傳統金融業，已有上百家銀行將基於人臉識別的身份驗證方案應用在ATM/VTM、手機銀行、櫃檯業務中。這一技術不僅創新了使用者體驗，降低了運營成本，而且還在進一步創新服務模式：融入視訊直播的線上客服，無人銀行等。
手機端，截止2018年4月，中國市場已有10款手機搭載人臉解鎖技術，人臉識別、智慧相簿正在成為手機產品吸引使用者的新賣點。
缺乏可用於人工智慧模型訓練的大規模資料集。缺乏標註資料是幾乎所有應用場景普遍存在的挑戰。當前的應用場景多以專案制形式落地，資料仍然在專案建設方，資料不能共享也無法形成閉環，也就導致技術的進步分散在各個企業的各個專案中，難以帶來行業整體跨越。
需要新的基礎架構來滿足計算加速的需求。與以往應用相比，人工智慧應用通常會有計算加速的需求。傳統的基礎設施不能滿足需求，使用者會面臨著本地部署新架構或者雲端服務快速獲取計算加速能力的選擇。而新架構的搭建對大部分使用者來說也是挑戰，這個過程可能涉及到新型計算架構環境的搭建，以及在新架構上開發應用等。
缺乏從技術到產品到規模化應用的工程化經驗。計算機視覺技術的應用已不再是單一的軟體應用，涉及到新型基礎架構，涉及到新的資料分析流程，還涉及到智慧硬體如攝像頭的安裝等等。每一個環節都可能會影響識別效果。將這一技術從實驗室擴充套件到工業化應用的過程本身就是很大的挑戰。
眾多技術瓶頸待突破。這些技術瓶頸包括動態影像識別、實時視訊分析；還包括將模型部署在前端的技術挑戰，也包括當前的網路頻寬對傳輸帶來的限制等。
特定領域在將應用規模化部署時面臨成本壓力。以零售行業為例，2017年初，部署視訊監控系統平均一路攝像頭的成本達數萬元，而傳統的零售行業本身就面臨收入增長變緩的壓力，如何降低總部署成本是零售業面臨的挑戰之一。
人才結構不能滿足人工智慧系統建設的需求。舉例來講，人工智慧應用的開發，其中一個重點即演算法的持續調優，而這一點取決於是否有充足的高階技術人員。傳統型公司可能會缺乏人工智慧開發人才，純技術創新型公司則缺乏對行業理解深刻、可以快速工程化的人才，行業整體缺乏硬體開發人才。人才結構的不平衡是全行業正在面臨的挑戰。
圖中標記綠色的是當前市場關注度、滲透率以及技術採用度相對較高的應用場景，比如靜態人臉識別、車輛識別，視訊結構化中的場景標註、影像標註等。可以看出，當前的應用僅是冰山一角，未來的前景明顯更加廣闊。舉例來講，在無人機、虛擬現實、醫學影像、行業自動化、自助結賬等領域，計算機視覺這一功能能夠顯著提升產品價值，相關產品設計中需儘早融入這一核心功能。IDC認為全球計算機視覺技術的應用在2017年的滲透率僅為8%，而到2021年滲透率將達到12%。如何抓住技術創新機遇是致力於數字化轉型的行業企業都應重視的問題。
優選流程，開始實施：綜合考慮建設AI系統可能帶來的效益以及實施的複雜性，選擇最具重複性、最耗人力和時間成本的任務優先開始建設AI。
聚合資料，提取洞見：在新架構的趨勢下，企業應重構資料化平臺，不僅保障內部系統的資料融合，更要注重外部資料的整合，基於平臺與內外部互動的資料，獲得洞察。
場景擴充，優化複製：將單個業務流程採用AI技術的成功經驗複製到更廣泛的業務領域。
理解界限，制定預期：人工智慧是解決業務問題的工具，需正視當前AI系統的侷限，將其作為工具，平衡人類智慧與機器智慧。