比如說，藍天白雲下，公路上有一輛白色的大卡車，計算機就可能說，這是一朵白雲。大家可能都想到了這是一個慘劇：一輛特斯拉沒有檢測出的卡車，使得高速行駛的特斯拉司機當場死亡。

儘管計算機視覺技術並沒有發展到成熟的階段，但隨著應用市場的開啟，新的機會與技術革新將隨之而來。

未來3-5年，計算機視覺領域將有三個變化值得關注

做為一個計算機視覺行業的從業者，講講我個人對未來三到五年的看法。

首先，計算機視覺有很多開源軟體包，但是隨著視覺的問題越來越複雜，以及我們對安全性的要求越來越高，複雜的問題一定要找專業的團隊來解決。比如解決攝像機運動軌跡的問題，你如果拿一個手機從一個房間走到另外一個房間，再回到原來的位置，生成了一條軌跡。把這個資料給Orb slam去分析，它所得出的軌跡就有所變化，而且和牆壁有很大的重疊。如果有一個機器人使用了這個Orb slam專案，出門的時候會撞到牆。

即使現在有許多開源的專案，但商用化的計算機視覺系統能在不同的平臺和不同的使用環境下反覆測試對比，最終可以實現平均效能更加優越，並且沒有重大安全隱患。複雜的問題與應用，一定要找專業的團隊去解決。這個領域會出現超過十億臺下一代測算平臺，新一代的智慧手機，還有無人機。與這對應的技術有數百億的市場，計算機視覺領域將誕生出很多上市企業。

第二個關注的變化是晶片化。我們知道計算機視覺往往需要非常複雜的演算法去解決，應用往往都是移動化的，例如移動化的裝置，移動的機器人。在移動化的裝置裡面，要以低能耗的方式進行復雜的演算法，晶片一定是必經之路。現在行業裡面，大量團隊在進行演算法的研發，一些走的比較快的同行已經開始將成熟的演算法晶片化了。這樣，除了演算法的優越程度以外，肯定還存在晶片的功耗與成本問題。

第三個關注的變化是理論上的，即深度學習之後會產生什麼樣的數學模型。深度學習的缺點也是人盡皆知，它需要進行海量的資料的學習。曾經有這個領域的權威Davis Marr，在生前預言說，計算機是複雜的問題，最後會有單一理論框架使之得到解決。

深度學習不會是這種終極框架，還將有更強大的數學模型出現。它對人類影響也會是更深遠的，我們應該深刻關注理論上的變化，把最新的技術做成產品來解決實際的問題。

本文首發鈦媒體，由張霖根據包英澤在2016MIIC大會上的演講整理