方案的成本有多低，精度有多稳。大家要的是能讲给资本市场听的故事。
我当时坐在酒桌旁边，鸡皮疙瘩都起来了。这哪是技术迭代啊，这是整个行业被十几年的路径依赖绑死了，连往回退一步都要被人戳脊梁骨。
从LeNet到ResNet，我们早把老祖宗的设计初衷忘了
很多人可能已经忘了，当初卷积神经网络被发明出来，根本不是为了堆精度的。LeNet在1998年被提出来的时候，核心优势就是靠局部感受野和权值共享，把图像识别的计算量压到当时的CPU能跑的程度——要知道在那之前，做图像识别要靠人工设计特征，一个1000×1000的图片，要算的特征值能把当时的大型机跑冒烟。
CNN的出现，本质上是一次计算量的革命。它不是为了追求最高的精度，是为了在有限的算力下，把识别的精度做到可用的水平。
那后来怎么就变味了？
2012年AlexNet在ImageNet上拿了冠军之后，整个行业突然发现：只要把GPU堆得足够多，把CNN的层数堆得足够深，把训练集喂得足够大，精度就能一直往上走。
这就像二战时候的德军闪电战，本来是靠装甲部队的局部突破打穿防线，结果打顺了之后，所有人都觉得只要把装甲堆得越多、推进速度越快，就能赢，根本忘了战争的核心是达成战略目标，不是比谁的坦克多。
这里就要说我们本土企业的案例了。2023年国内某头部安防厂商的公开财报里，用于训练CNN模型的GPU集群采购成本，比整个算法团队3年的薪资总和还高2.7倍。你说这些集群真的都是为了做高精度的识别吗？也不全是。很多时候就是为了在行业展会的时候，能拍个集群运行的视频，证明自己的技术实力，能拿到更高的项目中标率。
2021年的时候，国内有个做算法的团队搞了个轻量化的CNN变体，把原来ResNet18的计算量压了60%，精度只掉了0.2个百分点，本来是个特别好的边缘端落地的方案。结果呢？根本没人买单。
为啥？因为当时所有的厂商都在比谁的模型精度高，谁的训练集群规模大，你把计算量压下来，反而显得你技术实力不行，客户会觉得”别人的模型都是几千万参数，你的才几百万，肯定不好用”。
卷到最后，大家都忘了CNN本来设计出来，就是为了少花算力的。
讽刺不？
被绑在CNN战车上的人，现在都怎么样了
最直观的感受，是现在招人的逻辑变了。2021年的时候，你简历上写”有3年CNN调参经验，熟悉YOLO系列、ResNet系列优化技巧”，能拿到30k以上的月薪，猎头天天给你打电话。2025年下半年开始，同样的简历，投出去的回复率比2021年降了72%。
不是这些技能没用了。是企业现在都在招能做多模态推理优化的人，你只会调CNN的参数，根本满足不了新的招聘要求。
很多在视觉行业待了五六年的老工程师，现在私下跟我吐槽，说当年花了三年啃透的卷积层反向传播逻辑，调了上百个数据集练出来的参数优化手感，现在突然变成了”过时技能”，转头就要去学Transformer的注意力机制，学多模态的对齐逻辑，这种落差，谁经历谁知道。
更有意思的是产业链的反应。那些本来可以靠轻量化CNN的需求起来的边缘芯片厂商，现在反而成了最尴尬的一群人。之前大家都在堆云端的大模型算力，没人愿意给边缘端的低功耗芯片投研发，结果现在客户突然发现，原来云端的方案成本太高，想要用回低功耗的CNN方案，才发现边缘芯片的产能根本跟不上。
很多人说现在的AI视觉卷不动了，其实不是卷不动，是大家在CNN的路上走了太多年，已经形成了条件反射——遇到视觉问题，第一反应是”我要堆参数，我要租GPU，我要喂更多的训练数据”，根本不会停下来想，这个问题是不是真的需要这么大的算力来解决。
比如现在很多小区装的人脸识别门禁，明明用一个几毛钱的红外传感器加简单的逻辑判断，就能防住照片、视频的攻击，非要用个跑大CNN模型的摄像头，把整个系统的成本拉到几千块，最后这个成本还是要摊到业主的物业费里。
等哪天GPU的供货价涨回2015年的水平，你猜现在市面上90%的视觉AI应用，会在多久之内集体下线？
作者|大讲堂
排版|大讲堂
审核|小准