中国计算机视觉市场规模从234亿元增长至845亿元、十年扩张数倍的背后，主流技术路线经历了从传统图像处理到深度学习（CNN）、再到Transformer与大模型主导的清晰迭代。这一演进的本质，是从“人工设计特征”转向“数据驱动特征学习”，再转向“大规模预训练+场景微调”的范式跃迁，每一阶段都重塑了算法公司的能力壁垒。

从小模型到大模型：技术路线的三次跃迁

早期计算机视觉依赖人工设计的特征工程与浅层模型，针对特定场景单独训练，模型通用性差，换一个应用场景往往需要重新训练，牵涉大量调参、调优工作，且受限于标注数据规模，模型精度常不理想，导致AI研发成本高、效率低。

2006年深度学习理论突破后，以CNN为代表的深度学习路线成为主流。深度学习让模型能够在大规模数据中自动学习特征，显著提升了图像识别、检测等任务的精度。但这一阶段的AI模型仍是针对特定应用场景需求训练的“小模型”，通用性不足的问题依然存在。

而过去5年，随着数据、算力和算法的提升，AI技术从“小模型”走向“大模型”时代。大模型在大规模无标注数据上训练，自主习得特征和规则，相比小模型泛化能力更强。基于大模型进行应用开发时，只需用下游特定任务的小规模标注数据进行微调，甚至不微调即可完成多个场景任务，有效降低了AI应用研发门槛。

大模型的“涌现能力”与行业壁垒变迁

大模型区别于小模型的关键在于涌现能力——当模型规模达到某个阈值时，模型对某些问题的处理性能会突然呈现快速增长，而非线性平滑提升。这种能力使得ChatGPT等现象级应用得以出现，也标志着人工智能从决策/分析式AI迈向生成式AI（AIGC）的新阶段。

技术路线的跃迁也改变了算法公司的护城河。小模型时代，壁垒在于场景理解与定制化工程能力，需要大量人力进行调参调优；大模型时代，壁垒前移至算力资源、数据规模与原创算法能力。从全球超千亿参数大模型的分布来看，中国企业贡献了约三分之一，美国贡献了约二分之一，在拥有大模型数量及参数量前十名组织中，中美分别占据4席与6席。

市场规模扩张与产业格局

中国计算机视觉市场的高速增长与这一技术演进互为表里。从市场规模数据看，中国计算机视觉市场规模在2018年为234亿元，到2021年已增长至845亿元，期间同比增速一度超过100%。计算机视觉占中国人工智能市场的比重在2021年达到32.5%，是人工智能各细分领域中商业化落地最为成熟的赛道之一。

值得注意的是，中国人工智能市场规模占全球的比重，预计将从2021年的13.8%提升至2025年的20.9%，而国内AI技术与美国的差距已缩小至1-3年。尽管在原创模型与高端算力方面仍有差距，但依托大模型的应用落地与产业升级，计算机视觉赛道的增长潜力依然可观。

常见问题

CNN与大模型是什么关系？

CNN（卷积神经网络）是深度学习时代的代表性架构，擅长提取图像的局部空间特征；大模型则是在更大规模数据与参数上训练的通用模型，具备更强的泛化能力与涌现能力，两者并非替代关系，而是技术演进的递进——大模型吸收了深度学习的核心成果，并将其推向规模化。

为什么说大模型降低了AI应用的门槛？

小模型需要针对每个特定场景重新训练，牵涉大量调参调优工作与标注数据成本。大模型在大规模无标注数据上预训练后，只需少量下游场景数据微调甚至不微调即可完成任务，显著降低了研发门槛，也缓解了场景数据量少、模型精度低的问题。

中国计算机视觉算法公司与海外差距有多大？

从大模型技术角度看，美国在原创算法方面领先中国约2-3年，且部分高端GPU的出口限制在一定程度上影响了模型训练速度。但中国在参数量规模上并不落后，且差距正在缩小，未来有望通过国产算力替代与应用落地实现追赶。