只要是成熟且完成度较高的技术，慢慢就不会被大家当做智能来看待了。
比如我问身边的老母亲老父亲老阿姨们，手机指纹解锁、手写输入、地图导航、游戏NPC、美颜相机等等是不是人工智能，他们纷纷流露出了质疑的小眼神儿：
这么常见朴素不做作，怎么能是AI呢，最起码也得挑战一下那些看起来不可能完成的任务吧，比如能撒娇的智能客服，360度旋转跳跃闭着眼的机器人，扫一眼就能看病的大白，动不动就血虐人类的智能体什么的。
行……吧……如此看来，最“危险”的要数计算机视觉了。
估计再过不久，人脸识别、看图识物、假脸生成，就要被“开除”出AI的队伍了。
近年来，深度神经网络彻底升级了计算机视觉模型的表现。在很多领域，比如视觉对象的分类、目标检测、图像识别等任务上，深度神经网络(Deep Neural Network，DNN)完成的比人类还要出色，相关技术解决方案也开始频繁出现在普通人的生活细节之中。
这就够了嘛?并没有!视觉模型表示自己除了在图像任务里很好用，非图像任务也是一把好手。
前不久，深度学习开发者，Medium知名博主 Max Pechyonkin在其博客中，介绍了将视觉深度学习模型应用于非视觉领域的一些创造性应用。
咱们就通过一篇文章，来了解一下求生欲极强的视觉模型是如何在其他领域发光发热的吧。
生活不易，DNN卖艺
由于有迁移学习和优秀的学习资源，DNN在计算机视觉领域的应用落地远超于其他任务类型。
加上各种开放平台和公开的预训练模型加持，任何人都可以在数天甚至数小时内，将视觉深度学习模型应用于其他领域。
两年前，就有外国农民开发出了自动检测黄瓜的智能程序，北京平谷的桃农也用上了自动检桃机。
背后的技术逻辑也很容易理解：先选用一个简单的卷积神经网络(CNN)模型(可以在开放平台上轻松地找到)，将各种带有标签的图片扔进去，跑出一个baseline，主要是为了确定数据集是否合适，图像质量和标签是否正确，需不需要调试等等。
OK以后，就可以投喂处理过的图像数据集了，一般图像越多、标注质量越高，模型的性能和准确率就越好。
听起来是不是学过高中数学就能搞定?
既然技术门槛并不高，其应用范围自然也就被无限延伸。面对很多非视觉类的原始训练数据，视觉模型也表示“不怂”。
其中有几个比较有意思的应用案例：郑州妇科医院：http://mobile.zzchxb110.com/
帮石油工业提高生产效率
石油工业往往依赖于一种名叫“磕头机”的设备开采石油和天然气，通过游梁活动让抽油杆像泵一样将油从地下输送到表面。高强度的活动也使抽油机极容易发生故障。
传统的故障检测方式是，邀请非常专业的技术人员检查抽油机上的测功计，上面记录了发动机旋转周期各部分的负载。通过卡片上的图像，判断出哪个部位出现故障以及需要采取什么措施来修复它。