计算机视觉是中国AI市场的最大组成部分。根据中国信通院2018年2月发布的报告数据，2017年，中国AI市场中计算机视觉占比37%，以80亿元的行业收入排名第一。

  安防影像分析是目前计算机视觉最大的应用，据艾瑞咨询预测，2017年占比约67.9%。其他主要使用在包括广告、互联网等。

  从AI领域融资规模来看，根据CBInsight的统计，2016年中国计算机视觉公司融资总额占AI总体24%，远超出美国的7%。

  最近几年机器视觉行业实现加快速度进行发展的背景是:2015年基于深度学习的计算机视觉算法在ImageNet数据库上的识别准确率首次超过人类，同年Google在开源自己的深度学习算法。

  这些带动中美两国的科学家把计算机视觉算法运用到安防、金融、互联网、物流、零售、医疗、制造业等不同垂直行业。

  但在实际的运用当中，由于数据可得性，算法成熟度，服务的容错率等因素的影响，落地的速度慢慢的出现分化。移动互联网/安防领跑，零售/物流跟进，医疗/无人驾驶发展较慢。

  金融领域:人脸识别在金融领域已出现多种解决方案，伴随识别准确率上升，远程开户已在互联网金融行业得到普遍应用，人脸支付、刷脸取款等开始被各大银行采用。

  1)人脸与身份证信息的人脸比对技术壁垒相比来说较低，服务容易陷入同质化竞争；

  2)无现金趋势影响刷脸取款等服务的普及，银行对更复杂的AI服务仍持较谨慎态度。

  零售领域:AI在零售行业的应用不是简单的无人零售，而是需要利用AI技术改造零售流程，实现提高效率减少相关成本的目的。AI公司除了提供技术以外，在大多数情况下要提供包括一系列咨询战略方案在内的整体方案。

  医疗领域:医疗数据碎片化严重，各种疾病需要的影像资料不同，数据标注需要有专业医师参与，成本高，进展慢。导致发展低于预期。

  无人驾驶:无人驾驶涉及采集摄像头、雷达等多种数据，并根据多重数据来进行车辆、物体、道路、行人等不同识别后进行决策。我们大家都认为离实现通用无人驾驶还早，在限定场景下实现商用的机会较大。

  提高预测精度，降低数据标注成本随技术的持续不断的发展，计算机视觉能够识别信息的种类从最初的文字信息，到人脸，人的体态识别，以及各种不同的物体。

  能够识别的精度也从最初的人1:1比对，到用于门禁系统等1:N比对，以及用在黑名单监控等场景的M:N动态监控。除了提高算法精度以外，提高数据标注的效率也是计算机视觉公司重要的课题之一。

  商汤科技、扩博智能等AI公司也通过运用半监督学习、迁移学习(transferlearning)、主动学习(activeLearning)等技术，提高数据标注的自动化程度，达到提高效率，减少相关成本的目的。

  企业发展的策略开始分化，商汤向左，旷视向右计算机视觉技术在中国的快速落地，吸引了以商汤、旷视、依图为代表的以算法为核心竞争力的AI初创公司，拥有强大数据采集及软件开发能力的网络公司，海康、大华、宇视等深耕安防行业的公司，以及华为、平安等科技行业巨头。经过一年多的发展，各个公司依据自己资源禀赋的不同，企业战略出现了分化。

  各类公司初始时在产业环节中各有偏好:初创企业在算法与模型训练上占优;互联网公司则拥有天然的数据优势;安防企业则凭借极强的工程能力加速安防项目落地。后起之秀如深兰则选择细分市场广泛落地。

  从行业机会而言:互联网巨头利用自己强大的数据优势和丰富的内部应用场景，提升自身业务场景的增值服务，如阿里巴巴的淘宝拍立淘、腾讯优图在手机QQ与微信的应用、今日头条的短视频甄别等。

  AI头部初创企业近年来融资动作频繁，受到长期资金市场的青睐，在资金方面暂无瓶颈，然而面临互联网巨头的挑战，商汤等初创企业或应依托已有的独立设计算法的能力，构建平台型解决方案，在研发能力与方案落地速度上取胜。