過去十幾年，人類可以說是在機器智能面前節(jié)節(jié)退敗，屢敗屢戰(zhàn)，而多任務處理（multi-tasking）幾乎是為數不多可以讓人類驕傲的事情了。人們可以同時打開8個網站、數份文檔和一個交友軟件，即使正在專心處理其中一件事，只要突然收到一條回復或更新提醒，也能夠快速安排。對機器而言，要在同一時間完成這樣的任務顯然有點困難，因此，多任務處理一直被視為人類獨有的技能點。

然而，這個優(yōu)勢也將失去了。

近幾年，Alphago、視頻識別、指紋解鎖、圖片識別、語音轉文字、機器人看病等一系列事件，使我們深刻的感受到人工智能在改變我們的工作方式和認知。國內人工智能產業(yè)中，就算集視覺與圖像領域公司的數量已達數百家，僅次于自然語言處理類公司，位居第二。其中該領域最為出名的創(chuàng)業(yè)公司包括曠世科技Face++、商湯科技、極鏈科技Video++等。

一百多年前，電改變了生產、交通和農業(yè)等產業(yè)，而今天，人工智能也像電一樣將改變傳統(tǒng)產業(yè)。人臉識別和圖片識別是人工智能視覺與圖像領域中的兩大熱門應用。但將人工智能技術單純用于圖片識別分析的應用企業(yè)數量并不如預想的多，可能有以下幾個方面的原因：目前視頻監(jiān)控方面的盈利空間大，眾多企業(yè)的注意力都放在了視頻監(jiān)控領域，人臉識別屬于圖片識別的一個應用場景，做人臉識別的大多數企業(yè)同時也在提供圖片識別服務，但是銷售效果不佳，主要贏利點還在于人臉識別等。

識別物體是圖片分類的另一個比較常見的應用，例如一個簡單的手機識別模型，我們首先要給計算機定義模型，然后準備大量手機的照片去訓練這個模型，讓計算機能識別出來，輸一張圖片的時候能識別出圖片是不是手機。正常情況下計算機模型能識別得比較準確，但是當我們輸入了一些有遮擋、形態(tài)多變或者角度多變、光照不易的圖片時，之前我們建立的模型就識別不出來了。這就是計算機視覺在應用中尋在的難點問題。機器學習的本質其實就是為了找到一個函數，讓這個函數在不同領域發(fā)揮不同的作用，像語音識別領域，這個函數會把一段語音識別成一段文字。圖像識別的領域，這個函數會把一個圖像映射到一個分類。

進入21世紀，計算機視覺與計算機圖形學的相互影響日益加深，基于圖像的繪制成為研究熱點，高效求解復雜全局優(yōu)化問題的算法得到發(fā)展。到現在，通過技術迭代更新和機器學習，物體的識別率也已經達到了相當高的水平。像是極鏈科技Video++自主開發(fā)的文娛人工智能系統(tǒng)「VideoAI」已實現場景、物體、人臉、品牌、表情、動作、地標、視覺特征檢索8大維度的數據結構化，同步生成軌跡流數據，通過復合推薦算法將元素信息升級為情景信息，直接賦能各種商業(yè)化場景。

通過SAS針對企業(yè)人工智能的調研報告可以看出，大部分企業(yè)認為人工智能還處于初期階段，但我們也可以發(fā)現，正在部署的大量應用場景都包含AI板塊。顯而易見我們必須學習新的技能來配合AI的發(fā)展，未來也是屬于意識到這一點并立即發(fā)展的企業(yè)。機器的每一點進步都依賴于不斷模擬和接近人腦的水平，提升AI在場景應用上的工程能力，會為生活帶來更多的便利。