昨天深夜，群里有个做了三年CV的老哥问我：“现在大模型这么火，我是不是得赶紧转行？不然饭碗要砸了。” 我盯着屏幕想了半天，没直接给答案，而是给他发了个截图，那是他上周还在优化的YOLOv8模型，准确率98%，但业务方说“没那必要，简单点就行”。你看，这就是现状。

很多人焦虑，是因为觉得CV是夕阳产业，大模型是风口。但说实话，这俩根本不是非此即彼的关系。CV有必要转大模型吗？我的结论是：别盲目跟风，要看你的底层能力能不能迁移。

先说个扎心的事实。去年我面试了几个想转大模型的CV工程师，简历写得挺漂亮，什么Transformer、Attention机制都懂。结果一上手调参，连数据清洗都搞不利索。为什么？因为大模型的核心不是模型结构，而是数据。CV出身的人，习惯了对像素级的精细控制，习惯了标注框、分割掩码。但大模型需要的是海量、高质量、清洗过的文本或代码数据。这种从“视觉感知”到“语义理解”的思维转换，比学几个新API难多了。

那具体该怎么做？如果你真心想转，我有三步建议，全是血泪教训。

第一步，别急着学训练大模型。先搞懂RAG（检索增强生成）。这是目前企业落地最稳的方案，也是CV工程师最容易切入的点。比如，你以前做图像检索，现在可以做多模态检索。把CV提取的特征向量，和大模型的文本向量结合起来。这一步，你的CV经验直接复用，不用从零开始。

第二步，补齐代码能力。CV工程师很多是用Python跑脚本，但大模型开发需要更强的工程化能力。你得会写Docker，会部署API，甚至得懂一点分布式训练。我见过太多人，模型调通了，一部署就崩。这时候，你的CV背景反而成了累赘，因为大模型更看重系统稳定性，而不是算法的极致精度。

第三步，找垂直场景。别去卷通用大模型，那是大厂的游戏。你要结合你的CV经验，找垂直领域。比如，医疗影像+大模型辅助诊断，工业质检+大模型生成质检报告。这些场景，懂CV又懂大模型的人极少，竞争反而小。

数据不会骗人。根据我观察的行业数据，纯CV岗位的薪资涨幅在过去一年放缓了15%，而具备多模态能力的岗位薪资涨了20%。但这20%里，有一半是给那些既懂视觉又懂语言模型的复合型人才。

当然，我也得说句实话，不是所有人都适合转。如果你只是喜欢调参，不喜欢写代码，不喜欢处理脏数据，那还是老老实实做CV吧。毕竟，自动驾驶、安防监控这些领域，对实时性和精度要求极高，大模型目前还替代不了。

最后，我想说，CV有必要转大模型吗？答案是：没必要为了转而转。你要转的是“能力”，而不是“标签”。把CV的感知能力，和大模型的认知能力结合起来，这才是你的护城河。别听风就是雨，先问问自己，能不能沉下心去啃那堆枯燥的数据。

记住，风口上的猪能飞，但风停了，摔得最惨的也是猪。我们要做的，是长出翅膀的人。

本文关键词：cv有必要转大模型吗