[计算机视觉/CV算法]技术落地与行业实践
这个行业现在到底在做什么？我能做些什么？哪些技术真正在生产环境里跑着？还有哪些值得关注的方向？
本文借助 DeepSeek-V4 辅助整理
一、核心技术栈解析
按技术栈来分，将工业界 CV 相关工作内容归纳为 7 块。它们是跨行业复用的原子能力，也是构建算法工程师能力地图的基本单元。
1.1 2D 基础感知
核心问题：给定图像或视频帧，回答有什么、在哪里、长什么样。
分类（有没有）、检测（在哪里）、实例分割（每个实例的精确轮廓）、语义分割（像素级类别标注）。这四者是 CV 最底层的底盘能力，几乎所有视觉系统都从这里起步。
技术选型逻辑：
- YOLO 系列（v8–v11）：工业界事实标准，Ultralytics 生态完善，训练部署一条龙。适合绝大部分检测需求——安防、质检、自动驾驶感知，首选方案。
- DINO 系列：引入文本引导，支持开放词汇检测。适合类别无法穷举的场景——用户上传任意图片检测任意物体时，维护预定义类别列表的成本太高，用文本引导方案更有价值。
- SAM 系列：分割一切，适合辅助标注和复杂背景分割。生产环境很少直接用于推理（计算量太大），更多嵌入标注 pipeline 做预标注或半自动标注。
部署侧：
- 服务端：ONNXRuntime/TensorRT/NVIDIA Triton 加速
- 边缘端：
- 通用推理框架：NCNN / MNN，跨平台适配主流芯片
- 芯片专用 SDK：瑞芯微 RKNN、地平线 BPU、海思 NNIE、算能 SOPHON
- 模型量化：FP16/INT8 是标配技能，尤其在公司没有专门部署工程师的情况下，算法工程师需要自己打通这条链路。
工程陷阱：
- 小目标检测始终是痛点。YOLO 的下采样倍数决定了理论极限，需要在 neck 设计、图像金字塔、crop 策略上额外下功夫。
- 类间混淆（比如区分不同缺陷类型）比
检出不检出难得多，靠的是数据增强策略而非换模型结构。 - 实际部署中，针对特定场景的调优（光照变化、遮挡、模糊）带来的收益远大于追求刷榜模型。
1.2 OCR 与文档理解
核心问题：把图像中的文字读出来，并理解文档的结构。
技术栈三阶段：
- 文字检测：DBNet（实时+效果好，工业首选）、PSENet（适合弯曲文字）。
- 文字识别：SVTR（Transformer 方案，当前 SOTA）、CRNN+CTC/Attention（经典方案，部署成熟）。
- 版面与结构化：LayoutLM（图文混排理解）、TableMASTER（表格还原）。PaddleOCR 是工业落地最完整的开源方案，从检测到识别到还原一条龙。
工程陷阱：
- 手写体识别与印刷体差距巨大，目前没有通用解法。
- 复杂版面（盖章压字、表格嵌套、弯曲文字、印章遮挡）是实际中的主要难点。
- OCR 有自己独立的数据标注和评测体系，跟检测分割的标准完全不同，进入 OCR 专项团队需要重新适应。
1.3 图像检索与向量召回
核心问题：不关心物体在哪，只关心哪张图和这张图最像。
以图搜图、商品检索、人脸检索、图片去重、版权查重。
技术选型逻辑：
- 特征表征：早期用分类网络的 bottleneck 特征（ArcFace、CosFace），现在多用对比学习（CLIP、SigLIP）获取语义对齐的 embedding。CLIP 在多模态检索领域占统治地位。
- 向量引擎：Milvus（分布式大规模）、FAISS（单机高性能）、Qdrant/Weaviate（新兴方案）。核心权衡是召回精度和查询延迟的平衡。
- 工程侧实际难点：数据清洗与去重、多模态特征融合、索引压缩参数调优（PQ/IVF/HNSW）——这些非算法环节才是影响 recall 的关键。
跟检测分割的核心区别：技术栈不依赖 bounding box，更依赖数据工程（亿级图片的清洗、标注质量把控）和检索系统的选型调优能力。
1.4 多模态与大模型视觉
核心问题：视觉内容与语言的对齐——要么理解图文关系，要么从文本生成图像。
两条技术线互相独立，差异很大：
- 多模态理解：CLIP（跨模态表征）、LLaVA（视觉指令微调）、Qwen-VL/InternVL（开源中文多模态）。跟 NLP 更近，面试侧重多模态架构设计。
- 多模态生成：Diffusers 生态（SDXL/SD3）、LoRA 微调（低成本定制化）、ComfyUI（工作流编排）。迭代极快，三个月前的主流方案可能已被取代。
1.5 视频理解与时序分析
核心问题：不止看单帧，要理解一段视频中发生了什么。
目标跟踪、行为识别、异常事件检测、人群分析、短视频内容理解。
技术选型：
- 跟踪：ByteTrack（简洁高效，工业首选）、DeepSORT（经典仍在使用）、BoT-SORT（更鲁棒但更重）。工程难点集中在遮挡和 ID Switch——需要处理缓存管理、轨迹插值、漏检补偿。
- 行为识别：SlowFast（双路径架构）、VideoMAE（自监督预训练）、TSN/TSM（轻量方案）。
- 异常检测：基于重建（AutoEncoder 重构误差）或预测（未来帧预测偏差），无监督是刚需——
异常的定义因业务而异。
跟单帧 CV 的难度差异：引入时序后工程复杂度指数级上升。缓存管理、排队逻辑、漏检补偿、实时性保证——这些占跟踪系统 70% 的开发时间，模型本身只占小部分。
1.6 图像增强与画质重构
核心问题：输入图像有缺陷，输出更好看的图像。
超分辨率、去噪、去模糊、去雾、逆光增强、HDR、美颜、色彩校正、镜头畸变矫正、视频插帧、防抖。
技术选型逻辑：
- 传统算法仍占重要地位：OpenCV 滤波、金字塔融合、多帧对齐、Retinex 模型。很多生产系统中，传统算法比端到端学习更稳定、更可控。
- CNN 方案：EDVR（视频超分经典）、BasicVSR（视频恢复基线）、NAFNet（高效去噪/去模糊）。
- 扩散模型：Stable Diffusion upscale、Restormer（Transformer 图像恢复）。效果更好，但推理太慢，在手机/相机 ISP 场景基本不可行。
这个方向的独特之处：PSNR/SSIM 跟人眼感知严重不一致，好不好看只能靠实拍和盲测。手机厂的影像评测团队规模可能超过算法团队，花数周甚至数月实拍对比是常态。
1.7 3D 视觉与空间感知
核心问题：理解三维空间中物体的位置、形状和几何关系。
点云检测与分割、深度估计、双目/结构光/激光雷达、多视角重建。
技术路线：
- 3D 感知（自动驾驶场景）：PointPillars（经典工业方案）、CenterPoint（当前主流）、VoxelNet（早期基础）。BEVFormer 是跨模态融合（相机+雷达/激光）的主流范式。
- 三维重建：NeRF 效果惊艳但逐场景训练推理太慢；3D Gaussian Splatting 是 2024 年的突破，实时渲染+高质量，但工业落地还在早期。
- 工程工具链：Open3D、PCL、mmdetection3d。
工程陷阱：
- 点云稀疏性——远处目标只有几个点，可靠检测几乎不可能，跟图像的
小目标问题本质不同。 - 外参标定——激光雷达到摄像头的外参偏差直接毁掉融合效果，而标定本身就是一个需要持续维护的工程问题。
- 3D 模型的计算量跟 voxel 分辨率强相关，在嵌入式设备上尤其敏感。
二、行业落地全景
技术分类回答的是你会什么，行业分类回答的是你在哪用。同一项技术在不同行业里的价值定位和落地深度完全不同——OCR 在金融科技中是核心业务，在安防中只是辅助能力。
2.1 互联网与平台内容
| 维度 | 说明 |
|---|---|
| 工作内容 | 搜广推（以图搜图、商品检索、同款识别）；内容理解（视频分类、标签提取）；审核（涉黄暴恐检测）；多模态（图文匹配、多模态搜索） |
| 技术栈 | CLIP 多模态表征、Milvus/FAISS、大规模分布式训练、Spark/Flink 数据处理 |
| 工作场景 | 电商搜图、短视频内容理解、社区内容审核 |
| 工作地点 | 北京、杭州、上海、深圳 |
| 代表公司 | 字节跳动、阿里巴巴、腾讯、拼多多、快手、小红书、B 站 |
行业洞察：数据规模是 CV 行业里最大的（十亿级图片/视频），对大规模分布式处理能力有要求。CV 不再独立存在，而是跟搜索推荐系统深度绑定。
多模态方向（图文匹配、多模态搜索）是近年增长最快的细分。审核方向虽然脏活多，但所有平台都需要，岗位体量大、相对稳定。互联网 CV 的问题是业务导向极其严重——技术能力在业务增长面前的议价权有限。
2.2 安防与智慧城市
| 维度 | 说明 |
|---|---|
| 工作内容 | 行人车辆检测跟踪、ReID、人群密度分析、异常行为检测、电子警察、交通违章识别 |
| 技术栈 | YOLO/RT-DETR + ONNX/TensorRT，端侧推理框架按芯片选型（海思、瑞芯微、地平线、Jetson），C++ 部署 |
| 工作场景 | 城市交通监控、社区安防、园区管理、消防预警 |
| 工作地点 | 杭州、深圳、北京 |
| 代表公司 | 海康威视、大华股份 |
行业洞察：算法在安防系统中占比（据行业经验）不到 20%，真正的复杂度在硬件选型、传输协议和后端平台。在这个行业做 CV，需要跟嵌入式工程师和系统工程师紧密配合。算法的价值更多体现在能在边缘芯片上跑多快而非精度刷多高。行业同质化竞争严重，头部格局已定，海康大华占据大半市场，留给新人的空间主要在存量维护和碎片场景覆盖。
2.3 自动驾驶与智能机器人
| 维度 | 说明 |
|---|---|
| 工作内容 | 2D/3D 检测、车道线分割、BEV 感知、Occupancy Network、多目标跟踪、SLAM、避障 |
| 技术栈 | BEVFormer、CenterPoint，C++ 部署，Orin/TDA4，CUDA 优化 |
| 工作场景 | 城区/高速 NOA、自动泊车、物流机器人、服务机器人 |
| 工作地点 | 北京、上海、深圳 |
| 代表公司 | 百度、华为、蔚小理、大疆 |
行业洞察：安全关键系统，精度和 recall 要求是所有 CV 方向里最苛刻的。C++ 部署是基本门槛，上车芯片主要是 Orin 和 TDA4。自动驾驶和机器人在技术栈上高度重合（3D 感知、多传感器融合、实时控制），人才流动频繁。2023-2025 年的趋势是去高精地图和端到端，对 CV 工程师的技能栈提出了新要求——不再只是感知，需要理解整个决策链路。到 2026 年回头来看，前者在城区场景已逐步量产落地，后者仍在快速演进中。工作强度高、方向变化快，但薪资天花板也是最高的。
2.4 AIGC 与多模态应用
| 维度 | 说明 |
|---|---|
| 工作内容 | 文生图/图生图、图像编辑、虚拟人、VLM 多模态理解、Agent + Vision |
| 技术栈 | Diffusers、SDXL/SD3、LLaVA、Qwen-VL、LoRA、ComfyUI |
| 工作场景 | AI 绘画工具、广告创意、虚拟数字人、多模态搜索 |
| 工作地点 | 北京、上海、杭州、深圳 |
| 代表公司 | 字节跳动、百度、阿里巴巴、智谱、MiniMax |
行业洞察：变化最快的方向，没有之一。企业的核心诉求是能快速跟进新技术、做出 Demo、验证效果，比在单一方案上深耕更重要。但泡沫也不小——很多公司内部出现多模态团队家家都有一套、但没有深入业务的情况。真正有壁垒的是数据飞轮和业务场景理解，而不是追最新的 Diffusion 模型。
2.5 工业视觉与智能制造
| 维度 | 说明 |
|---|---|
| 工作内容 | 表面缺陷检测、尺寸测量、定位对齐、喷码字符识别、少样本缺陷分割 |
| 技术栈 | 传统图像算法 + 深度学习，模型量化裁剪，少样本学习/异常检测 |
| 工作场景 | 产线质检、半导体晶圆检测、PCB AOI、3C 装配 |
| 工作地点 | 深圳、东莞、苏州、长三角制造业聚集区 |
| 代表公司 | 海康机器人 |
行业洞察：工业视觉是最接地气的 CV 方向。一个反直觉的事实：传统图像算法（阈值分割、边缘检测、形态学、模板匹配）的使用频率不低于深度学习，很多场景下甚至更可靠。工控机算力有限，量化裁剪是常规操作。最大痛点是缺陷样本稀缺，少样本学习和异常检测在这里比通用检测更实用。天花板不高但稳定，不像互联网那样大起大落。
2.6 金融科技与文档智能
| 维度 | 说明 |
|---|---|
| 工作内容 | 票据/合同/财报 OCR、版面分析、表格还原、文档审核 |
| 技术栈 | PaddleOCR、LayoutLM，LLM 文档问答 |
| 工作场景 | 银行票据处理、保险理赔、财报分析、合同审核 |
| 工作地点 | 上海、北京、杭州、深圳 |
| 代表公司 | 蚂蚁集团、各大银行 AI 团队 |
行业洞察：OCR 在这里是核心业务——千万级流水不可错，识别错了就是真金白银的损失。金融场景数据敏感、合规严格、对错误零容忍。结合 LLM 做文档问答是 2024-2026 年的主要趋势，传统 OCR pipeline + 大模型理解正在成为标配。相对稳定，不受经济周期太大影响——银行和保险的数字化需求是刚性支出。但金融行业的审批流程和合规要求会让算法迭代速度比其他行业慢得多。
2.7 消费电子影像
| 维度 | 说明 |
|---|---|
| 工作内容 | 超分辨率、夜景增强、HDR、多帧融合、美颜、视频插帧、防抖、色彩科学 |
| 技术栈 | EDVR/BasicVSR/NAFNet，ISP pipeline，主观评测体系 |
| 工作场景 | 手机相机系统、运动相机、无人机航拍 |
| 工作地点 | 深圳、东莞、上海、北京 |
| 代表公司 | 华米 OV、荣耀、大疆 |
行业洞察：如 1.6 节所述，PSNR/SSIM 与人眼感知不一致的问题在此同样突出。消费电子影像还需要与硬件（ISP、镜头、传感器）深度配合，懂硬件 pipeline 比只懂模型更有竞争力。缺点是岗位集中在少数几家大厂，跳槽选择面窄。
2.8 医疗影像
| 维度 | 说明 |
|---|---|
| 工作内容 | CT/MRI/X 光分割、病灶检测、病理切片分析 |
| 技术栈 | 3D U-Net、nnUNet、MONAI，DICOM 标准 |
| 工作场景 | 医院辅助诊断、体检筛查、病理数字化 |
| 工作地点 | 北京、上海、杭州、深圳 |
| 代表公司 | 联影医疗、推想科技 |
行业洞察：三类器械认证周期极长——从研发到拿证到进院，三年算快的。但一旦形成壁垒很难被替代。纯算法能力只是入场券，对医疗知识的理解和合规经验才是真正的护城河。这个行业经历过一轮低谷（2023 年多家公司裁员缩编），但长期需求仍然在——人口老龄化和医疗资源不均衡只会越来越突出。需要注意：这个方向的回报周期比大多数人预期长得多。
除了以上八个行业，还有一些小众垂直的方向同样在持续产生 CV 岗位需求：遥感与地理空间分析（卫星/无人机图像分析）、农业视觉（病虫害检测、果蔬分级）、餐饮视觉（餐品识别与品质评估）、半导体面板检测。技术栈不超出第一章所述的七类核心技术，但行业知识壁垒独特。
三、CV 岗位生态
技术栈和行业回答了你会什么、在哪用，但投简历的时候还需要知道另一个维度——你做什么。同一个行业、同一种技术栈，在不同的岗位上工作内容天差地别。
3.1 岗位类型光谱
CV 算法工程师不是统一的岗位，按职责性质大致分 5 类：
| 岗位类型 | 核心交付 | 技能侧重点 | 面试重心 | 常见 Title |
|---|---|---|---|---|
| 算法研究 | 论文、方法创新 | 学术洞察、实验设计 | 论文 > 基础知识 > 代码 | CV 研究员、研究科学家 |
| 算法应用 | 业务指标提升 | 数据清洗、模型调优、badcase 分析 | 项目经验 > 代码 > 基础知识 | 视觉算法工程师、算法工程师 |
| 算法部署 | 延迟/吞吐/内存 | C++、CUDA、推理框架、硬件理解 | C++ > 工程能力 > 基础知识 | 部署工程师、推理优化工程师 |
| 算法平台 | 工具链效率 | 后端开发、分布式系统工程 | 工程能力 > 架构 > 算法基础 | MLOps 工程师、平台工程师 |
| 全栈算法 | 业务交付 | 全链路通吃 | 完整项目经验 | 算法工程师（中小厂） |
几个实际观察：
- 算法应用是市场上数量最多的 CV 岗位，据行业观察约占 60-70%。无论是安防、工业还是互联网，大部分 CV 工程师做的就是
把算法落地到业务——数据清洗、模型选型、训练调优、上线验证、badcase 修复。 - 纯研究岗主要集中在大厂研究院和头部 AI 公司，数量少、门槛高（顶会论文是硬门槛）。2023-2025 年这个方向还在收缩——企业更关心落地而非发论文。
- 部署岗热度明显上升。模型越来越复杂，硬件平台越来越碎片化，专人在推理优化上比算法工程师自己兼职搞效率高得多。2024-2026 年几乎所有 CV 团队都在招部署方向的人。
- 全栈算法是中小厂的主流形态。一个人把链路跑通，成长速度最快，但上限取决于业务天花板。
3.2 公司体量决定工作方式
同样是算法工程师，大厂和中厂创业公司的日常完全不同：
大厂（万人以上）——分工极细。算法工程师只做模型训练评估，数据清洗有标注团队，部署有推理团队，AB 测试有平台。优点是能在细分方向扎得深，有充足的数据和算力。缺点是视野窄——你可能是业内最强的行人检测专家，但对检索、OCR、部署几乎不碰。
中厂（几百到几千人）——分工有但没那么细。算法工程师需要自己处理数据、训练、部署，有时候还要写服务端接口。通常要求能独立交付一个完整的视觉功能。成长比较均衡——既有深度也有广度，是很多工程师职业发展的舒适区。
创业公司（几十到几百人）——什么都干。从装环境到写文档到对接客户，没人兜底。技术要求不一定深但面极广，通常需要快速出 Demo、快速验证、快速迭代。如果公司方向对，成长速度最快；但如果方向不对，积累的经验在其他行业不一定直接适用。
3.3 市场供需趋势
几个肉眼可见的变化：
部署和推理方向在涨。 芯片碎片化和模型复杂化使得推理优化越来越复杂，专人做比算法工程师兼职更划算。这个方向的薪资涨幅在 2024-2025 年高于应用算法岗。
平台/MLOps 成为新刚需。 训练管理、实验追踪、数据集版本控制、自动评估——中大型团队都需要这套基础设施。这个方向跟传统算法关系不大，但对想做工程方向的人来说是一条稳定的路径。
复合型人才更稀缺。 懂算法 + 懂部署 + 懂业务的组合在任何公司都受欢迎。单一技能栈（只会调参、只会某一种模型）的抗风险能力在下降。
四、技术与行业的交汇
技术 7 块和行业 8 类交叉来看，可以看清 CV 的能力分布全局（★ 核心依赖，☆ 辅助使用）：
| 技术 \ 行业 | 互联网 | 安防 | 自动驾驶 | AIGC | 工业 | 金融科技 | 消费电子 | 医疗 |
|---|---|---|---|---|---|---|---|---|
| 2D 感知 | ★ | ★ | ★ | ☆ | ★ | ★ | ☆ | ★ |
| OCR | ★ | ★ | ☆ | ☆ | ★ | ★ | ☆ | ★ |
| 图像检索 | ★ | ★ | ☆ | ☆ | ☆ | ★ | ☆ | ☆ |
| 多模态/AIGC | ★ | ★ | ★ | ★ | ★ | ★ | ★ | ★ |
| 视频理解 | ★ | ★ | ★ | ☆ | ★ | ☆ | ☆ | ☆ |
| 画质增强 | ☆ | ★ | ☆ | ★ | ★ | ☆ | ★ | ☆ |
| 3D 视觉 | ☆ | ☆ | ★ | ☆ | ★ | ☆ | ☆ | ★ |
几个直观结论：
- 2D 基础感知覆盖最广，几乎所有行业都需要，是 CV 工程师的底盘能力。
- OCR 价值定位差异很大——在金融科技中是核心，在安防和工业中是辅助。同样的技术在不同行业里的地位天差地别。
- 画质增强和视频理解高度绑定特定行业——前者在消费电子和安防中是核心，后者在安防和互联网是核心。
- 多模态/AIGC 正在渗透所有行业，但目前互联网和内容平台最成熟。★密集度在未来两三年内只会继续增加。
五、行业变局与创新方向
LLM 和 AIGC 带来的变化已经在重塑 CV 行业的边界。这一章讨论正在发生的变化和已有岗位需求的新兴方向。
5.1 三条正在发生的变革
小模型替代通用视觉任务。 7B 以下的多模态小模型已能处理通用 OCR、图文检索、粗粒度分类和检测。以前需要专门训练的通用场景，现在一个小模型通吃。但非标场景——特定缺陷检测、高精度测量、极端光照环境——仍然是专业模型的领地。能理解小模型的能力边界、能将其与专业模型组合的人，反而更有价值。
Agent 改变算法工程师的工作方式。 代码生成已成为常态，Agent 开始介入训练和评估流程——自动调参、自动评估、自动导出部署。纯手工调参的价值持续下降。算法工程师越来越需要具备让 Agent 替你干活的能力，但前提是清楚自己想要什么——这比手撸脚本的门槛更高。
AIGC 模糊行业边界。 AIGC 不再是独立赛道，它在渗透所有行业：安防用生成模型做数据增强，电商用文生图批量做商品图，医疗用扩散模型做影像增强。多模态通识能力越来越重要——未来两年的 CV 工程师，不懂多模态可能就像十年前不懂深度学习一样。
5.2 已有岗位需求的新兴方向
具身智能与机器人。 2024-2026 年机器人赛道明显升温。CV 的角色从感知扩展到感知+交互——不仅要知道环境里有什么，还要为机械臂或机器人底盘提供实时空间理解和反馈。跟自动驾驶的区别在于：机械臂需要精确的 6D 位姿估计和抓取点检测。这个方向的岗位在 2025 年增长明显，集中在深圳和北京。
空间计算与 XR。 Apple Vision Pro 和 Meta Quest 系列带动了 CV 需求——vSLAM、手部/眼动追踪、三维空间理解、数字人驱动。虽然设备出货量还不大，但算法岗位在 2024-2025 年已经在增加，集中在字节 Pico、小米等公司。
文档智能与数据处理自动化。 传统 OCR + LLM 正在产生一个增量市场。从发票报销到合同审核到财报分析，RPA 加 AI 的路线正在替代传统人工流程。技术难度适中但市场容量可观，不受行业周期影响。
端侧多模态与边缘 AI。 芯片算力提升使端侧运行 3B-7B 模型成为可能。2025-2026 的趋势是将小模型直接部署在设备端，解决云端推理的延迟、隐私、成本三角困境。这个方向需要模型压缩和硬件适配能力，是目前稀缺度较高的技能组合。
六、职业路径与能力构建
6.1 两种路线：纵向深耕 vs 横向贯通
CV 算法工程师绕不开一个核心选择：是选择一个方向扎下去，还是把全链路跑通、跨行业迁移。
| 维度 | 纵向深耕型 | 横向贯通型 |
|---|---|---|
| 定义 | 在一个领域扎得很深（如自动驾驶 3D 感知、医疗影像分割），积累行业 Know-how | 能跑通 CV 全链路（数据→模型→部署→维护），跨不同业务场景迁移 |
| 优势 | 行业壁垒高，不可替代性强，资深阶段薪资天花板高 | 适应性强，赛道切换成本低，对行业周期波动不敏感 |
| 劣势 | 切换赛道代价大——换行业经验折半，受行业周期影响明显 | 单点深度不如专精者，在深资深岗位上可能被质疑不够专 |
| 适合谁 | 对某个方向有强烈兴趣，愿意赌一个赛道的长期发展 | 兴趣广泛，更看重职业弹性，愿意接触多样的业务场景 |
| 成长路径 | 前 3 年打好 2D 感知基础，之后长期深耕一个行业 | 每 1-2 年换一个业务场景，但保持技术栈的连续性 |
两个关键认知：
- 不存在
纯技术路线。再专精的技术方向，到一定阶段都需要理解业务——自动驾驶需要理解车辆控制，医疗需要理解解剖结构和合规流程，工业需要理解产线工艺。技术 + 行业才是完整的竞争力。 - 横向贯通 ≠ 每个方向浅尝辄止。合理的贯通是指在一条完整交付链路上有深度——从数据处理到模型训练到部署优化都能独立搞定，而不是在各方向都只停留在跑通 Demo 的层面。
6.2 能力栈建议
底盘能力（无论选哪条路线都需要）：
- 2D 感知的扎实理解：分类、检测、分割的原理与工程实现。
- 部署能力：ONNX/TensorRT/NCNN，模型量化（FP16/INT8），C++ 基础。
- 数据处理与评估：数据清洗、标注策略、指标体系设计。
- 工程思维：问题定义 > 方案选型 > 数据构建 > 模型训练 > 部署验证 > 监控迭代。
纵向深耕的加分项：
- 行业领域知识（医疗合规、自动驾驶安全标准、工业质检工艺）。
- 前沿论文跟进和独立复现能力。
- 核心会议/期刊发表记录。
横向贯通的加分项：
- 多技术栈快速上手能力。
- 系统架构视角——算法和服务端、硬件、前端如何协作。
- 项目管理与跨团队沟通能力。
6.3 行业变局下的选择
LLM 和 AIGC 对两种路线的影响各不相同：
对纵向深耕型：通用视觉能力在被小模型替代，但非标场景和行业深度需求反而在增加。如果你选择的是有强业务壁垒的方向（自动驾驶、医疗、工业），大模型反而让你的知道在哪里用的能力更稀缺。风险在于：如果深耕的方向本身在收缩（如纯 2D 检测岗位减少），转型成本较高。
对横向贯通型：Agent 和自动化工具降低了全链路执行门槛，过去从数据处理做到模型部署的稀缺性在下降。但更高层面的工程判断力——业务理解、问题抽象、方案设计——反而更值钱了。横向贯通的长期价值在于知道做什么，而非知道怎么做。
对入门到中级工程师：在行业快速变化期，横向贯通是更稳妥的起点——过早锁定方向的风险不小。有一定积累后，在某个行业或方向上建立深度，形成 T 型能力结构：一横（贯通全链路）+ 一竖（特定方向深度）。这不是折中方案，而是经过验证的最优配置——既有弹性，又有壁垒。