我認為機器視覺未來的突破領域，還有就是三維的視覺重建，這當然是技術視覺的演算法層面。另一方面未來的無人裝置，將會是一個非常重要的突破點。

我們讓機器人學會了“穿衣服”這個動作，如何讓機器人學會“要不要穿衣服”，或者“起風了要不要加衣服”？過去，我們往往將更多的精力集中在機器人動作的研究上，以實現機器人能像人類一樣做動作，卻對真正的“智”鮮有建樹。

人工智慧要發展的是自主智慧系統，不僅是模擬人的行為，更應讓機器像人一樣思考，掌握“穿衣服”動作以外的感知和認知能力，讓機器人不僅“知其然”，還“知其所以然”，進入“深層智慧”。

讓機器人學會融會貫通，處理視覺、聽覺、思考等各類問題，從而實現“一腦萬用”。實現從專用智慧到通用智慧的跨越式發展，既是下一代人工智慧發展的必須要突破的瓶頸，也是研究與應用領域的挑戰！

感謝閱讀，望您採納！我是初八，再見

目前很多公司在做的都是資料分析成像。這個需要很大的積累。

不管哪個方向的ai

一個簡單的列子，比如描述一個人。

兩條腿

兩隻手

有眼睛，頭髮。。。等等。

越多的資料越能表明這是一個人，系統不斷在過程中透過總結學習，資料量達到巨大的時候，判斷就更加正確。

所以對ai來說，時間是個重要因素。

另外ai的應用問題，終究需要商業化，代替人工。程式知道了，最終要轉化為物理行動。所以機械裝置的自動化，高精度的自動化，會在應用過程中極其重要。

現如今，人工智慧（AI）已經逐漸發展成一門龐大的技術體系，在人工智慧領域，它普遍包含了機器學習、深度學習、人機互動、自然語言、機器視覺等多個領域的技術，下面進行這些人工智慧中這些關鍵技術的介紹。

1、機器學習

機器學習是一門多領域交叉學科，涉及統計學、系統辨識、逼近理論、神經網路、最佳化理論、計算機科學、腦科學等諸多領域。透過研究計算機怎樣模擬或實現人類的學習行為， 以獲取新的知識或技能。透過知識結構的不斷完善與更新來提升機器自身的效能，這屬於人工智慧的核心領域。基於資料的機器學習是現代智慧技術中的重要方法之一，研究從觀測資料（樣本）出發尋找規律，利用這些規律對未來資料或無法觀測的資料進行預測。阿爾法Go就是這項技術一個很成功的體現。

根據學習模式將機器學習分類為監督學習、無監督學習和強化學習等。根據學習方法可以將機器學習分為傳統機器學習和深度學習。

2、深度學習技術

深度學習可以有人監督（需要人工干預來培訓基本模型的演進），也可以無人監督（透過自我評估自動改進模型）。深度學習是指機器學習各項技術中發展最旺盛也是最成功的一個分支。我們常說的人工神經網路是機器學習中的一種演算法。機器學習的其他演算法包括聚類演算法、貝葉斯演算法等。在量化交易、智慧投資和智慧風控中，往往會應用機器學習技術。

3、人機互動

關於人機互動，它最重要的方面研究人和計算機之間的資訊交換，主要包括人到計算機和計算機到人的兩部分資訊交換，是人工智慧領域的重要的外圍技術。人機互動是與認知心理學、人機工程學、多媒體技術、虛擬現實技術等密切相關的綜合學科。人機互動技術除了傳統的基本互動和圖形互動外，還包括語音互動、情感互動、體感互動及腦機互動等技術。

4、自然語言

自然語言泛指各類透過處理自然的語言資料並轉化為電腦可以“理解”的資料技術。自然語言處理一方面可以輔助財務共享服務中心進行客戶服務；另一方面，結合自然語言技術，便利知識管理和智慧搜尋。自然語言處理是計算機科學領域與人工智慧領域中的一個重要方向，研究能實現人與計算機之間用自然語言進行有效通訊的各種理論和方法，涉及的領域較多，主要包括機器翻譯、機器閱讀理解和問答系統等。

5、人工神經網路

人工神經網路在機器人定位與導航中的應用。人工神經網路具有融合多元資訊資源的功能，在人工智慧中扮演著重要的角色，特別智慧機器人定位和導向環節具有較高的應用頻率。

6、機器視覺

機器視覺是使用計算機模仿人類視覺系統的科學，讓計算機擁有類似人類提取、處理、理解和分析影象以及影象序列的能力。自動駕駛、機器人、智慧醫療等領域均需要透過計算機視覺技術從視覺訊號中提取並處理資訊。近來隨著深度學習的發展，預處理、特徵提取與演算法處理漸漸融合，形成端到端的人工智慧演算法技術。根據解決的問題，計算機視覺可分為計算成像學、影象理解、三維視覺、動態視覺和影片編解碼五大類。

未來，人工智慧（AI）發展需要重點突破以下三個重要技術：

第一是在演算法上，要實現不用大量的資料訓練就能自主學習，走向通用人工智慧；

第二是把腦科學和數學建模的方法結合起來；

第三是確保人機相互協作，幫助人類提高效率。

近年來，AI憑藉效率優勢和應用場景日漸豐富，被越來越多的行業使用者所認可。但在發展過程中，AI也面臨著一些根本性的挑戰，比如從技術團隊建設、資料清洗、演算法設計、模型最佳化再到後期的實施部署，所需要的人力物力成本都很高，以人才為例,擁有AI專業背景知識與研究經驗的人才年薪動則幾百萬且非常稀缺,而培養一個合格的AI人才也需要6-10年的時間。

OneClick.ai的創始人沈淵認為，機器自動化是一個解決辦法。即透過自動化模型開發和部署，使用者無需程式設計，無需任何資料科學經驗與技術背景，只需匯入資料，定義預測目標即可得到模型。

讓機器自己去學習

在機器自動化領域，近幾年國內外一些巨頭公司也都部署了相關的業務，國內的百度、阿里都提供了人工智慧平臺服務，國外的微軟推出了全自動影象平臺 Custom Vision Services，支援影象分類，允許使用者利用少量影象建立CNN 模型。谷歌今年也上線了Cloud AutoML，支援計算機視覺模型。

這些巨頭公司大多透過兩種方式提供服務，一種是直接提供即插即用的API介面，使用者完全不需要任何專業知識就可以方便的使用。不過這種方式僅限於具有普遍性的一些應用，比如機器翻譯、人臉識別等。另外一種服務是以開發工具的形式提供的，透過視覺化來提高人工智慧的開發效率。這種方式功能縱然靈活、強大了許多，但也要求使用者具備相當的機器學習專業知識和實際經驗。

如何能夠兼顧API方式的便捷和開發工具方式的靈活性呢？將自動化機器學習（AutoML）技術與深度學習相結合，自動完成演算法模型（包括神經網路結構）的定製、訓練，既可以為多種業務場景提供定製解決方案，而且沒有人工定製開發所面臨的高成本高風險等問題。