计算机视觉（CV）技术影响深远，它是指计算机和机器看待我们周围世界的方式。对于人工智能而言，计算机视觉技术至关重要，其中涉及到的对象检测和图像识别算法可解决曾经认为不可能的科学和工业问题。“深度学习”和“人工神经网络”由于具有解释或感知计算机视觉(CV)所生成的数据的能力，通常与计算机视觉关联在一起。

早在20世纪50年代，Frank Rosenblatt 就通过神经网络系统“感知器”对此进行过初步讨论，但当时的计算能力不足以证明该技术的潜力。

而现在，根据摩尔定律，计算能力已经大大加强，处理器（包括GPU）能够快速渲染和分析图像和视频中的非结构化数据，从而实现感知环境的目的。

在现实世界中，有些利用增强现实（AR) 的头戴显示器可用于分析工厂车间的数据或者自动驾驶的汽车感知周围环境并进行相应导航。

人工智能通过硬件本身的原生传感器（相机，GPS等）和能够解释环境的软件来实现AR中的计算机视觉，这些软件都常具有很多先进的功能，例如自动对象识别。识别手势，眼睛跟踪以及与自然语言处理（智能助手）的接口已成为AI推动AR的关键功能。

机器学习是AI的另一个广泛应用，主要应用于系统，模型和算法，无需显式编程即可学习，不用识别模式即可预测结果。不同的情况会用到各种不同的学习模型，但通常分为有监督或无监督两种。

在有监督模式（分类，回归等）中，存在一个“真值”，它规定了被定义的数据的输出值。

在制造过程中，回归算法使用来自传感器的输入数据（温度，振动等）来估计资产的剩余使用寿命，这对于预测性维护用例而言至关重要。在无监督的机器学习（即聚类）的情况下，该模型几乎以相反的方式工作，即从预期的结果（但未知）开始，然后训练算法。

人工神经网络及其在对于深度学习模型中的作用至关重要，在这种情况下，输入的数据是通过隐藏层进行读取的。每一层都需要进行训练以识别特定特征并最终生成输出。一辆自动驾驶汽车依靠这些内置的网络来识别树木，而不会将其认成停车标志或行人。

还有，没有一种机器学习算法是“万能的”，即算法完全取决于具体的商业需求；对于面部识别来说，特定的深度学习模型可能更好，而通过回归实现的机器学习算法则更适合用于预测系统故障。

借助新兴的衍生式设计概念，工程师将能够在整个制造过程中提高生产率，创新能力和效率。

在这些迭代设计过程中，人工输入被用作约束和特征，然后软件直观地通过实时仿真实现符合参数的设计。

通过提出可供考虑的设计替代方案并将各种因素联系起来，例如首选材料，购买决策，制造能力，产品差异和供应链状态等，人工智能已经融入到整个开发过程中。

这些软件程序中包含了一系列工程工具和支持用例，包括拓扑优化，体积建模和晶格结构设计，使功能强大的产品能够通过增材制造得以实现。分析师预测，到2030年，新兴的创成式设计市场规模将接近450亿美元。