Dr. Maximilian Lückenhaus: 当前，整体经济形势自然仍然受到过去两到三年各种挑战的影响——从新冠疫情到乌克兰战争。这些事件不仅带来了人道主义苦难，也对全球供应链、能源市场以及整体价格水平产生了深远影响。从这些危机中得到的一个重要启示是，企业必须提高自身的韧性。而自动化在其中发挥着关键作用。企业也在努力提升供应链的稳健性，这有时意味着将部分产能重新迁回本国。在这方面，提高自动化水平同样至关重要。
不过，这一趋势也受到持续技能短缺问题的制约。毕竟，即使是——尤其是——高度自动化的流程链，也仍然需要高素质的专业人才，以其专业知识对整个流程进行支持和把控。机器视觉为应对这些挑战提供了强有力的解决方案。
经营环境对我们行业未来经济发展的影响远胜以往。更重要的是，之前提到的种种风险和地缘政治危机正在影响我们客户行业的投资项目，例如生产基地的灵活搬迁。为此，机器视觉组件必须能够支持不同的用户语言和不同的本地行业标准。这是第一点。第二点则涉及到机器视觉领域的发展。这些主要是由技术驱动。深度学习是这方面最热门的主题。对于机器视觉公司来说，这首先意味着为客户提供更紧密的支持，例如在应用中。同时，也意味着他们需要在技术方面发挥领导作用。仅仅掌握深度学习是不够的；公司还需要牢牢掌握各种传统方法，并且要尽可能让二者都易于使用。 毕竟，除了自动化本身， 让技术变得易于使用也是机器视觉对技能短缺等挑战的重要回应。
如果能以行业兼容的方式实现，作为一 种补充和发展传统机器视觉方法的手段，深度学习将会变得越来越重要。根据分析公司 Gartner 最近的一项研究， 深度学习目前正处于整合阶段。换句话说，炒作正在降温，企业谈论这一话题的态度更趋现实。
这方面的一个恰当例子是人工智能加速 器越来越多的使用。深度学习对计算能力的要求很高，因此需要高性能的硬件组件。深度学习加速器是一种体积 小、能耗低但功能强大的芯片，旨在大 幅提高深度学习过程的速度。由于加速器的结构紧凑，现在工业 PC 等体积较 小的计算设备也能使用深度学习算法。 关于如何在越来越多的应用中以有意义且适当的方式运用深度学习，这是一个例子。
