我國機器視覺系集成和設備制造一直是國內企業的著力點，但無論是在軟件算法，還是在硬件成本上，我國都沒有占據優勢。業內人士認為，我國人工智能發展的根本出路在于教育，建議開設機器學習研究生專業。

在過去幾十年來，分析一直是高度手工操作的行為，分析師基本上都是手動來梳理數千行的表單，現在正由技術變得自動化起來，基本上通過一些簡單的按鈕就能夠實現操作。但隨著時代的進步，人們的需求也隨之提升。

由于選擇的機會原來越多，如今用戶對產品質量的要求也就越來越嚴。這對于廠家來說雖說是一個挑戰，卻又是難得的突破機遇，人工檢測產品質量不僅麻煩，而且不準確。解決方法就是采用機器視覺的自動化視覺檢測系統，才能不斷擴大產能和質量控制的要求。

據了解，機器學習由Arthur Samuel在1959年首次定義，即“學習領域，使計算機能夠在沒有被明確編程的情況下學習”。換言之就是，這就是分析的自動化，從而能夠讓分析得以大規模應用。

機器視覺系統可以快速獲取大量信息，而且易于自動處理，也易于同設計信息以及加工控制信息集成，因此，在現代自動化生產過程中，人們將機器視覺系統廣泛地用于工況監視、成品檢驗和質量控制等領域。

相比深層的神經網絡，傳統的機器學習模式正在為大多數人工智能應用提供動力。工程師們仍在使用傳統的軟件工程工具來進行機器學習工程，但這些工具并不起作用：數據建模的管道試圖將數據轉為模型，但最終得到的只是一些不完整的碎片。隨著大型科技公司構建具有端到端功能的新型機器學習平臺，這一過程將會有所改觀。

隨著機器視覺系統在工業領域被廣泛接受，已經有越來越多的新領域涉及機器視覺，這個趨勢將帶動機器視覺需求的急速增長。

就國內而言，我國機器視覺系統集成和設備制造一直是國內企業的著力點，但無論是在軟件算法，還是在硬件成本上，我國都沒有占據優勢。要知道，機器視覺組成部件的門檻主要就是體現在軟件算法上，但目前來說，國內對算法的處理能力和速度相比于國外都存在較大差距。另一方面，由于我國同行業起步晚，出貨量少，硬件價格也處于劣勢。

在這些不利條件下，我國機器視覺產業該如何發展?從哪里開始入手呢?業內人士表示，以計算機科學為主導，聯合統計和應用數學專業，開設機器學習研究生專業是值得考慮的。

業內人士認為，我國人工智能發展的根本出路在于教育。研究生專業應該圍繞理論機器學習、概率與隨機圖模型、貝葉斯方法、大規模優化算法、深度學習等基礎機器學習領域。因此建議開設理論機器學習、概率圖模型、統計推斷與貝葉斯分析、凸分析與優化、強化學習、信息論等課程。只有培養出一批批數理基礎深厚、動手執行力極強，有真正融合交叉能力和國際視野的人才，我們才會有大作為。