计算机视觉行业分析与投资前景分析报告

计算机视觉行业分析与投资前景分析报告202X-XX-XXCONTENTS行业分析报告计算机视觉行业定义1950-1966年产业链产业链政治环境1政治环境2政治环境2经济环境社会环境1社会环境2行业驱动因素行业驱动因素行业现状行业现状行业现状行业现状行业热点行业制约因素行业问题行业发展建议竞争格局行业发展趋势行业发展趋势代表企业1代表企业201计算机视觉行业定义计算机视觉行业定义根据国家标准化管理委员会指导编撰的《2018人工智能标准化白皮书》定义，计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。自动驾驶、机器人、智能医疗等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。计算机视觉技术包括三个过程:目标检测、目标识别和行为识别。目标检测解决从背景中找出使用者关注物体的问题，该环节去除了背景中与目标无关的信息。目标检测技术关键在于动态复杂场景中背景模型的建立、保持与更新。目标识别过程通过多维度的特征分析比对确定物体的定义及分类。行为识别是一种高层次的识别技术，需要对动态多帧图像数据进行理解，并构建相应动作行为模型进行比对。021950-1966年1950-1966年计算机视觉被归人模式识别─—主要集中在二维图像分析和识别上。1966年，人工智能学者Marvin令学生写出程序,让计算机自动"了解”所连接摄像头的内容,计算机视觉序幕被拉开。1966年-1970年1980-1999年21世纪出至今1966年-1970年MIT的Roberts通过计算机程序从数字图像中提取诸如立方体、棱柱体等多面三位机构，并对物体形状及空间关系进行了描述。20世纪70年代,麻省理工学院人工智能实验室正式开始“计算机视觉”课程。1980-1999年20世纪80年代中期,计算机视觉蓬勃发展,新概念、新方法、新理论不断涌现。1999年,Nvidia公司在推销自己的Geforce256芯片时,提出了GPU这个概念。CPU是专为执行复杂的数学和集合计算而设计的数据处理芯片。它的出现让并行计算成为可能,对数据处理规模、数据运算速度带来了指数级的增长与改善,极大的促进计算机视觉的发展。21世纪出至今计算机视觉理论逐步成熟,各类产品开始涌现。计算机视觉的热度从国外向中国渗透。03产业链产业链产业链上游产业链中游产业链下游产业链上游芯片、摄像机、传感器、计算设备、电子元器件产业链中游人脸识别、OCR识别、物体与场景识别、动态视频识别、软件产品、软硬件一体产品产业链下游安防监控、智慧交通、工业制造、金融、医疗、教育、零售、电商、智慧建筑04产业链产业链产业链上游产业链中游产业链下游产业链上游计算机视觉上游包括算法、数据集以及芯片、摄像设备、传感器等硬件。当前中国企业在计算机视觉算法领域领先，人工智能芯片仍需依赖海外芯片大厂（如英伟达、英特尔等），摄像机芯片已实现国产化。摄像设备产品主要包括前端摄像机（模拟摄像机和网络摄像机）、中心控制端的控制和显示设备、后端的存储录像设备（DVR、NVR、CVR等）以及各传输环节的光端机和交换机等。摄像设备头部企业海康威视和大华股份在市场领先。上游算法环节主要包括图像处理、编码压缩和图像内容识别等。图像处理环节通过处理前端图像传感器采集到的原始图像数据，将图像进行复原和增强。宽动态处理、3D降噪、透雾处理、低照度处理、图像拼接等新的图像处理功能不断创新，使视频图像质量得到持续提升，且弥补了CMOS相对CCD在图像采集质量上的劣势，推动CMOS对CCD的大范围替代，有效降低了图像、影像采集前端设备的成本。编码压缩环节可降低系统中数据的码流以便后续传输和存储。从MPEG-4到H.264再到H.265，算法压缩效率不断提升，H.264算法的压缩比是MPEG-4的5到2倍，而H.265算法的压缩比约是H.264的2倍。在网络带宽资源限制情况下，编码压缩算法效率提升可支持为图像、影像的高清化升级。图像内容识别方面，中国企业在人脸识别等计算机视觉算法领域占据优势地位，依图科技、商汤科技以及中科院深圳先进技术研究院在2018年全球人脸识别算法竞赛中识别率均达到99%以上，处于世界前沿。算法的基础框架的研发基本为国外研究机构或公司所垄断，H.265视频压缩基础算法为国际研究机构ITU-T和ISO/IEC制定，内容识别的深度学习算法多采用谷歌或Facebook等科技巨头所开源的基础框架。但大量用于深度学习模型训练的开源工具和框架推出，包括Caffe、Theano、Torch、MXNet、TensorFlow、PaddlePaddle、CNTK等等，开源工具和框架的源代码公开并可免费使用，极大降低计算机视觉领域的入门技术门槛。芯片是核心硬件，在零组件中成本占比最高。将人工智能芯片嵌入前端摄像机可使其实时处理、分析采集到的图像视频内容，识别画面中的人、场景、物等对象，并通过网络将信息传递到人工智能后端进行计算、处理、分析、存储。系统的图像质量、码流控制能力、智能识别效率、信息稳定性等皆由芯片性能决定。产业链中游中国从事计算机视觉的公司可分为工业巨头、互联网巨头和创业公司。除自身投入资源研发外，工业巨头和互联网巨头多数选择投资、并购创业公司或与其战略合作以涉足计算机视觉技术，实现生态拓展和产业链布局。创业公司中独角兽迅速崛起，新兴创业公司不断涌现。工业巨头的主要代表企业有海康威视、美的集团、海尔集团，其在计算机视觉应用领域具有较深积累，并涉足计算机视觉相关研发，未来将打通行业产业链，构建商业应用生态圈。互联网巨头的主要代表企业有阿里、腾讯、百度等，其通过开设实验室或并购技术团队获取领先技术，技术水平领先，且具有强大的数据获取优势，在计算机视觉行业实现技术引领。创业公司的主要代表企业主要有商汤科技、旷视科技及依图科技等，其专注于计算机视觉基础产品和服务开发，并将探索更多的服务场景，提供更多的定制化解决方案。产业链下游目前，计算机视觉主要用于安防影像分析、金融身份认证、广告营销、无人驾驶、机器人、工业制造、医疗影像分析、教育和娱乐业等领域。人脸识别、物体识别等技术算法精度提高使中国计算机视觉技术率先在安防领域中实现商业化，安防影像分析应用领域在2018年中国计算机视觉行业占比最高，达到69.4%，广告营销、智能金融分别以17.2%、9.6%紧随其后，医疗影像、工业制造、新零售等创新领域也逐步解锁，成为计算机视觉行业快速发展的重要支撑。05政治环境1政治环境1《新一代人工智能发展规划》《促进新一代人工智能产业发展三年行动计划（2018-2020年）》《关于促进人工智能和实体经济深度融合的指导意见》《新一代人工智能发展规划》提出到2020年，人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点；到2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为带动中国产业升级和经济转型的主要动力，智能社会建设取得积极进展；到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，智能经济、智能社会取得明显成效，为跻身创新型国家前列和经济强国奠定重要基础。《促进新一代人工智能产业发展三年行动计划（2018-2020年）》作为对《新一代人工智能发展规划》的补充，详细规划了人工智能在2018-2020年的重点发展方向和目标，提出以市场需求为牵引，积极培育人工智能创新产品和服务，促进人工智能技术的产业化，推动智能产品在工业、医疗、交通、农业、金融、物流、教育、文化、旅游等领域的集成应用；提出发展视频图像身份识别系统，到2020年，复杂动态场景下人脸识别有效检出率超过97%，正确识别率超过90%，支持不同地域人脸特征识别。《关于促进人工智能和实体经济深度融合的指导意见》着重强调市场导向与产业应用，打造智能经济形态。提出促进人工智能和实体经济深度融合，把握新一代人工智能发展的特点，坚持以市场需求为导向，以产业应用为目标，深化改革创新，优化制度环境，激发企业创新活力和内生动力，结合不同行业、不同区域特点，探索创新成果应用转化的路径和方法，构建数据驱动、人机协同、跨界融合、共创分享的智能经济形态。06政治环境2政治环境2《中国制造2025》《“互联网+”人工智能三年行动实施方案》《中国制造2025》 推动移动互联网、云计算、大数据、物联网等与现代制造业结合，促进电子商务、工业互联网和互联网金融健康发展。《“互联网+”人工智能三年行动实施方案》着力加强人工智能应用创新，引导产业集聚发展，促进人工智能在国民经济社会重点领域的推广。加快发展“互联网+”新模式新业态，培育壮大人工智能产业。07政治环境2政治环境2《关于促进人工智能和实体经济深度融合的指导意见》《十四五规划和二〇三五年远景目标的建议》《关于促进人工智能和实体经济深度融合的指导意见》促进人工智能和实体经济深度融合，深化改革创新，优化制度环境，激发企业创新活力和内生动力，构建数据驱动、人机协同、跨界融合、共创分享的智能经济形态。《十四五规划和二〇三五年远景目标的建议》推动互联网、大数据、人工智能等同各产业深度融合，推动先进制造业集群发展，构建一批各具特色、优势互补、结构合理的战略性新兴产业增长引擎，培育新技术、新产品、新业态、新模式。08经济环境经济环境2020年伊始，突如其来的新冠肺炎疫情对中国经济社会发展带来前所未有的冲击，国际疫情持续蔓延，世界经济严重衰退，产业链供应链循环受阻，国际贸易投资萎缩，中国经济面临的不稳定不确定因素显著增多。可喜的是，国内新冠肺炎疫情在短期内得到了较好的控制，疫情影响并未冲击到中国经济长期向好的基本面，中国经济的长期增长中枢仍然处于稳定运行通道。国际货币基金组织最新报告预测，2020年中国经济将增长9%，是全球唯一实现正增长的主要经济体。09社会环境1社会环境10102012012年起，图像识别的精准度得到了极大的提升，从70%提升到95%以上。2012年，ImageNetILSVRC比赛中，冠军团队使用CNN网络AlexNet将深度学习算法应用在计算机视觉算法改进中，将识别错误率（top-5errorrate）一举降低到15.32%，深度学习从此进入了广泛应用期，应用于商务、美图、医学、安防等各个领域。02此后，ILSVRC冠军识别准确率不断提高，识别错误率从2013年ZFNet的120%，到2014年GoogLeNet的6.67%，再到2015年微软神经网络系统ResNet的57%，实现了低于人类（5.1%）的识别错误率。2016年的Trimps-Soushen和2017年的SENet图片识别基准测试成绩继续提升，达到了低至99%和25%的识别错误率。深度学习算法对计算机视觉算法的不断优化起到重要作用，其提升也将促进计算机视觉图像识别正确率的不断提升。010社会环境2社会环境22012年以来，大型人工智能运算的计算力呈指数式上涨，从2012年AlexNet的约0.008pfs-day到2018年AlphaGoZero的约2,500pfs-day，算力实现30倍增长，并正以大约每年10倍的速度增长，定制的硬件使GPU和TPU每秒可执行的操作更多，对数据处理规模、数据运算速度带来了指数级的增长和改善，极大促进计算机视觉的发展。CPU、GPU和FPGA等通用芯片是当前人工智能的主流芯片，而针对神经网络算法的专用芯片ASIC也正被Intel、Google、NVIDIA和众多初创公司推出，伴随AI专用芯片的推出和对通用芯片的替代，叠加嵌入式感知系统的成熟研发，在嵌入式系统中实施深度学习将有助于机器通过视觉解析面部表情，并达到更高准确度。011行业驱动因素行业驱动因素1计算机视觉应用前景广阔1人工智能芯片发展提供算力支持1计算机视觉应用前景广阔1大众对生活、消费、安全与生产效率改善与提高的需求催生计算机视觉应用落地。人类70%以上的信息获取依靠视觉，视觉领域的应用非常广泛，应用场景拓展渗透各行业。目前计算机视觉行业主要应用场景有安防影像分析、泛金融身份认证、手机及互联网娱乐、商品识别、工业制造等，主要应用在B端领域，随着物体与场景识别、动态视频识别等技术与商用成熟，计算机视觉有望拓展更多商业与生活场景，开拓更多B端与C端业务。1人工智能芯片发展提供算力支持1计算机视觉领域的图像和视频数据需要大量矩阵计算操作，传统的CPU算力不足，无法满足并行计算要求。随着GPU、FPGA，ASIC等专用芯片的出现，数据处理速度大幅提升，为计算机视觉发展提供算力支持。GPU、FPGA、ASIC等具有良好并行计算能力的芯片性能高，算力在CPU数十倍甚至上百倍之上，可大幅缩短计算过程，有利于缩短模型架构调整时间，加快模型进步速度。012行业驱动因素行业驱动因素海量数据为深度学习算法提供了大量的数据支持深度学习算法促进计算机视觉准确度提升海量数据为深度学习算法提供了大量的数据支持丰富和大规模的数据集对算法训练尤为重要，海量而优质的应用场景数据可帮助机器实现精准的视觉识别。互联网、社交媒体、网络视频、传感器和移动设备的发展使数据量急剧增加，为通过深度学习的方法来训练计算机视觉技术提供了良好的基础。2010年全球所产生的数据量已达到ZB级别（1ZB约为1万亿GB)，到2022年将达到80ZB，届时视频将占全球移动流量近80%，海量数据资源将为计算机视觉算法模型提供坚实的训练基础，促进计算机视觉算法精准度提升。由学术及研究机构承担建设的公共数据集不断丰富，公共数据集一般用于算法测试和能力竞赛，具有高质量特点，为技术提高提供优质数据，为计算机视觉创业企业带来优质资源。深度学习算法促进计算机视觉准确度提升算法是计算机视觉行业发展的核心要素之一，是计算机基于其所训练的数据集归纳出的识别逻辑，算法模型的优化可以更精准的识别物体和场景。在深度学习出现之前，机器学习领域的主流是各种浅层学习算法，如神经网络的反向传播算法（BP算法）、支持向量机（SVM）等。计算机视觉作为一个数据复杂的领域，浅层学习算法的识别准确率并不高。该类识别原理多为通过寻找合适的特征来让机器辨识物品状态，处理逻辑浅层且不能穷举各种复杂的情境，因而算法拟合的准确率不高。深度学习的出现突破了传统浅层学习算法的局限，重塑了计算机视觉的算法设计思路。深度学习是一种基于多层神经网络并以海量数据为输入的规则自学习方法，依靠提供给它的大量实际行为数据，即训练数据集，进行规则中的参数和规则调整，因此深度学习在面对与训练数据集类似的场景时，可做出准确度极高的判断。深度学习算法使计算机视觉的主要识别方式发生重大转变，使机器从海量数据库里自行归纳物体特征，然后按照该特征规律识别物体。如神经网络卷积深度学习技术令人脸识别瞬间提升到3D多维算法领域，人类才从算法层面解决了人脸识别不精准、实战难的问题，让人脸识别技术从此走向应用。013行业现状行业现状自1956年达特茅斯会议上首次提出人工智能概念以来，人工智能技术与应用已经发展60多年。在半个多世纪的发展历程中，由于受到算法、算力、存储水平等多方面因素的影响，人工智能技术和应用发展经历了多次高潮和低谷。2006年以来，以深度学习为代表的机器学习算法在计算机视觉、语音识别、自然语言理解等领域取得了巨大突破，人工智能行业进入第三次发展浪潮。受益于国家政策的大力支持、人工智能企业的涌现和广阔的应用场景等因素，中国人工智能行业的发展走在世界前列。2019年中国人工智能行业市场规模约为1374亿元。2020年我国人工智能市场仍保持稳定发展，整体市场规模将达到1858亿元。014行业现状行业现状CV四小龙企业竞争激烈，业务同质化程度高国内计算机视觉行业盈利空间巨大CV四小龙企业竞争激烈，业务同质化程度高商汤、旷世、依图、云从，这四家从计算机视觉起步的公司，也被业内称为CV(ComputerVision)四小龙。四家公司在应用场景的落地上极其相似，都以目前比较成熟的市场--安防和金融为主，其合作伙伴上也有重叠的地方，四家企业竞争的程度极其激烈。国内计算机视觉行业盈利空间巨大2017-2019年上半年，计算机视觉行业代表企业毛利率均超过40%，2020年上半年受疫情影响个别企业有所下降，但整体仍然处于较高水平。以2020年上半年为例，依图科技营业毛利率最高，达到70.99%，其次云从科技毛利率为545%。整体行业盈利水平远高于其他传统行业。超高的行业利润也吸引了众多参与机构快速布局，目前已形成以商汤科技、依图科技、云从科技和旷视科技为代表的的计算机视觉行业机构，各家计算机视觉技术产品和服务也广泛在全国得到应用。015行业现状行业现状数据、算力和算法是计算机视觉行业发展的三大核心。随着移动设备数量的增长和传感器技术的进步，包含有价值的图像和视频数据的增加，智能终端与移动设备采集和产生的环境与用户数据成为宝贵资源。对视觉信息的分析须借助计算机视觉技术，数据量的急剧增长，算力的大幅提升和深度学习算法的不断优化极大促进了计算机视觉行业的发展。中国计算机行业规模从2014年的11亿元增长至87亿元，年均复合增长率达65.2%。伴随计算机视觉技术从传统图片处理方法转向人工智能处理，图像识别准确率显著突破，应用场景不断拓展，计算机视觉行业将进入快速发展阶段，预测2018年至2023年中国计算机视觉行业规模年均复合增长率将达48.8%，2023年规模达605亿元。016行业现状行业现状随着计算机视觉技术的逐渐成熟，其实际应用的技术领域不断扩展，由最初的静态人脸识别和光学字符识别，扩展到人脸识别分析、活体检测、人体识别分析、物体检测识别、行为识别分析、人体重识别、医疗影像诊断技术等诸多种方向。同时，计算机视觉技术和场景应用正在相互促进发展。从商业化角度来看，应用场景由最早基于1:1识别算法的人证核验场景迈向基于1:N识别算法的动态比对场景；从基于图像的场景分析迈向基于视频的事件、动作识别；从基于2D医疗影像数据的病灶检测迈向基于3D医疗影像数据的病灶分析。伴随着海量数据的采集以及人工智能算力的提升，不断发展的计算机视觉算法将解锁更多的应用场景。计算机视觉技术的应用领域也越来越广泛，除应用较早的安防、金融、互联网等领域之外，城市治理、楼宇园区、医疗影像等创新领域正逐步实现应用，成为计算机视觉技术快速发展的重要支撑，计算机视觉领域市场规模仍处在高速增长阶段。017行业热点行业热点热点一计算机视觉应用领域广泛热点二科研服务市场持续增长热点三行业产品质量整体提高热点一计算机视觉应用领域广泛热点二科研服务市场持续增长计算机视觉行业具有市场空间广阔、销售范围广、用户分散、单批数量少、销售单价高等特点。热点三行业产品质量整体提高计算机视觉行业技术提升，多元化科研服务平台持续扩张，促进高价值服务企业品牌形成。行业产品化发展，集研发、生产、销售于一体的综合性科研服务企业逐渐增多。018行业制约因素行业制约因素中国计算机视觉实际商业应用能力仍需提高高质量数据获取成本高、难度大高端产品发展落后中国计算机视觉实际商业应用能力仍需提高2019年3月，中央全面深化改革委员会通过的《关于促进人工智能和实体经济深度融合的指导意见》指出，中国人工智能的发展主要是供给侧驱动，供给侧驱动的人工智能与实体经济融合并不能解决实体经济发展面临的根本性问题。中国存在结构不均衡问题，应用作为发展优势领域，尚未达到人类劳动者对企业管理、技术研发、生产加工、组织协调、营销策划的水平和要求，应用场景和路径有待进一步明确，各行业、各环节所需的解决方案差异较大导致开发难度大、成本高，距离可复制和整体解决方案的通用人工智能的距离更远。硬件和算法等基础核心技术受制于人，造成人工智能与实体经济融合发展的远期隐忧。高质量数据获取成本高、难度大高质量、大规模的基础数据是算法训练与计算机视觉发展的核心，机器学习与深度学习需要至少百万级别的数据以及真实可靠的场景，通过在真实环境与数据中验证结果，并不断模拟、优化、调整算法模型，最终得出一套算法。海量、有效、优质的数据能训练出优质算法，使其能快速、准确地识别对象和场景，是将计算机视觉与实体经济融合的基础。尽管基于庞大的人口基础，中国科技公司可以获得海量数据，为计算机的图像识别应用积累基础数据，但多数数据并不能直接使用，需经过人工标注，耗费时间与人力成本，影响计算机视觉算法验证效率与实际应用能力。高端产品发展落后在中低端产品领域，仍然有较大比例的产品依赖于进口渠道。此外，计算机视觉行业企业缺乏创新研发能力以及仿制能力，加重下游消费端对进口科研用检测试剂的依赖，不利于计算机视觉行业的发展019行业问题行业问题质量参差不齐行业监管难度大高端产品发展落后质量参差不齐计算机视觉行业缺乏完备的质量控制和质量保证体系，生产商缺乏统一的生产标准，行业内产品质量良莠不齐，导致产品的可靠性难以保证，丧失产品市场竞争力。行业监管难度大高端产品发展落后020行业发展建议行业发展建议2提升产品质量2全面增值服务2多元化融资渠道2提升产品质量2（1）政府方面：政府应当制定行业生产标准，规范计算机视觉行业生产流程，并成立相关部门，对科研用计算机视觉行业的研发、生产、销售等各个环节进行监督，形成统一的监督管理体系，完善试剂流通环节的基础设施建设，重点加强冷链运输环节的基础设施升级，保证计算机视觉行业产品的质量，促进行业长期稳定的发展；（2）生产企业方面：计算机视觉行业生产企业应严格遵守行业生产规范，保证产品质量的稳定性。目前市场上已有多个本土计算机视觉行业企业加强生产质量的把控，对标优质、高端的进口产品，并凭借价格优势逐步替代进口。此外，计算机视觉行业企业紧跟行业研发潮流，加大创新研发力度，不断推出新产品，进一步扩大市场占有率，也是未来行业发展的重要趋势。2全面增值服务2单一的资金提供方角色仅能为计算机视觉行业企业提供“净利差”的盈利模式，计算机视觉行业同质化竞争日趋严重，利润空间不断被压缩，企业业务收入因此受影响，商业模式亟待转型除传统的计算机视觉行业需求外，设备管理、服务解决方案、贷款解决方案、结构化融资方案、专业咨询服务等方面多方位综合性的增值服务需求也逐步增强。中国本土计算机视觉行业龙头企业开始在定制型服务领域发力，巩固行业地位2多元化融资渠道2可持续公司债等创新产品，扩大非公开定向债务融资工具（PPN）、公司债等额度获取，形成了公司债、PPN、中期票据、短融、超短融资等多产品、多市场交替发行的新局面；企业获取各业态银行如国有银行、政策性银行、外资银行以及其他中资行的授信额度，确保了银行贷款资金来源的稳定性。计算机视觉行业企业在保证间接融资渠道通畅的同时，能够综合运用发债和资产证券化等方式促进自身融资渠道的多元化，降低对单一产品和市场的依赖程度，实现融资地域的分散化，从而降低资金成本，提升企业负债端的市场竞争力。以远东宏信为例，公司依据自身战略发展需求，坚持“资源全球化”战略，结合实时国内外金融环境，有效调整公司直接融资和间接融资的分布结构，在融资成本方面与同业相比优势突出。021竞争格局竞争格局竞争格局1竞争格局2竞争格局1国内计算机视觉行业集中度高，头部企业突出。随着人工智能深度学习算法的快速成熟，中国诞生了一批基于计算机视觉算法技术的人工智能企业，这些创业企业是计算机视觉市场的主要参与力量之一。中国计算机视觉厂商具有基于基础算法进行改进和优化并形成各自特有算法的技术能力。目前，头部企业已逐渐占据主要市场份额，且集中度越来越高。据数据显示，商汤科技（17.4%）、旷视科技（15.2%）、云从科技（9.8%）、依图科技（9.0%）四家企业占国内计算机视觉应用市场份额的54%。竞争格局2近年获投的计算机视觉创业企业所选的细分赛道主要集中于零售、安防、制造、政务、医疗等行业。其中，零售行业占比最大，为64%，其可基于场景化营销、商品识别分析等应用提升营销转化率，实现门店运营的智能化改革；安防行业是计算机视觉最早落地的场景，占比为50.7%，其主要利用安防影像智能分析协助城市治理等领域的智能化转型。022行业发展趋势行业发展趋势计算从云端到智能前端“云”+“AI”，智能云端赋能前端实现计算机视觉计算从云端到智能前端纯中心分析模式无法满足大范围计算机视觉应用的需求，云边结合将取代中心分析成为智能化的主流选择。当前，计算机视觉在安防影像识别等应用领域领域从云端落地，在后端中加入人工智能计算功能，实现图像、视频数据的智能化分析。随着传感器的灵敏度与精确度提高，如摄像机的清晰度提高、可拍摄距离增大等，通过网络回传的数据量将越来越大，将数据的结构化处理与分析完全集中到云端会对网络产生传输压力，且限制于传输能力，实时性与准确性将降低。“云”+“AI”，智能云端赋能前端实现计算机视觉大量计算、存储资源以及需要利用多维数据进行分析的场景需要借助后端的强大计算能力。云端可利用集中部署的池化资源优势，进行更高层级的感知和认知层面的计算，并且按需进行大数据关联性分析。在计算机视觉行业拥有多年从业经验的专家表示，云端融合计算机视觉在内的人工智能，将促进企业获取数据、分析数据、形成独有算法的能力，如阿里云智能平台将中台的智能化能力（包括机器智能的计算平台、算法能力、数据库、基础技术架构平台、调度平台等核心能力）和云全面结合。将计算机视觉融入云，有助于构建面向商用、民用领域的基于云计算的智能化技术基