向更高層次的推理發展，向經典方法尋求借鑑！目前的計算機視覺只實現了一些底層工作，還有很長的路要走，深度學習作為工具也需要升級換代，關鍵在於做基礎研究的人太少，都在搞應用！

計算機視覺的極限還遠著呢，現在只是實現了比較基礎的功能，和人眼相比只是在特化的方向表現出色，但是多功能方面還是不行。所謂的極限將至，是指利用複雜的網路無法得到比簡單網路更可靠和準確的結果，這個問題並沒有出現在CNN乃至計算機視覺方向上，擔心太早了。

AI發展的終極目標是實現自我決策，也就是通用人工智慧，強化學習也稱增強學習在2015年被Deepmind大佬們在Nature上發表，首次將深度學習引入強化學習，由此又有很多新的成果發表，各種DQN變種，DPG, DDPG.A3C等等，目前強化學習在深度學習，自然語言處理，自動駕駛，推薦系統，遊戲博弈等方向有很多應用，個人認為未來是Reinforcement learning的天下，會有產生更多的學術成果。

我覺得演算法主要看效能、記憶體、正確率。就算都是100%，那還要看生成模型的速度和記憶體大小。怎麼也不會到極限的。

我來回答，畢竟深度學習的機器視覺應用自己也在用，首先我澄清我所說都是來源於工廠以及專案應用實踐，深度學習在機器視覺尤其是二維相機的應用確實出現了瓶頸，用過深度學習做缺陷檢測的人都會知道，實際上深度學習所做的缺陷檢測一般達不到100%，這其中有一部分主要是無法檢測深度資訊引起的，尤其是工業機器視覺更加明顯，但這不僅僅是演算法的原因，其實還有取圖相機的原因，因為是二維相機所以無法檢測到物體表面深度資訊，連資料都無法完整輸入到演算法，那讓演算法怎麼識別到準確結果，這就是瓶頸之一，其二現階段深度學習在機器視覺的處理方法一般還是以2D平面照片資訊為主，無法有效檢測以及處理3D相機資料，這也就直接導致在市場3D相機應用需求飛長的同時，一般只能靠傳切線理論以及波變換來處理，而深度學習在處理這種資料時確實顯得很疲軟，甚至無從下手。但不要忘了人眼之所以強大是因為它能夠探測到三維資訊，並且大腦也可以處理。隨著工業相機各大廠商將相機不斷趨近人眼設計的同時，3D相機是必不可少的發展趨勢，就目前來看應用於實際專案的深度學習三維資料處理演算法其實是存在很大瓶頸的。(當然因為個人能力有限，上述結論純屬個人觀點，不喜勿噴)