1.智能小助手在視覺上開戰
       隨著我們的系統越來越接近于“人性化”——就像人工智能，它將更需要視覺數據來進行學習和處理其他數據。在LDV 峰會上，Evan Nisselson說到：“這是所有主要公司都想在激烈的競爭中擁有我們的活動視覺數據的原因之一?！薄盀榱俗龅竭@一點，他們需要擁有攝像機?！崩?，亞馬遜最近為其以Alexa作為語音助手的智能設備—— Echo，添加了一臺攝像頭，而Google和Facebook最近又發布了新的增強現實研究的聲明。

2.光學器件足以引導無人駕駛車
      我們經常會看到類似于這樣的爭論——無人駕駛汽車是否需要LiDAR，或者說是僅依賴于光學的解決方案就已經足夠。例如，特斯拉首席執行官Elon Musk認為，體積龐大且昂貴的設備LiDAR通過使用激光器實時地對其環境進行映射不是駕駛時所必需的。 Wheras Humatics 的首席技術官Gregory Charvat在發布會上表示，汽車“不僅僅需要光學傳感器平臺[相機]，他們也需要比差分GPS更精確的LiDAR，雷達和高精度無線電導航?！?br/>        LiDAR和雷達通過范圍和角度來精確定位周圍環境中的實際物體，而基于用相機解決問題的深度學習則需要通過算法運行圖像，并且即便這樣，最終仍只能取得一個預測的結果。然而，光學解決方案能在實際生活中識別某個地方效果更好，就像一個行人和一串像圣誕樹的像素點相比，在Auto X 的創始人兼CEO Jianxiong Xiao的令人印象深刻的演示中，他們的公司可以只使用相機來低成本的解決無人駕駛汽車的問題。
     由于技術上的優缺點，汽車公司通常提前五年來進行戰略研究，所以現在需要購買一些必備的硬件來確定2021年的最后生產時限。目前，LiDAR和一些更先進的雷達依然很昂貴（對于前者來說即便80,000美元也被認為是便宜的）、笨重。同時，如果要以一種混合的方式運行所有這些光學技術和傳感器技術，需要一臺足夠小的能適應汽車的超級計算機。

3.視覺系統能讓機器比通過機器學習學得更好
       LDV中的幾個演示提醒了我們，機器不僅僅通過神經網絡和機器學習來學習。他們還有其他方法來學會識別和分析他們周圍的世界。Google研究的科學家Tali Dekel展示了一種技術，使用計算機視覺來進行識別，通過將屋頂上的直線或紫色水果中所存在的偏差放大，然后來判斷。例如，確定舊房子的結構是否存在問題，或者是某個西紅柿是否比其他的成熟的更好，更飽滿?？此坪芎唵?，但這是計算機視覺優于人類的地方。

4.機器視覺可以幫助醫療診斷
       病理學家平均每天有500張幻燈片要處理，而每張幻燈片又包含數十萬個需要分析的單個細胞，如果有癌癥的存在，那么醫生很容易將其遺漏?！皩τ谌祟悂碚f，我們無法像計算機一樣高效的工作，只因為我們無法去仔細觀察每一個單元格”，PathAI的聯合創始人兼首席執行官Andrew Beck表示，“但我們認為電腦每次都能做出完美的診斷?！?br/>           根據美國醫學協會的一項研究，對于一項正確的診斷，通常只有不到一半的病理學家會表示贊同。引用另一項重點研究乳腺癌淋巴結活檢的例子，Beck說明了計算機與人類病理學家所關注的側重點之間的區別；前者強調了許多會成為癌細胞容器的區域。Beck說：“我們為病理學家提供原始圖像，然后他們仍然可以去查看他們所熟悉的數據，和那些由學習系統處理了的圖像，基本上這就可以確定癌癥的區域，然后醫生就能通過專門研究這些區域作出診斷?！比橄侔┭芯勘砻?，如果沒有人工智能，這種活檢只有85％的準確率。而如果使用人工智能作為輔助，錯誤率將下降到只有5％。

5.計算機視覺領域的門檻變得越來越低
       優質相機，傳感器和深度學習軟件庫（如Google TensorFlow）的商品化大大擴展了計算機視覺的使用范圍，我們看到許多新的初創公司出現。在Vision Summit舉辦的兩次比賽中，不論是一種能夠從Google對街景視圖圖像進行判斷，然后生成人口學分析的技術，還是一個能夠對事故發生后汽車的損壞程度進行評估并且計算出維修成本的應用程序，我們可以看到這些判斷和分析都僅僅是來源于一張圖片。