人工智能（AI）这一概念自上世纪50年代被提出以来，已经发展为一门既系统又庞杂的学科和产业。人工智能产业链一般可以分为基础支撑层、技术应用层和方案集成层三个层级。
基础支撑层包括支撑人工智能运行的AI基础硬件和AI基础算法，其中AI基础硬件主要包括用于前端数据采集的传感器、用于处理人工智能数据的GPU、FPGA、ASIC等智能异构芯片。
而AI基础算法主要包括实现人工智能的深度学习、数据挖掘、认知计算等功能的相关算法。
技术应用层在基础支撑层提供的软硬件基础之上，主要是为了适应不同的细分应用领域，有针对性开发的技术应用。
其中，本文所讨论的计算机视觉就是采用图像传感器、适用于图像处理的高性能处理器以及相应的计算机视觉算法所构成的能够完成这一特定领域的应用技术。
方案集成层则是为了满足不同的智能应用场景需求，将不同细分领域的人工智能技术进行集成、优化、完善，从而形成某个较大领域的综合系统解决方案。
由此可见，计算机视觉属于人工智能产业链中游的重要应用技术之一，基于上游基础技术的逐渐成熟和下游产品方案的迫切需求，以计算机视觉为代表的人工智能应用技术迎来了发展的黄金时期。
根据初步统计，美、中两国分列全球人工智能企业数量排名的第一和第二位。按照人工智能企业涉及的应用领域来划分，以计算机视觉为核心技术的企业表现较为强劲。
以商汤、旷世为代表的我国计算机视觉初创企业均有创纪录的单笔数额上亿元的融资，这表明计算机视觉已被推上人工智能产业的风口，由此一大批该领域创新主体应运而生。
1. 深度学习赋予了计算机视觉新的生命
随着大数据时代的到来，深度学习技术赋予了计算机视觉新的生命（并非完全取代传统视觉算法）。
深度学习的概念是相对于传统的支持向量机、Boosting、最近邻等分类器等浅层机器学习模型而被提出的，其在计算机视觉领域“走红”的标志性事件是在2012年ImageNet 大规模视觉识别挑战赛（ILSVRC）中的图像分类任务中，相比于其它算法在比赛测试集上26%的最低错误率，深度学习算法将这一数据大幅度降低至15%。
直至2017年，这一数据达到2.25%，超出了人类认知图像的水平，使得计算机视觉应用于工业界成为了可能。
2. 丰富的训练数据提升了计算机视觉学习模型的表现
如果说深度学习算法的发展推动了如今的计算机视觉技术的发展，那么海量数据的训练又是深度学习算法的重要支撑。
从整体态势上来说，伴随着互联网信息的爆炸和传统产业数字化的转型，数据量呈现几何级增长。据IDC预测，2020年全球数据总量预计达到44个ZB，为计算机视觉技术的发展提供了坚实的数据基础。
具体到计算机视觉领域而言，ImageNet、PASCAL VOC、Labelme等计算机视觉向的数据库为检测算法性能提供了一些相对客观的评估标准。同时相关的企业和研究机构也在持续地为计算机视觉数据集做着一些标注工作。
3. 芯片计算力的提升加速了计算机视觉技术的模型训练效率
以GPU芯片为例，GPU对于整个人工智能领域的意义在于其强大的数据吞吐量、内存接口的高带宽以及相对其它智能芯片较低的性能成本，这使其天生就适应于计算机视觉这种海量图像数据的计算。
而对于计算机视觉而言，GPU中大量的图形计算单元使得GPU在通用计算、并行计算方面的能力无可比拟，可以高效地对单张图像按像素并行处理。
（图片来源：中金公司）
尽管计算机视觉领域学术界的研究迭代速度很快，但是有价值的研究成果往往会在第一时间被工业界再现，技术落地的周期很短。
而具体到应用上，计算机视觉算法基于目前较为成熟的发展水平，已经在移动互联网、安防、金融、教育、零售等垂直行业中快速落地，呈现出百花齐放的繁荣景象。
具体到不同的细分场景，计算机视觉算法的落地速度基于数据可得性、服务容错率等因素又有所不同，移动互联网、安防等领域中计算机视觉技术已全面落地，但在医疗、无人驾驶等领域距离大规模应用尚有一段距离。
近年来国内计算机视觉产业高融资事件频发，已初步形成了以旷视、商汤、云从、依图等为代表的头部企业阵营。
业内普遍预计未来3-5年将是AI升级传统行业格局初定的历史窗口期，也是初创企业进入计算机视觉领域搏杀的最后机会，细分领域的竞争格局将会愈发激烈。
在此历史时期内，无论是以技术起家的初创公司，还是在特定应用领域的工业巨头，还是一直对AI保持高度关注的互联网巨头，都将逐渐确立自己的核心竞争力，建立起自己的技术壁垒。
然而，在国内计算机视觉产业技术积累的关键期，知识产权的重要性仍未得到国内企业足够的关注。
据《2018人工智能行业创新情报白皮书》统计，目前全球人工智能专利申请集中在中国、美国、日本三国，专利申请量分别为：99264件、48870件、31158件。
但数量上的优势背后仍存在相当大的隐忧，国内人工智能企业在知识产权布局上整体依然偏弱，主要体现在：专利积累量参差不齐、缺乏抵抗海外风险能力、专利信息利用能力不足等。
（数据来源，艾伯特）
在资本和技术均积累到一定阶段后，计算机视觉领域的专利大战必将到来。企业要具备提前布局的意识，主动与研发部门建立互动机制，及早为自身技术申请专利，建立起种类齐全的“弹药库”。
在专利布局时要深挖基础算法和应用场景的技术细节，突出创新点，特别注意具体应用场景实施例的描述，并合理布局构架权利要求书。
国外巨头企业微软、三星、IBM、谷歌、苹果、Intel等拥有大量的AI授权专利，而这些巨头企业拥有着丰富国际专利诉讼经验，其大量的海外专利布局会对国内计算机视觉企业的海外经营造成风险。
对我国企业而言，全球化的专利布局和及时应对可能到来的诉讼风险，需要尽快提上议事日程。
此外，国内企业还应该加强对专利信息情报的利用。利用专利信息对日新月异的技术和应用进行前瞻性的了解和预测，可以辅助企业及时进行战略决策和调整业务方向、技术路线。
除了利用专利保护自己的发明创造之外，在确定企业知识产权战略时考虑新技术市场化后的应用领域、潜在竞争等战略因素，可以适当规避企业在未来发展中可能遇到的知识产权风险。
如需咨询信息技术领域业务
请联系邮箱：zixun@chofn.com
电话：010-53394826
转载自：超凡知识产权
