视觉智能是人工智能的重要分支，旨在通过算法模拟人类视觉系统，使机器能够自动解析、理解图像与视频等视觉信息，并做出决策。它超越了传统机器视觉的“看见”层面，实现了从感知到认知的范式跃迁。其核心技术包括深度学习、卷积神经网络及多模态大模型等，进入2020年代中后期，视觉智能进入生成式AI与多模态大模型驱动的新阶段。正与生成式AI、空间计算融合，向具备“感知-理解-规划-执行”能力的智能体演进，行业核心趋势是融合传统计算机视觉、多模态基础大模型、空间模型与边缘计算架构 ，并催生了如“通用视觉智能（GVI）”等新研究与应用范式 ，空间理解、仿真训练等正成为物理AI发展的核心基础设施 。视觉智能已广泛应用于工业质检、自动驾驶、智慧农业、医疗影像、城市治理等领域，钢铁等行业复杂场景机器视觉识别准确率超过99% ，在文化遗产保护与研究方面也得到应用 ，成为驱动产业智能化、连接物理与数字世界的关键技术。杭州“中国视谷”是视觉智能产业的一个集聚区 。
计算机视觉的早期探索可追溯至20世纪50-60年代 。2012年，AlexNet在ImageNet竞赛中夺冠，标志着深度学习在计算机视觉领域取得突破性进展 。2020年，Vision Transformer（ViT）模型的推出为计算机视觉领域带来了新的里程碑 。
想要了解更多“视觉智能（人工智能技术领域）”的信息，请点击：视觉智能（人工智能技术领域）百科
