雖然從學(xué)術(shù)和研究氛圍濃厚的微軟亞洲研究院出身，且獲得過(guò)微軟多項(xiàng)重大技術(shù)突破創(chuàng)新獎(jiǎng)，但華先勝心里很清楚，算法在商業(yè)化落地中所扮演的角色并不是核心要素。

“算法在高手之間的差異其實(shí)很小，壁壘的形成是建立在熟悉業(yè)務(wù)和場(chǎng)景的基礎(chǔ)上。很多你認(rèn)為跟你八竿子打不著的傳統(tǒng)行業(yè)和方向，沒準(zhǔn)就有機(jī)會(huì)。”

從早已奠定自己江湖地位的微軟亞研轉(zhuǎn)戰(zhàn)到阿里巴巴，這一決定的背后是他對(duì)深入業(yè)務(wù)和解決商業(yè)痛點(diǎn)的憧憬。

整個(gè)采訪過(guò)程中，阿里iDST視覺計(jì)算組負(fù)責(zé)人華先勝不止一次提到CV行業(yè)遍地是黃金，可惜的是創(chuàng)業(yè)者總喜歡扎堆在幾個(gè)紅海領(lǐng)域。究其原因是對(duì)業(yè)務(wù)不了解所致，從業(yè)者甚至抱有做一個(gè)識(shí)別率很高的通用 API 就能吃下所有行業(yè)的幼稚想法，在算法上打磨了太多時(shí)間。

華先勝，北京大學(xué)應(yīng)用數(shù)學(xué)博士、IEEE Fellow、ACM2015年度杰出科學(xué)家、MIT TR全球35位35歲以下的杰出青年創(chuàng)新人物，曾擔(dān)任ACM Multimedia等大會(huì)程序委員會(huì)主席，是視覺識(shí)別和搜索領(lǐng)域的國(guó)際級(jí)權(quán)威學(xué)者。于2016年7月加入阿里人工智能研究機(jī)構(gòu)iDST科學(xué)家團(tuán)隊(duì)，帶領(lǐng)視覺計(jì)算團(tuán)隊(duì)的研發(fā)工作。

雷鋒網(wǎng)：談一談你們最近在做哪些商業(yè)化落地項(xiàng)目？

目前阿里iDST視覺計(jì)算組主要集中在三個(gè)方向的布局：分析識(shí)別、視圖搜索、合成。通俗講就是認(rèn)物體、找物體、生成物體。

城市大腦中的“城市之眼”是商業(yè)化落地的重要項(xiàng)目之一。

一級(jí)城市中大概布置了幾十萬(wàn)個(gè)攝像頭，單個(gè)攝像頭每天產(chǎn)生非常大的視頻數(shù)據(jù)，但是這些數(shù)據(jù)發(fā)揮的價(jià)值其實(shí)比較有限。

因此，阿里通過(guò)城市之眼觀察車、人、非機(jī)動(dòng)車，利用視覺計(jì)算統(tǒng)計(jì)出車量、車型、車牌、車長(zhǎng)、速度、行駛路徑、行人等信息。做好城市數(shù)據(jù)收集后會(huì)建立一個(gè)索引，具體落實(shí)到實(shí)際應(yīng)用上，可尋找走丟的兒童、肇事車查找等。

過(guò)去在視覺技術(shù)較弱的情況下，只能通過(guò)笨重的手段獲得一些粗略的車輛信息：如通過(guò)GPS獲取采樣數(shù)據(jù)；在路下掩埋地感線圈，根據(jù)車身壓力進(jìn)行計(jì)數(shù)。無(wú)論GPS還是地感線圈其實(shí)對(duì)車輛的信息收集有限，而且地感線圈經(jīng)常會(huì)出故障。

阿里云城市大腦要做的事情是把整個(gè)城市數(shù)據(jù)匯集，完成對(duì)城市事故、事件的認(rèn)知：知道哪里堵車，哪里有車禍，分析后迅速發(fā)出紅綠燈控制和關(guān)閉路口的指令，以及預(yù)估事故、事件對(duì)交通接下來(lái)產(chǎn)生的影響。

這些數(shù)據(jù)收集和處理都在云端運(yùn)行，云端不僅可進(jìn)行復(fù)雜、前沿的計(jì)算，而且在云計(jì)算平臺(tái)可完成多種任務(wù)：大到交通治理，小到紅綠燈控制。與此同時(shí)，計(jì)算力也容易去調(diào)整。

但如果放在攝像頭端做，計(jì)算力明顯會(huì)變?nèi)酢?/p>

雷鋒網(wǎng)：哪些流程放在端上做會(huì)更合適？

我個(gè)人覺得質(zhì)量增強(qiáng)和簡(jiǎn)單的結(jié)構(gòu)化可以放在端上，非常精細(xì)的分析放在前端會(huì)有一些局限，尤其是算法更新速度極快的今天，如果很多智能功能要嵌入在攝像頭端，得把所有軟體刷新一遍，工作量巨大且不見得所有硬件會(huì)支持。

除此之外，攝像頭端也沒有能力把多方位的城市數(shù)據(jù)及時(shí)匯聚起來(lái)做決策。

雷鋒網(wǎng)：如果把所有計(jì)算都放在云端去做，如何協(xié)調(diào)好計(jì)算量、計(jì)算效率、成本之間的關(guān)系？

計(jì)算是我們要解決的核心問(wèn)題之一，怎樣才能擁有較高的計(jì)算效率，阿里在這上面投入了很大力氣。

第一要有計(jì)算平臺(tái)的支持，該平臺(tái)要讓項(xiàng)目做起來(lái)更加高效，要能容錯(cuò)；其次是云計(jì)算平臺(tái)又需要大量的計(jì)算機(jī)器資源；最后是算法本身。

由于我個(gè)人主攻算法，因此我更加看重算法對(duì)計(jì)算的優(yōu)化。過(guò)去處理一路視頻，需要一臺(tái)電腦的二十四個(gè)核全部運(yùn)行才能搞定，我當(dāng)時(shí)的目標(biāo)是看能不能降到十個(gè)核、八個(gè)核甚至一兩個(gè)核完成。截止到目前為止，我們利用算法提升了20倍對(duì)計(jì)算的優(yōu)化。

此外，改進(jìn)深度學(xué)習(xí)的方法很多。首先可在機(jī)器指令集上進(jìn)行優(yōu)化工作，其次也可在CPU和GPU層面優(yōu)化。算法本身的優(yōu)化，較為常見的是優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。由于神經(jīng)網(wǎng)絡(luò)中集成的計(jì)算量相當(dāng)大，因此我們需要考量能不能把大模型在不損失性能的前提下壓縮為小模型，小模型能不能剪一剪。

雷鋒網(wǎng)：如何打通城市大腦專有云與公安系統(tǒng)的底層基礎(chǔ)設(shè)施和硬件設(shè)備的？

這方面確實(shí)很重要，很多公司認(rèn)為只要把算法做好就萬(wàn)事大吉。其實(shí)做好解決方案，有很多工作看上去與算法沒有任何關(guān)系，尤其在流程打通方面。

我們以紅綠燈和攝像頭控制為例。紅綠燈本身就可以用編程控制，城市大腦根據(jù)交通狀況計(jì)算出這些設(shè)備應(yīng)該怎么調(diào)控，然后向交通部門發(fā)送指令，讓對(duì)方進(jìn)行操作。

其次是攝像頭，由于攝像頭的型號(hào)和產(chǎn)品功能各不相同，球機(jī)有預(yù)置位，槍機(jī)沒有。我們要用程序打通球機(jī)，從多個(gè)位置控制監(jiān)控。而有時(shí)候部分球機(jī)沒有預(yù)置位，因此建立虛擬預(yù)置位的問(wèn)題我們又得找集成商去解決。

為了讓系統(tǒng)更加智能化，公安也有動(dòng)力去更新底層的基礎(chǔ)設(shè)置和硬件。因?yàn)楹芏鄷r(shí)候設(shè)備已經(jīng)阻礙了整個(gè)項(xiàng)目的發(fā)展，打通流程需花費(fèi)很多人力和財(cái)力，而且在功能實(shí)現(xiàn)上受到了不少限制。

雷鋒網(wǎng)：識(shí)別出車牌號(hào)碼基本上能確認(rèn)車輛信息，但問(wèn)題是攝像頭能捕捉到人臉嗎？

在特殊環(huán)境下，車牌號(hào)不一定完全能看清，而且很多車牌是套牌。在系統(tǒng)里搜索一輛車得在整個(gè)數(shù)據(jù)庫(kù)里綜合各種特征來(lái)判斷。

我們的車輛識(shí)別其實(shí)采用了不少拍立淘的以圖搜商品技術(shù)，所以在這塊的積累已經(jīng)比較成熟。同時(shí)也在使用最近比較火的 GAN 來(lái)生成大量以假亂真的車牌數(shù)據(jù)去做訓(xùn)練，效果非常可觀。

回到人臉問(wèn)題上，現(xiàn)在大部分?jǐn)z像頭對(duì)人臉的捕捉無(wú)能為力，除了在布控上專門搭建的人臉攝像頭能夠看得到外，電子桿上布置的攝像頭是看不到的，所以通常情況下更多是對(duì)整個(gè)人的身體進(jìn)行檢測(cè)和識(shí)別。

這就會(huì)涉及到識(shí)別準(zhǔn)確率問(wèn)題，關(guān)于人物搜索，也不見得一定要把目標(biāo)對(duì)象找出來(lái)，機(jī)器篩選出10到100個(gè)人的范圍就已經(jīng)很了不起了，雖然不知道是篩選結(jié)果范圍中的哪一個(gè)，但已經(jīng)可幫助公安節(jié)省很多人力。

學(xué)術(shù)圈也好、工業(yè)界也罷，經(jīng)常會(huì)看到準(zhǔn)確率高達(dá)百分之九十九點(diǎn)幾的數(shù)字，其實(shí)真實(shí)場(chǎng)景比這殘酷的多。

在真實(shí)場(chǎng)景下，有些問(wèn)題都是小概率事件，不需要識(shí)別率如此準(zhǔn)確，但需要 recall 做得非常高。舉個(gè)簡(jiǎn)單的例子，在一萬(wàn)個(gè)樣本中，如果有十個(gè)目標(biāo)對(duì)象是你要找的，從數(shù)字上來(lái)看它的概率非常低，如果10個(gè)搞不定那他肯定在100個(gè)里。這時(shí)候他的召回為100%，準(zhǔn)確率為10%。10%的準(zhǔn)確率有沒有用呢？非常有用。如果不用這種方法的話，得把這1萬(wàn)個(gè)樣本全都看一遍。

本來(lái)讓交警看一個(gè)星期才能完成的任務(wù)，現(xiàn)在只需一個(gè)交警看一個(gè)小時(shí)就能解決，這很了不起。

雷鋒網(wǎng)：除了安防外，你們還在哪些方向會(huì)重點(diǎn)布局？

目前做智能攝像頭視覺解決方案的公司，之間其實(shí)并不會(huì)有太大的技術(shù)差異，更多體現(xiàn)在體驗(yàn)上。

很多創(chuàng)業(yè)公司都在做人臉，我個(gè)人并不建議創(chuàng)業(yè)公司都一窩蜂爭(zhēng)進(jìn)入這個(gè)市場(chǎng)，CV行業(yè)有很多藍(lán)海和遍地黃金的機(jī)會(huì)。

以醫(yī)療為例，我們近期也投身做肺結(jié)節(jié)影像分析的相關(guān)工作。

在提出要做肺結(jié)節(jié)影像分析時(shí)，很多人無(wú)法理解。圍觀者一方面認(rèn)為醫(yī)生比機(jī)器強(qiáng)太多，無(wú)需機(jī)器輔助。第二是醫(yī)生會(huì)對(duì)產(chǎn)品有抵觸，因此并不會(huì)接受這類技術(shù)。

在深入醫(yī)院經(jīng)過(guò)一系列調(diào)研后，我發(fā)現(xiàn)無(wú)論醫(yī)生自身需求也罷，還是市場(chǎng)需求也罷，機(jī)器都有它存在的意義。以肺結(jié)節(jié) CT 為例，通常情況下醫(yī)院里比較密的切片CT影像大小達(dá)三四百兆。一個(gè)醫(yī)生如果認(rèn)真看下來(lái)需要半小時(shí)，如果利用算法分析，只要計(jì)算能力足夠則會(huì)瞬間完成。

機(jī)器分析影像有兩點(diǎn)優(yōu)勢(shì)：第一是速度，它可以很快得到一個(gè)參考結(jié)果。其次是遺漏率低，我們可以把 Recall 設(shè)高，把 Position 降低。

當(dāng)數(shù)據(jù)量積累到一定程度時(shí)，計(jì)算機(jī)可以把多維度、連接的信息綜合起來(lái)去分析病理。醫(yī)生的資歷得益于他的學(xué)識(shí)和臨床經(jīng)驗(yàn)的積累，而數(shù)據(jù)可以看作是學(xué)識(shí)和臨床經(jīng)驗(yàn)。

醫(yī)療影像最需要解決的無(wú)疑是帶標(biāo)注的高質(zhì)量數(shù)據(jù)，而標(biāo)注環(huán)節(jié)唯獨(dú)醫(yī)生等專業(yè)人員才能標(biāo)注。那么如何獲得高質(zhì)量的標(biāo)注數(shù)據(jù)？為此，阿里云與體檢公司合作，體檢公司的數(shù)據(jù)往往比較容易獲得，而且他們也正好有機(jī)器輔助分析的需求。

雷鋒網(wǎng)：還有哪些不起眼、但有一定商業(yè)潛力的市場(chǎng)？

除了安防和醫(yī)療外，確實(shí)會(huì)有不少看起來(lái)是長(zhǎng)尾不起眼，但市場(chǎng)潛力不小的場(chǎng)景。

我們最近在做一個(gè)為火車檢修的項(xiàng)目。我們知道，火車對(duì)安全要求極高，交通部門非常重視，在這上面的投入也比較可觀。

火車檢修最早期需要人的肉眼去觀察，甚至通過(guò)敲敲打打聽音色這種很原始的方式來(lái)判斷器械是否有故障隱患。近些年鐵路局逐漸開始用工業(yè)相機(jī)拍攝照片的方式代替人工上去檢查，通過(guò)在高壓線和鐵軌位置安裝工業(yè)相機(jī)拍攝大量高清圖片，然后讓員工坐在辦公室看圖片。

把最初讓人工去日曬雨淋的現(xiàn)場(chǎng)觀察改進(jìn)為坐在辦公室看圖片，這也算不小的進(jìn)步。但是人眼觀察圖像又成了一件非常繁瑣的事，容易漏查。

這時(shí)候用圖像識(shí)別方案代替人眼做分析無(wú)疑會(huì)節(jié)省不少人力。

同樣，也可用圖像識(shí)別的方法分析工業(yè)相機(jī)所拍攝的殘次品、電路板差錯(cuò)問(wèn)題。

人工智能還是一個(gè)初步階段，很多傳統(tǒng)行業(yè)遠(yuǎn)未開發(fā)，其中很多你認(rèn)為跟你八竿子打不著的行業(yè)和項(xiàng)目，沒準(zhǔn)就有機(jī)會(huì)。之前有朋友跟我聊天，他說(shuō)到煤礦里運(yùn)煤的傳輸帶一老化就會(huì)出事故。我想了想，其實(shí)完全可以架工業(yè)相機(jī)對(duì)傳輸帶進(jìn)行拍照，然后利用圖像識(shí)別系統(tǒng)分析有沒有出現(xiàn)老化的跡象。及時(shí)拍攝、實(shí)時(shí)上傳到云端做分析、實(shí)時(shí)反饋結(jié)果、如有問(wèn)題實(shí)時(shí)報(bào)警。智能化的流程不僅可替代部分人力，而且會(huì)把實(shí)效性和準(zhǔn)確性提升至更高的維度。

雷鋒網(wǎng)：前段時(shí)間依圖科技朱瓏提到這樣一個(gè)觀點(diǎn)，他說(shuō)人工智能的商業(yè)化最終取決于這個(gè)領(lǐng)域最強(qiáng)的那個(gè)人。您怎么看？

朱瓏的一些觀點(diǎn)我是不同意的，當(dāng)時(shí)現(xiàn)場(chǎng)我也問(wèn)了他不少問(wèn)題，但朱瓏沒有正面回答。當(dāng)然，這些問(wèn)題我自己心理都是有答案的。

在談到到底哪些因素促成人工智能的應(yīng)用和商業(yè)化，我覺得有很多因素，但最重要的是深入行業(yè)和場(chǎng)景，這一塊是大家最為薄弱也是積累最淺的地方。

小公司和大公司之間的對(duì)比一直是人們津津樂(lè)道的話題，AI行業(yè)也是。對(duì)于小公司而言，深入行業(yè)是突圍的關(guān)鍵。

人們喜歡談?wù)撍惴ǖ母?jìng)爭(zhēng)，其實(shí)算法的門檻在高手之間差別很小，我再?gòu)?qiáng)調(diào)下這句話：算法的門檻在高手之間差別很小。聰明人到處都是，聰明這件事很難形成壁壘。重要的應(yīng)該是把行業(yè)和業(yè)務(wù)搞清楚，人們往往容易忽略業(yè)務(wù)問(wèn)題，這其實(shí)不是件容易事。

醫(yī)療門檻為什么高？因?yàn)槟愫茈y深入去了解它。

阿里云本身就有CBM這樣的銷售團(tuán)隊(duì)，他們會(huì)向我們反饋客戶各種各樣的需求。然后云架構(gòu)師、數(shù)據(jù)架構(gòu)師根據(jù)需求會(huì)從系統(tǒng)存儲(chǔ)、計(jì)算平臺(tái)、AI算法等方面去考慮解決方案該如何搭建，然后向各個(gè)技術(shù)部門提出研發(fā)需求。

雷鋒網(wǎng)：深入業(yè)務(wù)時(shí)具體要接觸哪些人？

首先一定要與處于業(yè)務(wù)一線的人員進(jìn)行長(zhǎng)期溝通。醫(yī)療項(xiàng)目找醫(yī)生，安防項(xiàng)目找交警。

醫(yī)療影像項(xiàng)目你要溝通的影像科醫(yī)生，要去了解他們是怎么看片子的，以及醫(yī)生有哪些痛點(diǎn)急需解決。而像安防項(xiàng)目，我會(huì)花更多時(shí)間去跟處于一線的公安執(zhí)勤人員聊，而非公安系統(tǒng)的技術(shù)人員。

雷鋒網(wǎng)：你們是如何發(fā)現(xiàn)和挖掘客戶需求？

阿里有很多客戶，客戶們?nèi)绻l(fā)現(xiàn)阿里云的視覺方案在其他場(chǎng)景下做成功了，這時(shí)候他們就會(huì)找上門來(lái)提出他們的需求?？蛻羧绻麤]有提出某些需求時(shí)，我就自己去挖掘。

當(dāng)發(fā)覺什么東西有意思時(shí)就會(huì)根據(jù)已有的技術(shù)做嘗試，同時(shí)也會(huì)與 DEA 和 CBM 一起聊，把技術(shù)介紹給他們，以便在接觸客戶時(shí)如遇到合適的客戶需求，可進(jìn)一步推動(dòng)方案的完善。

當(dāng)然，發(fā)現(xiàn)需求是一件舉步維艱的事，需要深入行業(yè)去探索，而且經(jīng)常會(huì)失敗。

在我們接到的眾多需求里，有些需求看上去是個(gè)痛點(diǎn)，但開發(fā)后發(fā)現(xiàn)它并不是一個(gè)正確的問(wèn)題，無(wú)法為客戶帶來(lái)真正的價(jià)值，讓我們走了不少?gòu)澛贰?/p>

但這是必然，正確的需求和落地場(chǎng)景是靠不斷試錯(cuò)得出，而非空想而來(lái)。

創(chuàng)業(yè)公司也會(huì)遇到相似的情況，他們不斷轉(zhuǎn)變自己的應(yīng)用方向，甚至改變技術(shù)方向。究其原因是因?yàn)闆]找準(zhǔn)需求導(dǎo)致，而非遇到了技術(shù)難題無(wú)法突破才選擇轉(zhuǎn)型。

當(dāng)然還有些場(chǎng)景現(xiàn)在看不到機(jī)會(huì)，但隨著時(shí)機(jī)的成熟，未來(lái)或許會(huì)有，我們也會(huì)主動(dòng)提前去布局此事。

雷鋒網(wǎng)：方不方便透露幾個(gè)您覺得在未來(lái)商業(yè)潛力較大，但很多玩家還沒發(fā)覺的場(chǎng)景？

我只能說(shuō)下我們正在重點(diǎn)布什么局。

其中視頻搜索是一個(gè)，包括結(jié)構(gòu)化打標(biāo)、相似性搜索。視頻這個(gè)題目 20 年前就開始做了，但因?yàn)楹芏鄷r(shí)機(jī)、技術(shù)、數(shù)據(jù)問(wèn)題，一直沒落地。此外，圖像搜索在上個(gè)世紀(jì)也開始做了，我也曾經(jīng)覺得是時(shí)候把它做出來(lái)，但卻看不到落地的場(chǎng)景。直到我發(fā)現(xiàn)電商中的圖像搜索才是機(jī)會(huì)時(shí)，于是我來(lái)到阿里?，F(xiàn)在隨著時(shí)機(jī)的不斷成熟，其他商業(yè)場(chǎng)景也不斷開始嶄露頭角。

其次是在視頻里做廣告也大有前景，雖然十年前就有相關(guān)論文了，但一直沒落實(shí)到位。

雷鋒網(wǎng)：但我個(gè)人認(rèn)為用戶并沒有在視頻里買商品的習(xí)慣。

你指的是Video Out：在視頻里點(diǎn)擊商品旁邊的購(gòu)買鏈接購(gòu)物。其實(shí)廣告的形式不止Video Out，Video Out這種廣告方式確實(shí)會(huì)有很大的阻礙和挑戰(zhàn)。從用戶體驗(yàn)角度講，在視頻里點(diǎn)擊鏈接購(gòu)物是否是正確的需求還有待商榷。

我認(rèn)為在視頻中應(yīng)該用植入的方式做廣告，在不影響體驗(yàn)的前提下，潛移默化地對(duì)用戶產(chǎn)生影響。比如在視頻里找到可以嵌入廣告的地方，不管是張貼畫廣告還是物品廣告。這個(gè)是張貼畫，這個(gè)左邊是原來(lái)的視頻，右邊是我們植入的圖像。

雷鋒網(wǎng)：CV落地傳統(tǒng)行業(yè)，您覺得最難解決的問(wèn)題是什么？

我認(rèn)為，一個(gè)成功的人工智能應(yīng)用，應(yīng)該具備五個(gè)條件。

第一個(gè)是算法。你要有好的算法，你的算法要有先進(jìn)性，你的算法不行一切都沒有了基礎(chǔ)。（當(dāng)然你也可以把算法這一個(gè)條件看做是科學(xué)家，因?yàn)槿瞬藕退惴ㄊ蔷o密相連的）。

第二個(gè)是要有數(shù)據(jù)。數(shù)據(jù)本身就是一個(gè)很大的話題，里面有數(shù)據(jù)的采集、搜集、清洗、有效的標(biāo)注，甚至包括算法里面數(shù)據(jù)怎么使用。

第三個(gè)是用戶。你做的這個(gè)東西應(yīng)該有用戶的，因?yàn)橛泻芏鄦?wèn)題是需要用戶參與才可以做得越來(lái)越好。當(dāng)然你從商業(yè)的角度來(lái)講，沒有用戶的話也不能夠長(zhǎng)久。用戶本身是數(shù)據(jù)的消費(fèi)者，也是數(shù)據(jù)的提供者，這過(guò)去在搜索引擎里面有非常重要的體現(xiàn)，可以說(shuō)搜索引擎的技術(shù)能夠做那么好，每個(gè)人都有contribution的。

第四個(gè)就是平臺(tái)。這個(gè)就是涉及到你要有強(qiáng)大的計(jì)算能力和一套體系架構(gòu)，能夠方便地去研發(fā)、部署和生產(chǎn)，這一套是必須要有的。當(dāng)然現(xiàn)在因?yàn)橛性朴?jì)算，所以這部分的瓶頸，對(duì)于很多企業(yè)來(lái)講已經(jīng)沒有過(guò)去那么困難了。

第五個(gè)就是有好的商業(yè)模式。如果沒有好的商業(yè)模式，就不可能長(zhǎng)久。你做一個(gè)事情，低頻的事情沒有多少人用，或者不能給少量用戶帶來(lái)大的價(jià)值，最后產(chǎn)生的總體價(jià)值不夠的話，其實(shí)是很難長(zhǎng)久的。這幾點(diǎn)，我個(gè)人覺得其實(shí)是都應(yīng)該具備的。當(dāng)然了，可能不同的商業(yè)應(yīng)用，應(yīng)該來(lái)說(shuō)可能有不同的側(cè)重，但是我覺得都應(yīng)該具備。

雷鋒網(wǎng)：我用一句比較俗的話闡述，目前計(jì)算機(jī)視覺似乎并不能賺大錢。您覺得是因?yàn)闆]找到合適的場(chǎng)景，還由于CV本身就不是盈利的有效工具？

我覺得現(xiàn)階段需要找到更合適的場(chǎng)景才行，不要把項(xiàng)目放在實(shí)驗(yàn)室里，也不要覺得一個(gè)就能 API 打天下。一定要深入場(chǎng)景，根據(jù)客戶的業(yè)務(wù)去考量自己的技術(shù)能為客戶創(chuàng)造哪些價(jià)值。

客戶懂業(yè)務(wù)，但不見得他們很懂技術(shù)。我們做技術(shù)的自身對(duì)技術(shù)很了解，知道什么時(shí)候work什么時(shí)候不work，但對(duì)業(yè)務(wù)場(chǎng)景的了解非常有限。

每個(gè)計(jì)算機(jī)視覺從業(yè)者都應(yīng)該明確自己工作的重點(diǎn)到底是“提高客戶的工作效率，還是提高準(zhǔn)確率的百分比”，如果連這個(gè)問(wèn)題都想不清楚，肯定會(huì)出問(wèn)題。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。