2026年的反常识中标事件
去年底杭州萧山区的智慧城市新安防项目招标，我托在甲方做技术监理的朋友拿了几份投标方案的核心参数，几乎所有互联网背景的竞标方都掏出了基于ViT的大模型视觉方案，只有海康的团队拿了一套基于改良CNN的端侧推理方案出来。
结果出来，所有人都懵了。海康赢了。报价比第二名低了12%，后期运维功耗成本每年省近三百万。说实话我刚听到的时候也觉得不可思议，毕竟现在AI圈谁不提大模型视觉，发论文不挂个ViT都不好意思投会议，CNN都快被说成上一个时代的老古董了对吧？
这套中标CNN方案，参数量只有主流ViT大模型方案的1/27，推理端功耗比大模型低了72%，对动态人脸识别的准确率只低了0.8个百分点，刚好落在甲方要求的合格线以上。就是这0.8个点，省出来的都是真金白银。甲方要的是能在路口摄像头直接出结果，不需要传到云端再等反馈，大模型再好，跑不动就是跑不动，端上塞不下就是塞不下。
很多人说大模型可以压缩啊。压缩了精度掉的比CNN还多，折腾一圈，成本还比现成优化好的CNN高两倍，傻子才选。这事挺反常识的，但就是发生在2026年的今天。
被忽略的端侧商业模式博弈
不过话说回来，海康做这个选择不是临时起意。我前两年跟海康研究院的一个老算法专家吃饭，他就说，海康这么多年，一直没停过CNN的优化，反而在ViT出来之后，投了更多钱进去改小模型。为什么？
这就像生物进化里的穴居鱼，进入封闭无光的洞穴环境之后，没用的眼睛会慢慢退化，反而把能量省给嗅觉和侧线，活得比那些带着完整眼睛的外来物种更滋润。CNN就是这条穴居鱼，大模型是那个在平原跑得快的狮子，进了洞穴，狮子跑不开，不如鱼灵活。
海康每年卖出去近一亿颗带AI能力的监控摄像头，超过90%都用的自研轻量化CNN，单颗摄像头的BOM成本比用大模型方案低45元，相当于整颗摄像头物料成本的三分之一，一年下来，光是这块就多赚了四十多亿，这还是保守算的。
现在资本都盯着云端大模型的故事，估值翻着倍往上涨，但是端侧的生意，没人愿意讲，太苦了，要抠每一个MACC的功耗，要裁每一个冗余的卷积核，发不了好论文，融不到高估值，但是钱就是实实在在揣在口袋里。国内还有一家做智能门锁的德施曼，你去看他们的人脸识别门锁，用的也是优化后的CNN，从来不用大模型，为什么？一块电池要撑一年，大模型跑一周就没电，用户用脚投票都知道选哪个。
很多人搞反了，不是CNN技术落后，是现在的资本和算法圈都喜欢讲新故事，新故事才能涨估值，才能拿融资，老技术没故事可讲，就被扔进垃圾堆了。但商业模式从来不是看故事新不新，是看能不能赚钱，能不能给客户省钱。CNN赢就赢在，它从出生开始就是为端侧识别设计的，卷积天生就是提取空间特征的，冗余信息比ViT少太多，这不是落后，是天生适合这个场景。
被带偏的CV从业者出路
现在打开任何一个招聘网站，CV岗位都要求会大模型，会微调ViT，会多模态，刚毕业的学生发简历，不提大模型都没人面试，实验室里做CNN优化的，申基金都中不了，所有人都往大模型挤，挤得头破血流，卷不动了就开始骂AI寒冬。
说实话，我真觉得大部分人都被带偏了。万亿规模的端侧视觉市场，从安防到门锁，从自动驾驶域控制器到工业质检，哪一个不需要适配特定场景的轻量化CNN？现在没人做这块，谁来补？我去年在深圳认识一个从百度跳出来的CV工程师，原来在百度大模型部门做视觉，干了三年受不了卷，出来开了个十个人的小工作室，专门给中小工业企业做CNN模型裁剪适配，帮他们把原来的云端识别改成端侧，一年下来接了快三十个项目，赚了快两百万，比在大厂拿期权实在多了，他说现在订单排到今年下半年，根本接不过来。
对产业链来说，CNN的回潮不是开倒车，是把原来被大模型故事吹起来的泡沫挤掉，回归场景需求本身。现在很多上游芯片厂商，都在专门给CNN优化NPU指令集，因为大模型的指令集，跑CNN反而浪费，专门优化之后，效率还能再提30%，这就是新的产业链机会，只是没人喊出来而已。
你攒了好几年的CNN优化经验，真的一文不值吗？
