计算机视觉顶会CVPR将2026年度的“时间检验奖”（Test of Time Award）授予ResNet论文，这则消息在AI圈迅速传播。作为该论文的合著者之一，阶跃星辰首席科学家张祥雨再次进入公众视野。但这一奖项的意义远不止于个人的学术荣誉——它是对过去十年中最具工程价值的深度学习创新之一的正式加冕。

残差连接：一个简单到令人震惊的idea

2015年，微软亚洲研究院的何恺明、张祥雨等人在ILSVRC竞赛中推出ResNet，凭借152层深度网络一举夺冠。其核心创新——跨层残差连接（skip connection），本质上只是将输入直接加到输出上，却解决了困扰学界多年的深度网络退化问题。在ResNet之前，直觉认为网络越深表现越好，但实际训练中20层以上网络反而出现准确率下降。残差连接通过恒等映射让梯度更容易传播，使得百层、千层网络变得可训练。这一思想在今天看来已是常识，但在当时堪称颠覆。

从CV到NLP，残差思想无处不在

回顾过去十年，ResNet的影响力早已超越计算机视觉。在自然语言处理领域，Transformer中的残差块几乎原封不动地继承了这一设计；在强化学习、多模态模型中，残差连接同样成为标配。可以说，如果没有ResNet，后续的ResNeXt、DenseNet、EfficientNet等一系列模型都将失去根基。即使是近年兴起的Vision Transformer，其块结构中依然保留了残差跳跃——这是研究者公认的“安全牌”。

时间检验奖的含金量：十年后的技术债务清零

CVPR时间检验奖旨在表彰发表超十年且依旧对领域产生显著影响的论文。截至2026年，ResNet论文已被引用超过15万次，是计算机科学领域历史上被引次数最高的论文之一。它同时为后续的残差网络变体、深层视觉模型以及工业界落地（如人脸识别、自动驾驶感知）提供了理论基石。此次获奖可以视为学界对ResNet长期贡献的集体确认，也提醒我们：在追逐新架构的浪潮中，那些经过时间证明的基础创新往往最为珍贵。

对当下AI热潮的启示：基础研究才是长期价值锚点

在生成式AI、大模型席卷一切的今天，ResNet的获奖或许有一种“不合时宜”的怀旧感——它既不是注意力机制，也不是扩散模型，甚至不是当前主流的自监督范式。但正是这种“老旧”的残差连接，至今仍是大模型训练中保证梯度稳定的关键部件。比如，GPT-4等大语言模型内部依然大量使用了残差块，只是被更复杂的架构所掩盖。这提示我们：与其追逐每个月的“爆款模型”，不如深入理解那些跨时间、跨任务的基础设计原则。对于AI从业者而言，重温ResNet论文依然是理解深度学习核心机理最高效的路径之一。

结语

CVPR时间检验奖没有悬念地落在ResNet头上，这是对十年技术贡献的公正盖章。而它给行业留下的最大遗产，或许不是那152层网络的数字，而是一个简单的数学公式：y = F(x) + x。未来十年，这个公式仍将出现在每一个神经网络架构的底层代码中。