人脸识别、语音识别、自动驾驶——这些关键词正在成为我们日常对话中的高频词汇。不知不觉间，人工智能（AI）与人类社会的融合，已经从实验室的概念渗透到了生活的毛细血管。

这个“术语”最早可以追溯到1956年。然而，在随后的几十年里，受限于昂贵的算力、尚不成熟的计算方法，以及极其匮乏的数据量，“模拟人类大脑”这件事，怎么看都像是一个遥不可及的神话。直到上世纪80年代初，一类名为“专家系统”的AI程序开始被企业采用，才迎来了AI的第二次热潮。彼时，各国纷纷下重注，日本经济产业省甚至雄心勃勃地推出了“第五代计算机”计划，目标是造出能对话、翻译、辨图甚至像人一样推理的机器。可惜，巨大的投入与有限的应用产出之间，裂痕越来越大。到了80年代后期，产业界的质疑声浪骤起，AI的泡沫应声破裂，又一次陷入漫长的寒冬。

那么，人工智能究竟要靠什么才能真正走进千家万户？从趋势来看，答案很可能是视觉AI技术。

对人类而言，约70%到80%的信息获取依赖视觉。对于AI来说，视觉也同样被视作最具应用价值的技术方向。它能让机器具备“从识人知物到辨识万物”的能力，帮助我们在生产和工作中大幅提升信息处理的效率。

简单来说，视觉AI就是研究如何让机器学会“看”——用摄影机和电脑代替人眼，对图像进行特征提取与分析，进而训练出能够检测、识别新图像数据的模型，最终构建起能从图像或多模态数据中获取“信息”的人工智能系统。

真正让视觉AI取得突破的，是深度学习。2012年的两件事，被公认为视觉AI发展的关键拐点。其一，是多伦多大学Geoffrey Hinton团队在ImageNet图像识别竞赛中，利用深度学习和GPU的强大算力，将错误率一口气降低了10%。要知道，此前每一年，这个数字只能下降1%—2%——这简直是学术界的震撼弹。其二，是“谷歌大脑之父”吴恩达带领团队，用包含10亿个参数的神经网络，在没有任何先验知识的情况下，仅通过观看无标注的YouTube视频，就创造出了能自动识别猫脸的系统。

视觉AI之所以能迅速成为AI领域最火的研究方向，根本原因在于它在安防、医疗、无人驾驶等多个领域的广阔前景。

举个例子：在安防领域，它能进行人群分析、逃犯追捕，通过城市中成千上万条路的摄像头锁定目标并实时告警，极大地提升效率；在手机领域，它带来了刷脸解锁、刷脸支付，甚至还能自动美颜；在自动驾驶领域，它能通过摄像头获取的图像，对周围环境进行识别和分析，辅助车辆做出精准的路径规划。

在众多视觉AI的应用场景中，AI医学图像分析是近年来热度极高的一个细分领域。背后原因，一方面是医院数字化建设提速，以医学影像为核心的大数据不断丰富，为AI提供了充足的“养料”；另一方面，优质医疗资源的稀缺和分配不均，也让社会对AI的需求持续升温。

眼下AI+医疗的红火，对整个行业的发展功不可没。更丰富的应用场景和海量的机会仍在等待挖掘，比如个性化医疗、可穿戴智能医疗设备的实时监测与分析等。

放眼未来，更多的应用场景都将贴上视觉AI的标签。人脸识别有望在更多物联网终端上落地，让安全便捷的身份认证无处不在；在工业领域，工业机器人和物流机器人将更普遍地替代传统人力；在文化领域，基于AI的增强现实技术可以生动复原古代文物和场景，几可乱真；在教育领域，通过视觉技术实现学生注意力管理和知识点掌握情况的跟踪，真正实现因材施教。

当然，AI掀起的新一轮产业浪潮不过短短几年。技术上需要持续创新，行业需要深耕挖掘，而大众，也需要给予它足够的耐心。