计算机视觉顶会CVPR近日颁发2026年度“时间检验奖”，表彰十年前问世、至今影响深远的经典论文。获奖论文《Deep Residual Learning for Image Recognition》（译作《深度残差学习——用于图像识别》）再次进入公众视野。该论文由张祥雨（现任阶跃星辰首席科学家）与何恺明等人合作完成，此次获奖标志着这一里程碑式工作在学术与产业维度的双重“盖章”。

ResNet的核心贡献在于解决了深度神经网络的“退化”问题。理论上，堆叠更多层应能提升模型性能；在实践中，传统网络却面临梯度消失/爆炸、训练误差不降反升的困境。ResNet通过引入“捷径连接”（skip connection），将输入直接传递到后续层，构建恒等映射。这一看似简单的设计，使网络深度从几十层突破至一百甚至上千层，开启了深度学习的真正“深时代”。

从产业角度看，ResNet的实际影响远超论文本身。其模块化的残差块设计（Residual Block）成为后来几乎所有主流深度学习框架（如PyTorch、TensorFlow）的标配。无论是物体检测模型Faster R-CNN、语义分割模型DeepLab，还是近年大火的扩散模型与视觉Transformer（ViT），其底层特征提取与梯度传播机制，无不带有ResNet思想的烙印。可以说，ResNet为AI应用在自动驾驶、医学影像、工业质检等要求高可靠性领域的大规模落地，提供了关键的技术底座。

值得关注的是，张祥雨作为作者如今的身份转换。 十年前，他是微软亚洲研究院的顶尖研究员；今天，他作为阶跃星辰首席科学家，领导着一家前沿AI公司的技术攻关。这一轨迹折射出中国AI发展从“学术跟随”到“产业引领”的变迁：顶尖研究者不再满足于在顶会发表论文，而是将底层创新带入真实的产业环境中，打造可扩展、可落地的产品级方案。阶跃星辰近期在语言大模型、多模态理解等领域的密集布局，正是这种“从论文到场景”能力的集中体现。

这一奖项也提醒行业，在追逐多模态生成模型、世界模型等新热点的同时，不应遗忘基础架构的持续演进。当前一个核心挑战在于，如何将ResNet式的“简单而深刻”的设计哲学，复制到更庞大、更复杂的预训练模型中。例如，高效训练百万亿参数模型所需的稳定性、数据流动策略，本质上与ResNet解决同一类问题，只是维度与牺牲了一些数学优雅性的工程妥协。未来，我们认为，真正定义下一代AI基础设施的创新，大概率仍将诞生于类似ResNet这种“直击痛点、架构优雅”的研究路径中。

对于AI从业者和投资者，此次颁奖的建议很明确： 评估一家公司的技术护城河时，不仅看其模型在榜单上的分数，更要看其是否具备对基础架构的深度理解与改造能力。能在模型层面复现ResNet精神的公司，才最有可能在大模型“军备竞赛”下半场构建持久壁垒。