图像识别的王冠，曾长期由CNN独占。1989年LeCun提出LeNet-5，此后AlexNet、VGG、ResNet层层迭代，CNN以卷积层提取局部特征、池化层压缩信息、全连接层完成分类的三板斧，称霸视觉领域十余年。其核心优势在于归纳偏置——卷积核的局部感受野与权重共享机制，让模型在小数据上也能稳定收敛，推理速度比后来者快2-3倍。

然而，CNN的天花板也显而易见：堆叠多层卷积才能扩大感受野，全局信息捕捉天然乏力；黑箱特性令可解释性捉襟见肘。2020年，ViT横空出世，将图像切成16×16的patch，像处理单词一样输入Transformer编码器，用自注意力机制一步建模任意两个patch间的长程依赖。在ImageNet-1k上，ViT-Base的top-1准确率达84.5%，碾压ResNet-50的76.5%；top-5准确率更是高达95.5%。但代价同样沉重——自注意力计算复杂度与序列长度平方成正比，推理速度慢约48%，且极度依赖大规模预训练数据，数据量少于1万张时反而不如CNN。

如今，Next-ViT等混合架构已将推理速度拉至7.7毫秒，逼近CNN水平。演进的终局不是取代，而是融合——CNN的效率与ViT的全局视野，正合二为一。