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。
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。
从我们观察到的情况来看，即使在今 天，机器视觉也越来越多地用于传统 制造业之外，例如食品、物流或制药行业。为了充分发挥技术优势，使用时需要针对特定增值链的要求进行适配。 下面举一个例子来说明：这些行业的客户越来越多地要求小型紧凑的传感器设备。如果将机器视觉功能嵌入到这些 “边缘设备”中，我们称之为“嵌入式 视觉”。这样做的关键优势在于，这些传感器的结果不仅可以在本地使用，还可以在全球范围内进行监测和解析。例 如，集中采集并评估大量运输零件的质量规格。对于我们这样的机器视觉专业公司，后者意味着我们还会为客户提供基于云的解决方案。
