因而，Video-to-Video Synthesis也被看作是在過去幾年中，視頻領域的一次重大突破，畢竟從靜態(tài)框架轉(zhuǎn)換為動態(tài)框架的難度是很大的，但機器訓練卻在盡量模擬預測視頻將會發(fā)生的情景，通過給定的輸入視頻學習映射函數(shù)，產(chǎn)生仿真度極高的視頻內(nèi)容。

　　Fast.ai18分鐘訓練ImageNet

　　在普遍認知還停留在需要大量計算資源來執(zhí)行適當?shù)纳疃葘W習任務時，F(xiàn)ast.ai通過使用16個公共AWS云實例，每個配備8個NVIDIA V100 GPU，運行fast.ai和PyTorch，用18分鐘在ImageNet上將圖像分類模型訓練到了93%的準確率，刷新了一個新的速度記錄。

　　這是一個令人驚喜的結(jié)果，尤其在公共基礎設施上訓練ImageNet能達到這種準確性，并且比其專有TPU Pod群集上的谷歌DAWNBench記錄快40%，運行成本僅約為40美元。這意味著一個關鍵的里程碑出現(xiàn)了，幾乎所有人都可以在一個相當大的數(shù)據(jù)集上訓練大規(guī)模神經(jīng)網(wǎng)絡。

　　除了這些重要的節(jié)點之外，2018年的計算機視覺技術也部署更多方面，不論是亞馬遜發(fā)布Rekognition將計算機視覺置于開發(fā)人員、微軟為OneDrive和SharePoint推出了新的AI服務、Google相冊讓我們的記憶變得可搜索、還是每個場景下都正在逐漸普及的AI人臉識別等等，計算機視覺正在逐步滲透到我們生活的每個部分。

　　最后，最值得注意的是，計算機視覺的市場增長幾乎與其技術能力的增長是一樣快的，預計到 2025年，計算機視覺領域會帶來超過262億美元的收益，因而在人工智能的未來里，計算機視覺一定是最有力的表現(xiàn)形式，并將隨處可見。