不算是最正確的吧。

CV確實是AI落地的領域之一，因為CV可操作空間很大，而且和計算機配合工作，很適合AI的植入。不過AI最大的好處應該是在此之上的智慧生活，CV只能夠提供AI所需要的一部分資訊，AI透過大量感測器蒐集環境資訊，並根據環境資訊判斷出當前最合適的決策方式，這才是正確的AI落地方式。

模式識別、機器學習、深度學習等演算法賦予計算機看懂的能力，是人工智慧的核心，更形象的說就是讓計算機像人的大腦去理解影象。

計算機視覺是研究如何讓機器“看”的科學，其可以模擬、擴充套件或者延伸人類智慧，從而幫助人類解決大規模複雜的問題。

隨著資訊時代的發展，未來的資訊社會將會有至少90%的流量源自影象和影片資料，讓機器“看懂”這些視覺資料，掌握解決具體的計算機視覺任務的方法是國內外學術界和工業界最關注的問題。

因此，我認為計算機視覺在一定程度上是其應用較廣泛的方面，也是未來發展的方向，但其還存在很多問題。

未來計算機視覺任務發展面臨的挑戰主要來自三個方面：

1）有標註的影象和影片資料較少，機器在模擬人類智慧進行認知或者感知的過程中，需要大量有標註的影象或者影片資料指導機器學習其中一般的模式。當前，主要依賴人工標註海量的影象影片資料，不僅費時費力而且沒有統一的標準，可用的有標註的資料有限，這使機器的學習能力受限；

2）計算機視覺技術的精度有待提高，如在物體檢測任務中，當前最好的檢測正確率為

66%，這樣的結果只能應用於對正確率要求不是很高的場景下；

3）提高計算機視覺任務處理的速度迫在眉睫，影象和影片資訊需要藉助高維度的資料進行表示，這是讓機器看懂影象或影片的基礎，這就對機器的計算能力和演算法的效率提出很高的要求。

最後我認為怎麼才能讓計算機看得懂，看得遠是未來視覺的重點。