请介绍 Vision Transformer（ViT）的基本原理。假设有两位听众：一位完全不了解机器学习，另一位有基础的机器学习背景。请分别为他们各做一次讲解。
考察说明
考察对 ViT 核心机制的清晰理解、知识表达和面向不同受众的讲解能力
回答思路
- 能准确讲解 ViT 如何将图像切块并线性嵌入为序列
- 能说明位置编码与 Transformer 编码器的核心作用
- 能用类比或简化语言让零基础听众理解
- 能为有机器学习背景的听众讲清自注意力与全局建模
- 能对比 CNN 的局部归纳偏置与 ViT 的全局依赖
本题已收录答题指导
本题附完整参考答案与评分标准
登录后可查看结构化答题指导；也可以直接开一场模拟面试，AI 面试官用本题实时追问并给出评分。