GPT-4V出来之后，我见过一种说法：OCR要被大模型取代了。把一张图片丢给大模型，它能直接读出里面的文字，还能理解意思，比传统OCR强多了，OCR还有什么用？

这个问题值得认真回答，因为它触及了AI技术演进中一个很常见的误区。

大模型确实能读图

这一点没有争议。GPT-4V、Claude、Gemini这类多模态大模型，确实能看懂图片里的文字，而且不只是读出来，还能理解语境、提取关键信息、回答相关问题。

你把一张发票图片丢给它，它能直接告诉你”这张发票的金额是1580元，开票日期是2025年3月，税号是XXX”——这些以前需要OCR+结构化提取两套系统才能做到的事情，大模型一步搞定。

听起来很美。那问题出在哪？

成本：大模型做OCR的代价

大模型处理图片的计算成本，比专用OCR高出几个数量级。

一家银行一天要处理几十万张票据，一家保险公司一天可能要审核十几万份理赔材料，一套出入境管理系统一天要核验几十万本证件——这种规模下，用大模型来做每一个OCR任务，API调用费用和推理时间都是不可接受的。

专用OCR模型的参数量通常在几千万级别，推理一次只需要几十毫秒，单位成本极低。大模型的参数量是几百亿甚至万亿级别，处理一张图片需要几秒钟，成本高出几十倍。

量大、实时、低成本——这三个需求同时出现时，大模型目前还不是答案。

准确率：专用 vs. 通用

大模型是通才，OCR是专才。

在标准格式的证件识别上，专用OCR的准确率可以达到99.8%，而且是稳定可预期的——每次都这样，不会因为模型”状态不好”而波动。

大模型在处理非标准格式、模糊图片时表现更灵活，但在高度结构化的标准格式任务上，并不比专用OCR更准确，有时候反而会”发挥创意”——对识别不清楚的字符进行猜测，而不是报告”不确定”。

对于护照识别这种场景，一个字符识别错了就可能造成身份混淆，容错率接近于零。这种场景需要的不是”八九不离十”，而是”非常准确或明确报错”。

真实的分工是什么样的

实际上，OCR和大模型正在走向融合，而不是相互取代。

OCR负责精准提取，大模型负责理解推理。一份复杂的合同，OCR把所有文字识别出来，再把文本传给大模型，大模型来做风险条款筛查、关键信息提取、合同对比分析——这是目前最常见的企业应用模式。

OCR作为大模型的”眼睛”。一些场景里，大模型需要处理图片信息但主体任务是推理，这时候在大模型前面挂一个OCR做预处理，把图片先转成文本再输入，可以大幅降低成本，同时保证文字识别的准确率。

特定场景各有优势。标准化程度高、量大实时性强的场景（证件识别、票据录入、考卷扫描），专用OCR是主力；复杂非结构化场景（理解手写信件、分析图文混排文档、处理方言手写体），大模型的灵活性更有价值。

OCR的护城河在哪里

当一项技术二三十年后还在被广泛应用，通常说明它解决了某个特别顽固的需求。

OCR的核心价值是：把非结构化的图像信息转化成结构化的可计算数据，速度快，成本低，准确率高且稳定。这个需求在数字化的各个角落都存在，不会消失。

大模型的出现让OCR变得”没那么独特”，但也让OCR有机会站在更大的AI系统里发挥更重要的作用。

两者不是替代关系，而是一个新的组合正在形成。