Vision Pro讓電腦視覺崛起？Phiar創辦人、現Google工程主管提出3大AI趨勢

1966年，人工智慧之父Marvin Minsky在暑假期間找了一批MIT學生進行一場研究：把攝影機連上電腦，讓電腦解釋它看到了什麼。

雖然當時這項研究沒有獲得實質的成果，卻開啟了至今近60年的電腦視覺研究之路，而且這條路還沒到盡頭。

「我覺得自然語言生成式AI的爆發是電腦視覺的下一個機會，無論在自動駕駛、AR還是機器人的應用上都會有所突破。」AI／AR導航新創Phiar創辦人、現Google Maps工程主管余正平，以自身豐富的電腦視覺經驗，分享了他對電腦視覺前景的看法。

除了人臉辨識、自動駕駛，電腦視覺的下一個戰場是Vision Pro？

究竟什麼是電腦視覺？余正平給出了自己的定義：

讓電腦透過鏡頭接收影像，進而辨識、分析、偵測、確認與生成影像。

現在常見的電腦視覺應用包含用於辨識道路狀況的自動駕駛、與資安或濾鏡娛樂相關的人臉辨識，還有從去年爆紅的生成式AI應用，這些技術有些是最近才成熟，有些可能早在2010年就已經問世，例如Meta（當時的Facebook）早在那時候就已經會問你是否要標註照片中的「朋友」。

余正平表示，下一個該關注的是AR與VR領域的應用，「為什麼？像是這次Vision Pro的發表會就用到了手勢辨認，還需要眼球偵測。」余正平說。而未來如果AR應用在室內外的定位的話，就像是自動駕駛的應用場景一樣，所以電腦視覺在AR的應用是可以預期的。

電腦視覺發展的3大趨勢：邊緣運算、晶片和生成式AI

從車子、手機到眼鏡，隨著電腦視覺在各式各樣的載具上運作，余正平也提出如果電腦視覺要跨到下一個階段的3個條件：

1. 邊緣運算：如果要加強AI判讀即時性，同時避免資料傳輸時的資安風險，那未來勢必要捨棄雲端運算的方法，改以在終端裝置上運算。

2. 更強大的晶片：為了因應終端運算的需求，更輕便、更快速、更強大的晶片是必要的基礎。

3. 與生成式AI結合：電腦視覺如果結合大型自然語言模型（LLM），將可以帶來更深一層的體驗，例如開車時詢問：前面的測速照相速限是多少？AI可以判讀測速照相的位置、速限數字並直接回答，將能真正實踐電影《鋼鐵人》的場景。