支持者认为，基于安防行业自身天然的高试错率，小数点后的算法精度数量级提升对于项目的最终归属没有大的改变。
在那正平看来，“现阶段，与安防相关的AI技术精准度还远远没有达到天花板，基于安防场景的不断变化，其对算法迭代的要求一定是非常严苛且上升的。
在这个市场中，谁能够看到算法精度提升解锁的更多场景，并根据场景的变化做到最为快速且精准的反应，谁就能在未来竞比中走得更远。”
眼下，AI在安防领域的研究应用主要针对几个核心问题：分别是分类检测、分割、以及对整个图像区域分类。
以往来看，AI神经网络中激活函数、非线性单元、权重矩阵的应用形成了非常高维的非线性函数，从而可以完成非常复杂的任务；与此同时，在这基础之上，GPU的出现让神经网络的发展如虎添翼。
即便如此，相关AI技术在安防市场上的应用还存有几个挑战：
认知问题相较感知问题较难解决。感知问题可以用神经网络函数逼近，相比之下认知问题解决起来比较棘手。
比如如何教会机器辨识一把椅子。如果定义为四条腿，很多椅子并不满足此描述；如果定义为可以坐的物体，如此也行不通。所以说简单的检测物体问题上，背后都蕴含着更深层次的认知问题，如今很多问题还尚未解决。
在弱线索、遮挡、模糊、对象追踪等情况下，人类在识别的过程中通常会依据常识，并加入丰富的想象及推理。但是想要将这些能力传授给机器便非常困难；即使实现，识别能力与人类相比也相差甚远。
计算机视觉技术带给机器的能力不只是用来观察世界，而是需要与世界建立联系，从而一起做交互。在某个机器人去解决一件重要的问题需要用到手眼协同时，需要连续的关键决策，而不停地观察、决策和控制，这是机器智能目前非常难做到的事情。
