2015年12月，谷歌發布了其云視覺API，來執行這些任務，如：識別人臉、標志和文字，探測物體并了解其環境的使用。一些客戶都對這些功用感到十分振奮，在市場上其它企業也正在尋覓類似的一種服務，為使其習慣其事務模式。

　　機器為什么需求視覺呢?視覺是主要的感官。機器要可以了解人類，提供他們所需的支持，那么它們有必要可以在視覺領域進行觀察和體現。這可能是一個小攝像頭的方法，可以幫助盲人去“看”和感受盤繞他們周圍的國際。或者是一個家庭監控體系，該體系可以正確識別一群漂泊貓之間的差異，或者移動樹枝，和一個防盜的方法。
　　在曩昔的一年中，圍繞著人工智能的嗡嗡聲，一直在十分微弱的增加。咱們還從來沒有如此接近的觀察到這個技能的好處。2016年，將會看到新式的人工智能的供電設備，因為咱們對于人工智能，所面臨的最困難的挑戰之一，已經取得了進展：讓咱們的設備，可以了解它們所看到的。

 　　在咱們的日常生活中，由于設備逐步成為咱們不可分割的一部分，咱們已經看到假如沒有足夠的視覺才能，越來越多的使用程序將走向失敗，其中包含空中無人機碰撞和機器人吸塵器“吃”了它們本不應該吃的東西。
 　　機器視覺是人工智能正在快速開展的一個分支，旨在賦予機器可媲美人類的視覺。跟著研究人員使用專門的神經網絡來幫助機器識別和了解實際國際的圖畫，機器視覺在曩昔幾年取得了巨大的前進。現在的計算機在視覺識別上可以做到各種各樣的工作，從識別網絡上的貓到在諸多的照片中識別特定的面孔。不過，該類技能還有很長的路要走。今天，咱們看到機器視覺可以離開數據中心，并適用于全部從自主無人機到機器人身上，可以收拾咱們的食物。
 　　為了更好的了解機器視覺，一個常見的類比，機器人視覺與人類自己的視覺，就好比天空中飛行的鳥類與飛機。兩者終究都將依賴于基礎物理學(如伯努利原理)，來幫助它們飛入到高空中，可是，這并不意味著飛機將要搖動它的翅膀進行翱翔。僅僅因為人與機器可能會看到同樣的東西，并且對這些圖畫進行解說的方法，甚至可能有必定的共性，最后的結果依然可能是具有很大的不同。
 　　雖然基本的圖畫分類已經變得愈加簡單，可是，當它涉及到從抽象的場景中提取含義和信息時，機器人就面臨著一系列新的問題。幻覺就是一個很好的例子，機器人視覺依然還有很長的路要走。
 　　舉例來說，當人看到兩張面臨面的臉的輪廓圖畫時，他們看到的不僅僅是抽象的形狀。他們的大腦會進行進一步的解讀，讓他們可以識別圖畫的多個部分，看到兩張臉，又或者看到一個花瓶。但對于機器來說，這樣的圖畫是十分難以了解的。基本的分類器分辯不了兩張臉和花瓶，它看到的會是諸如短柄斧、吊鉤、避彈衣甚至吉他的物體。該體系并不能斷定那些物體是在該圖畫傍邊，這說明這類圖畫的識別對于機器而言極具挑戰性。
 　　假如咱們看到一些更復雜的東西，這個問題甚至會變得愈加困難，比如BeverlyDoolittle(富康杜利特爾)的一幅畫，雖然看到這個圖的每個人，可能不可以發現，其實每個人的臉都在這塊畫布上，他們幾乎立即看到，比映入他們眼皮更多的圖片。另外，正如復雜的圖畫，實際國際也十分凌亂。在傍邊正常飛行可不是光開發算法分析數據就可以實現的，它需求對真實場景有清楚的了解，進而可以相應作出行動。