视觉是最重要的感官之一，我们通过眼睛看到大千世界，通过大脑分析看懂场景，并能回忆过往的视觉记忆。计算机视觉，就是利用电子、信息、计算机等技术，采用电子成像系统作为基础的感知单元采集视频图像，并通过信息化技术，分析并解释采集到的视频图像。 

计算机视觉从学术上分类，包括图像处理、模式与图像识别、事件分析、场景理解等众多图像相关的技术学科，以及计算机、信号处理、物理学、数学、生物学等多个基础学科，且随着人工智能技术的演进还在不断发展。 

利用计算机视觉，我们最终期望通过技术的发展，计算机能和人一样通过视觉观察和理解世界，并且能够具备自主适应和认知环境的能力。

计算机视觉产业新一轮发展的起步年

2017 年计算机视觉产业处于井喷期，众多的创业公司、巨头企业以及跨界公司参与到了这个产业里，各类的新技术和新应用出现在视野内。2018 年更多的是技术到产业的落地，成熟达到商用的视觉技术结合市场的需求在行业中持续开拓市场，尚在演进中的技术正在探索挖掘试点应用，一些伪智能的技术则被快速淘汰，同时学术界和工业界也在创新地研究新的技术点并寻求突破。 

2018 年是计算机视觉产业新一轮发展的起步年，市场才刚刚启动，经历过去两年市场和用户认知的培养，当前业务应用开始逐步从试用走向使用，在这个过程中技术也得到持续发展，解决了试用过程中碰到的种种问题。

计算机视觉技术百花齐放，加速多个产业升级 

深度学习是当前人工智能领域最为热点的技术之一，其发展非常迅猛，通过深度学习技术，可以在短时间内达到传统模式识别技术的性能。

深度学习技术源于 80 年代的神经网络技术，最近两年的发展才真正实现大规模商业化落地，背后驱动这项人工智能技术的突飞猛进源于芯片技术发展带来的计算能力指数级提升，互联网和物联网技术发展提供了海量的数据，深度学习技术开源推动算法的快速工程化与迭代升级。

从计算机视觉应用的产业板块上分析，以视频应用为基础的视频安防、工业视觉是目前最快落地的行业，医疗、智能驾驶领域的技术正在快速发展中，未来技术突破将会产生巨大的商业应用价值。

人工智能技术和计算能力的突破势必带来产品和解决方案的全面升级，从而加速客户应用的规模化效应。以人脸识别技术的应用为例，2017 年人脸识别技术取得关键性突破，大规模的人脸识别率达到 90% 以上，引发商业和产品化的快速落地。现在我们可以使用刷脸支付、刷脸开门、刷脸考勤等便捷的服务，我们同样可以采用这项人工智能技术实现商业的分析和数据服务。另一方面，随着产品计算能力的大幅提升，新型人工智能的一体化产品取代了传统解决方案里需要部署的一套复杂的系统。

人工智能技术还存在很多瓶颈 

尽管计算机视觉在深度学习技术推动下取得惊人的成果，但我们也需要清醒的看到人工智能技术还存在很多瓶颈。 

当前的人工智能还不够真正的智能，离机器自主认知还有很长的路要走，现有技术还只能做到高效地解决单一或特定的任务。此外深度学习算法是个黑盒子，网络内部各层的解释性差，在实际工程过中存在不可预见性，尤其是算法还无法达到普适性要求，复杂性和融合性应用带来很多误差和相互干扰。

由于深度学习技术采用的是大规模数据驱动，大规模的数据训练本身对超算中心的能力是很大的挑战，同时在实际工程化应用中场景非常复杂多变，这会出现很多无法预测的干扰数据，导致很容易计算出未知的异常结果。更为重要的是虽然人工智能已经有了非常高的性能指标，但客户对人工智能应用的期望却往往超越现有的算法表现结果，这也需要计算机视觉技术持续突破来解决的实际问题。

不过随着市场需求的打开，在芯片、算法、应用各个层面有了更多的企业参与。从个别的算力平台到多元化计算芯片的格局，从早期少数算法公司技术创新到当前众多成熟公司共同参与，从算法单点爆发吸引眼球到现在人工智能推动产业升级与应用融合，目前市场格局已经发生重大的转变，走向了从技术驱动型转换到应用驱动型的发展。

计算机视觉的市场规模非常巨大，这是一种推动各个产业升级的力量，无法单纯衡量它的市场价值。可以预见，占据应用市场以及技术领先型的公司将在未来人工智能浪潮中获取核心价值，并引领行业的发展。

当下人工智能、物联网、云与大数据、5G、云计算等主导未来的核心技术正在加速发展与演进，计算机视觉行业生态在这些技术力量的驱动下，必将形成新的技术和市场格局。