計算機視覺的興起催生了機器人廚師和用于探測燃料生產過程中氣體燃燒的攝像機。這也導致了試圖在網絡邊緣運行的聯網攝像機的增加。

“邊緣運行”意味著這些攝像機不僅與云端進行無線通信，還與本地網關進行通信，并與內置邏輯板協同完成任務。這些任務可能很簡單，比如在生產線生產出有缺陷的產品時通知制造商；也可能很復雜，比如識別人員身份，確定系統是否應發出警報。

而隨著我們連接更多的攝像機，并要求它們執行更復雜的任務，它們的基礎架構也在悄然改變。當前，用于圖像處理和計算的硅已然發生種種變化。未來數年，攝像機將不僅僅滿足人眼的要求，亦會朝向數碼眼的需求邁進。

推動硅發生轉變的挑戰有兩個。首先是處理能力。許多攝像機試圖通過機器學習來識別特定物體。例如，一家石油公司可能想要一架能夠在遠程石油管道上空識別泄漏情況的無人機。由于需要巨大的計算能力，這些識別模型的訓練通常是在云端完成的。一些雄心勃勃的芯片供應商認為，未來幾年，邊緣運行的芯片不僅能夠使用這些模型匹配圖像，還能夠在設備上直接訓練模型。

這種愿景還沒有實現，是因為硅供應商還面臨著另一項挑戰。將圖像與模型進行對比不僅需要計算能力，還需要消耗電力。硅供應商正嘗試制造耗電低且仍能正常工作的芯片。高通公司的研究實驗室研制出了這樣一款芯片，稱之為Glance。該芯片將鏡頭、圖像處理器和藍牙收音機集成在一個比方糖還小的模塊上。

Glance僅能處理三四個簡單模型，如識別人形，但它耗電不足2毫瓦。高通公司尚未將這項技術商業化，但其最新的一些計算機視覺芯片可以實現在芯片上處理圖像的同時降低耗電量。

但是攝像機真的需要鏡頭嗎？猶他大學的研究人員不這么認為。他們發明了一種無透鏡相機，削減了傳統攝像機的一些硬件并降低了它們的高數據速率。該攝像機是一個附著在樹脂玻璃上的光電探測器，它拍下基本圖像后，將它們轉換成計算機能夠識別的圖形。

這種方法不適用于需要豐富細節的工作，但它可以為計算機實現基本功能提供一種更便宜、更節能的視角。我們也可以將這種思維應用于如何為計算機生成圖像數據。例如，華盛頓大學的研究人員一直在研究如何利用Wi-Fi信號中斷的情況教會電腦理解手勢。

未來攝像機的外觀可以突破傳統。它只需要將輸入的數據與統計模型相匹配，就能告知我們某樣東西的外觀。如果它能做到低成本、低耗電，那么它的變化將超出我們的認知，甚至成為生活的必需品。