經(jīng)過20多年的本土化發(fā)展养渴，安防經(jīng)歷了模擬凡矿、數(shù)字、網(wǎng)絡(luò)置芋、高清4個(gè)時(shí)代紊竹，目前已經(jīng)進(jìn)入到“安防+AI”智能化階段。就在傳統(tǒng)安防企業(yè)砥礪前行之時(shí)栋湃，廣闊的AI安防藍(lán)海市場(chǎng)吸引了眾多AI公司紛紛參與圍獵壹会，就連BAT、華為等巨頭也參與其中铲桑。
5月27日及键，智能交通知名集成商千方科技宣布獲得阿里巴巴近36億元參股，一時(shí)竟引得行業(yè)紛紛競(jìng)猜阿里巴巴的安防布局意圖掺薪。其實(shí)在此之前胸胚，阿里巴巴就已經(jīng)推出了布局智慧城市頂層應(yīng)用的“城市大腦”，這是一套基于大數(shù)據(jù)應(yīng)用的城市級(jí)管理平臺(tái)啤邑，也是阿里布局安防的標(biāo)志垫嚣。
以阿里之能，仍需投資一家擁有安防生態(tài)的集成商津函，至少說明阿里此前的安防布局進(jìn)展并不順利肖粮，需要擴(kuò)充資源來協(xié)助其AI技術(shù)在安防領(lǐng)域縱橫捭闔孤页。
那么，安防究竟一個(gè)什么樣的行業(yè)涩馆？其AI生態(tài)都存在哪些痛點(diǎn)行施，竟然在眾多知名AI企業(yè)圍剿下仍需合縱連橫？
四重生態(tài)魂那，AI各有布局
我們看安防+AI蛾号，通常為算法+芯片、設(shè)備制造+解決方案涯雅、行業(yè)應(yīng)用三級(jí)生態(tài)须教。
最上層為基礎(chǔ)算法和芯片，以宇視科技為代表的安防企業(yè)都開發(fā)有各自的AI算法斩芭；商湯轻腺、曠視、依圖划乖、云從4大AI獨(dú)角獸更是聞名全球贬养，可以說在算法端，中國(guó)企業(yè)阶庆、中國(guó)的安防公司都走在了世界前列郎博。而芯片端，主流產(chǎn)品有GPU铺享、ASIC抱壶、FPGA三大類型產(chǎn)品，相較國(guó)際芯片巨頭潘乖，中國(guó)已能滿足自給自足需求院颜。
中游則是各種軟硬件產(chǎn)品和解決方案。宇視科技高級(jí)人工智能專家黃攀告訴OFweek安防網(wǎng)：這是安防生態(tài)中毛龟，宇視科技等一眾安防企業(yè)的強(qiáng)項(xiàng)驳墓，可以提供從端計(jì)算——邊緣計(jì)算——云計(jì)算的三個(gè)覆蓋大安防各細(xì)分行業(yè)的所有產(chǎn)品和解決方案，其中就包括了AI胡撩、存儲(chǔ)韭张、大數(shù)據(jù)等基礎(chǔ)應(yīng)用。
下游為政府派交、教育策冕、醫(yī)療、零售等各個(gè)行業(yè)場(chǎng)景應(yīng)用效床，涉及的產(chǎn)業(yè)鏈和企業(yè)類型較多睹酌，除了深耕安防的設(shè)備商外，還包括運(yùn)營(yíng)服務(wù)商、系統(tǒng)集成商忍疾、軟件定制服務(wù)商等安防生態(tài)企業(yè)闯传；宇視黃攀指出谨朝，安防+AI的產(chǎn)品落地中,最終面對(duì)用戶的部分恰是產(chǎn)品變現(xiàn)的“最后一公里”卤妒。
除了上面三部分生態(tài)，安防+AI還需要最底層的核心架構(gòu)字币，也是最易為大家所忽視的部分则披。目前主流的AI底層架構(gòu)有Caffe(卷積神經(jīng)網(wǎng)絡(luò)框架)、TensorFlow(第二代人工智能學(xué)習(xí)系統(tǒng))等洗出，且掌握在谷歌士复、Facebook等國(guó)際巨頭手里，本土企業(yè)中翩活，僅有百度阱洪、阿里巴巴、商湯倒恭、曠視等少數(shù)AI玩家在構(gòu)建自己的深度學(xué)習(xí)架構(gòu)弱豹。
2大因素制約早期AI爆發(fā)
人工智能之于安防，一直存在棠岭；只是人臉識(shí)別技術(shù)起來后履婆，才廣被大眾所熟知。其實(shí)滨锯，安防領(lǐng)域是人工智能技術(shù)應(yīng)用最早各囤、類型最全的一個(gè)行業(yè)，涵蓋車輛站么、行人芭患、人臉、行為惨译、動(dòng)作掰闯、步態(tài)、物品汉锡、事件等的識(shí)別與應(yīng)用的钞，不過早期安防智能較集中于智能交通領(lǐng)域,對(duì)車輛的車牌識(shí)別、車輛品牌扰肌、顏色等車輛屬性涉及較多,近幾年才慢慢擴(kuò)展到人體抛寝、人臉、動(dòng)作曙旭、事件等各種智能方案盗舰。宇視黃攀認(rèn)為，這是歷史發(fā)展規(guī)律使然，主要有受兩方面因素制約钻趋。
先從算法維度分析川陆，安防業(yè)經(jīng)歷了從模擬——數(shù)字——高清——智能的轉(zhuǎn)變。早期安防首先需要解決的是圖像清晰化的命題蛮位，編解碼算法和圖像處理算法是業(yè)內(nèi)廠商最優(yōu)先發(fā)展的算法较沪；隨著智能交通的興起，對(duì)車輛屬性的識(shí)別成為主流應(yīng)用失仁，傳統(tǒng)模式識(shí)別+淺層機(jī)器學(xué)習(xí)逐步在安防領(lǐng)域成為主流尸曼。隨著2012年AlexNet的驚艷表現(xiàn)，深度學(xué)習(xí)算法得到爆發(fā)性發(fā)展萄焦，安防智能真正進(jìn)入到“深度”智能階段犁谓，并最先在人臉識(shí)別領(lǐng)域得到大規(guī)模應(yīng)用。
再從硬件維度分析淋塌，早期沒有專門針對(duì)人工智能的算法芯片——算力叫逸，當(dāng)行業(yè)進(jìn)入到深度學(xué)習(xí)算法階段后，專注于游戲業(yè)務(wù)的英偉達(dá)發(fā)現(xiàn)GPU在分布式計(jì)算乾乘、大規(guī)模集群運(yùn)算中有著非常大的優(yōu)勢(shì)俄耸，由此找到了新的業(yè)務(wù)落腳點(diǎn)，并發(fā)力推出針對(duì)人工智能深度學(xué)習(xí)的多個(gè)產(chǎn)品線專用處理芯片滚尼，如工業(yè)級(jí)的Tesla系列侄伟、消費(fèi)級(jí)的GTX系列等。
隨著算力的大幅提升鉴吕，原先需要幾個(gè)月才能完成的深度訓(xùn)練迭代撇委，在分布式GPU集群的加持下，只需要幾個(gè)小時(shí)便可完成捌唾。
固定場(chǎng)景讓車輛識(shí)別脫穎而出
經(jīng)如上介紹汪仰，大家會(huì)產(chǎn)生新的疑惑：在深度學(xué)習(xí)算法興起之前，為什么車牌識(shí)別技術(shù)能在眾多的AI應(yīng)用中脫穎而出吆视？
對(duì)此典挑，宇視黃攀給出了兩個(gè)字的答案——場(chǎng)景，他進(jìn)一步分析道：“早期的智能交通雖然采用的是普通圖像處理和淺層機(jī)器學(xué)習(xí)技術(shù)啦吧，但它們與其他AI應(yīng)用最大的區(qū)別在于有標(biāo)準(zhǔn)化場(chǎng)景您觉，如卡口、電警中的六米安裝高度授滓、夜間提供爆閃補(bǔ)光琳水、專業(yè)的圖像調(diào)教、45度朝下抓拍角度等般堆，加上車輛的可變動(dòng)幅度不大在孝，使得抓拍的圖像非常清晰，因此在傳統(tǒng)算法下也有非常高的識(shí)別率，可做到95%~99%的精準(zhǔn)識(shí)別效果私沮。”
需要說明的是始赎，在2010-2012年，小編曾做過多次車輛抓拍識(shí)別測(cè)試仔燕，即便是采用200萬像素智能交通攝像機(jī)造垛，只要場(chǎng)景設(shè)置得當(dāng)，識(shí)別率可輕松做到99%蜻罕，很好佐證了宇視黃攀的觀點(diǎn)蛹鼎。
但傳統(tǒng)方案也有缺陷样京，一是算法對(duì)多種場(chǎng)景的適應(yīng)性難以進(jìn)一步提升涯贝，如識(shí)別率很難趨近于100%；二是傳統(tǒng)的淺層機(jī)器學(xué)習(xí)在特征提取品痕、算法設(shè)計(jì)上對(duì)開發(fā)人員要求較高跃呛，不能很好滿足智能交通的復(fù)雜場(chǎng)景需求。
在進(jìn)入到深度學(xué)習(xí)階段府贰，大量的場(chǎng)景適應(yīng)性問題通過豐富的訓(xùn)練素材讓算法在訓(xùn)練迭代中得到解決秦砌，大幅提升了算法魯棒性，大大簡(jiǎn)化了對(duì)技術(shù)人員的要求窑岖。利用新的算法體系做視頻結(jié)構(gòu)化经聊，在標(biāo)準(zhǔn)場(chǎng)景下，車牌識(shí)別率無限趨近于100%匹惊；而在非標(biāo)準(zhǔn)場(chǎng)景下守譬，車牌識(shí)別率也能達(dá)到98%以上，如輔助卡口的車牌抓拍識(shí)別應(yīng)用凛忿。
不過早期與車牌識(shí)別應(yīng)用幾乎同時(shí)發(fā)展的人臉識(shí)別需求卻始終無法滿足澈灼，主要受兩大因素制約，一是因?yàn)槿四槻⒉幌褴嚺颇菢邮且环N相對(duì)固定的模型店溢，人臉在檢測(cè)過程中受到姿態(tài)叁熔、表情、穿戴物床牧、朝向荣回、年齡等各種因素的影響；二是攝像機(jī)的安裝場(chǎng)景無法達(dá)到交通卡口般的標(biāo)準(zhǔn)化水平戈咳，受環(huán)境影響較大心软。
通過淺層機(jī)器學(xué)習(xí)算法在這樣的條件下完成人臉識(shí)別會(huì)遇到非常大的挑戰(zhàn)，特征提取方式嚴(yán)重依賴工程師的豐富經(jīng)驗(yàn)：不同場(chǎng)景下除秀，邊緣特征糯累、顏色特征等的提取需要工程師具備非常好的數(shù)學(xué)能力和經(jīng)驗(yàn)，如此才能設(shè)計(jì)出最佳特征提取方式；即便如此泳姐，人臉識(shí)別還要面臨人員移動(dòng)隨意性效拭、臉部裝飾、環(huán)境光照等的制約门烧，識(shí)別率難以有保障甜湾。這些問題的存在，一度讓人臉識(shí)別難以在實(shí)際場(chǎng)景中得到落地鹅棺。
利用深度學(xué)習(xí)算法后兜充，機(jī)器可自學(xué)習(xí)最適合的特征提取方式，對(duì)工程師的依賴大大降低脂性。設(shè)備通過大數(shù)據(jù)學(xué)習(xí)獲取人臉特征經(jīng)驗(yàn)雄睦，以此來自動(dòng)識(shí)別人臉，由原來的經(jīng)驗(yàn)為王轉(zhuǎn)變?yōu)橐詳?shù)據(jù)為王汹振，更是突破了逆光人臉娇裁、陰陽臉、戴墨鏡沼津、戴帽子等極端場(chǎng)景人臉的識(shí)別障礙荞篙。
自此，深度學(xué)習(xí)讓人臉識(shí)別得到了爆發(fā)式發(fā)展科绣，這也使得人臉識(shí)別成為安防第一個(gè)變現(xiàn)的深度人工智能技術(shù)殿姑。顯而易見，深度學(xué)習(xí)給人臉識(shí)別帶來了巨大改變——讓理想照進(jìn)現(xiàn)實(shí)肯适，并得到了眾安防企業(yè)的高度重視变秦，開始將該技術(shù)逐步移植到車牌識(shí)別、行為分析疹娶、事件分析伴栓，甚至是大數(shù)據(jù)等其他AI應(yīng)用中來。
“AI+安防”和“安防+AI”的界限仍很明顯
目前圍獵安防AI應(yīng)用的企業(yè)很多雨饺，主要有兩大類钳垮，一是以4大算法公司(商湯、曠視额港、依圖饺窿、云從)為代表的AI獨(dú)角獸，他們主推“AI+安防”模式移斩；二是以宇視科技等公司為代表的安防陣營(yíng)肚医，主導(dǎo)“安防+AI”之路。
宇視黃攀認(rèn)為向瓷，截至目前肠套，“AI+安防”和“安防+AI”的界限仍很明顯歇肖。
以4大算法公司提出的“AI+安防”為例，他們的定位是“1+1+X”日俱，即“算法+產(chǎn)品+行業(yè)解決方案”役寡，“X”代表各行各業(yè)的行業(yè)解決方案，安防只是其中之一款拣。AI公司的行業(yè)賦能模式屬于扁平化架構(gòu)超棚，主要是解決算法問題，這使得他們?cè)诎卜李I(lǐng)域的耕耘沒有傳統(tǒng)安防企業(yè)透徹朋傲。
又因?yàn)榘卜朗茿I落地最深应惠、最廣的一個(gè)行業(yè)，為了實(shí)現(xiàn)營(yíng)收昨跺，AI公司選擇安防行業(yè)來進(jìn)行算法驗(yàn)證和變現(xiàn)天尤，因此我們看到，現(xiàn)在AI公司越來越重視安防行業(yè)漏匹。
而以宇視為代表的安防企業(yè)提出的“安防+AI”吩擒，基于大安防的整體生態(tài)鏈比較完備质窒，從上游的人工智能算法硫朦、中游軟硬件/解決方案，到下游行業(yè)定制軟件等都一應(yīng)俱全背镇，尤其在前端智能IPC咬展、智能NVR、智能存儲(chǔ)上有突出的優(yōu)勢(shì)瞒斩，加上早已在多年積累中建立了完善的營(yíng)銷渠道破婆。安防企業(yè)可以輕松地讓AI產(chǎn)品在安防垂直細(xì)分領(lǐng)域得到快速變現(xiàn)，這是安防陣營(yíng)跟AI陣營(yíng)耕耘“安防+AI”的最大區(qū)別胸囱。
當(dāng)然祷舀，我們也看到，目前安防公司跟AI公司的相互滲透越來越多烹笔，在AI公司進(jìn)入安防領(lǐng)域的同時(shí)裳扯，安防公司也在不斷向教育、醫(yī)療谤职、金融等垂直領(lǐng)域延伸饰豺，將AI的適用范圍不再局限于安全防護(hù)。
賦能安防允蜈，AI面臨哪些困境
宇視黃攀告訴OFweek安防網(wǎng)冤吨，目前AI賦能安防主要面臨兩大難題，即大規(guī)模應(yīng)用能力和產(chǎn)品變現(xiàn)能力帆田。
首先训寝，黃攀認(rèn)為安防的AI產(chǎn)品面臨的最大困難不再是算法勾勃、算力、大數(shù)據(jù)等技術(shù)問題恨蒙，而是轉(zhuǎn)移到AI六要素中的工程蝗悼、場(chǎng)景、方案等實(shí)際落地應(yīng)用問題禁舌。
目前很多公司對(duì)外宣稱自己支持AI深度學(xué)習(xí)出募，并獲得了從央視到行業(yè)垂直媒體的大力度推廣，讓用戶產(chǎn)生錯(cuò)覺权煎，并對(duì)AI抱以很高期待蒂扇，忽略了算法與場(chǎng)景，算法與產(chǎn)品工程化的匹配問題狱揩，甚至超出了目前AI的能力范圍喝暂，導(dǎo)致項(xiàng)目落地后的應(yīng)用效果與用戶預(yù)期效果形成落差。
其次是AI的產(chǎn)品變現(xiàn)能力還在探索中〕估纾現(xiàn)在所有的行業(yè)都?xì)g迎AI產(chǎn)品叫胁，但大量的細(xì)分市場(chǎng)的定制化需求、定制化解決方案未能同步跟上汞幢，若采用通用方案驼鹅，則效果大打折扣，需要各行各業(yè)的AI玩家持之以恒地開發(fā)與完善森篷。
在安防領(lǐng)域输钩，宇視等傳統(tǒng)安防企業(yè)對(duì)各類場(chǎng)景都有很深滲透與理解，細(xì)化解決方案定制能力強(qiáng)仲智，因此變現(xiàn)能力相對(duì)強(qiáng)很多买乃。即便如此，安防企業(yè)還是會(huì)遇到很多問題钓辆，如各種定制化需求剪验、各類型場(chǎng)景方案開發(fā)等，給經(jīng)驗(yàn)豐富的安防企業(yè)提出了很大挑戰(zhàn)前联。
其中細(xì)分市場(chǎng)的定制化算法難度最大功戚，黃攀以監(jiān)獄的“打架檢測(cè)”為例介紹。“打架”是一種人類的常識(shí)性的事件描述浇沧，背后是大量人類認(rèn)知的體現(xiàn)盆篡，跟通常的車輛、人臉這種相對(duì)有固定邊界的模型不同坏扣，是一種寬泛的春异、形容性的概念。人類需要訓(xùn)練AI算法则徒，什么才是“打架”氛坪，但是打架并非固定模式瞳弱，有可能是群體的劇烈沖突，也可能是一方對(duì)另一方的霸凌骡侮，動(dòng)作不劇烈纽债，更有可能是被多人環(huán)繞的隱蔽式?jīng)_突，形式非常寬泛束沼；這就需要突破傳統(tǒng)深度學(xué)習(xí)對(duì)固定模型的檢測(cè)能力倚痰，升華到對(duì)人體動(dòng)作的理解能力。
邊緣云計(jì)算是AI賦能探索的結(jié)果
原來的中心云方案是將資源集中在云端處理揣誓，這會(huì)帶來很大的帶寬傳輸壓力系谐，導(dǎo)致數(shù)據(jù)丟失、高延時(shí)等情況變得頻繁讨跟。同時(shí)對(duì)定制化需求無能為力纪他。
實(shí)際上，前端算力資源非常龐大晾匠，哪怕是單價(jià)幾百元的前端攝像機(jī)茶袒，其算力、算法也已經(jīng)能很好地實(shí)現(xiàn)人臉識(shí)別等功能凉馆，不需要額外投入云處理系統(tǒng)薪寓。
因此，邊緣云計(jì)算是安防公司在多年探索中形成的共識(shí)句喜，不僅充分利用了各類型算力資源预愤，還很好地降低了投入成本。
目前國(guó)內(nèi)芯片性能提升明顯咳胃，以海思、寒武紀(jì)為代表的ASIC芯片方案旷太，與英偉達(dá)等企業(yè)的產(chǎn)品相比已不落下風(fēng)展懈，尤其是單路視頻識(shí)別的性價(jià)比更高，現(xiàn)已成為安防行業(yè)前端AI芯片首選祟勿。
在服務(wù)器端停柬，安防公司并不局限于英偉達(dá)的通用GPU方案，基于ASIC的專用AI板卡方案也被廣泛接受耀旅。以宇視“昆侖”系列智能分析服務(wù)器為例盯糠，集成了數(shù)十顆專用AI加速芯片，在三層分布式計(jì)算架構(gòu)的加持下傅女，并發(fā)計(jì)算能力達(dá)到業(yè)內(nèi)領(lǐng)先水平洁揽。
賦能“意識(shí)”、降低成本是AI未來發(fā)展走勢(shì)
不可否認(rèn)原酷，目前AI還存在很多痛點(diǎn)杉轿，黃攀認(rèn)為其中賦予機(jī)器 更多的“聯(lián)想能力”是提升AI應(yīng)用能力的重要部分疙鸟，如以圖搜圖檢索人的應(yīng)用中，用于檢索的算法可能難以檢索出更換衣服昏络、更換交通工具树戴、僅局部特征、時(shí)間跨度長(zhǎng)慕然、晝夜相反万栅、圖像模糊等數(shù)據(jù)庫中的同一個(gè)“人”的圖片/視頻；這時(shí)候就需要現(xiàn)有的人臉人體半結(jié)構(gòu)化特征與動(dòng)作識(shí)別西疤、步態(tài)識(shí)別等新的AI技術(shù)關(guān)聯(lián)起來申钩，這是接下來AI在安防應(yīng)用中的重點(diǎn)發(fā)展領(lǐng)域。
另外瘪阁，無論云計(jì)算還是邊緣計(jì)算撒遣，共同目標(biāo)都是為了降低單路AI商用成本。宇視“昆侖”的推出管跺，正是為了解決這一痛點(diǎn)义黎，它提出了多模型、多智能豁跑、ALL in One的設(shè)計(jì)理念廉涕，可將人臉識(shí)別服務(wù)器、行為分析服務(wù)器艇拍、視頻結(jié)構(gòu)化服務(wù)器狐蜕、大數(shù)據(jù)服務(wù)器、平臺(tái)服務(wù)器等功能以板卡形式集成于一臺(tái)服務(wù)器中卸夕，大大節(jié)約了硬件投入和空間占用层释，而且維護(hù)更為簡(jiǎn)便；其同時(shí)集成了3重分布式集群調(diào)度系統(tǒng)(芯片間集群調(diào)度讨拷、板卡間集群調(diào)度馅拗、服務(wù)器間集群調(diào)度)，可將AI處理需求精確地分配到每一顆芯片中的某一部分資源依粮，大大降低了單路視頻的應(yīng)用成本宿替。
最后，算力也是未來要提升的部分党令。目前國(guó)內(nèi)芯片廠家的發(fā)展速度很快锚渺，尤其是在AI端側(cè)應(yīng)用芯片領(lǐng)域，國(guó)內(nèi)芯片的發(fā)展已經(jīng)出現(xiàn)多強(qiáng)爭(zhēng)霸的局面猖等，正在快速?zèng)_擊著目前的格局歪缅。在通用芯片領(lǐng)域，雖然我們沒有先發(fā)優(yōu)勢(shì)签子，但在近年國(guó)家政策的扶持和行業(yè)需求的多重驅(qū)動(dòng)下就壳，各大芯片廠商正在奮起直追搭为，預(yù)計(jì)很快就會(huì)迎來產(chǎn)業(yè)變局。
5月27日及键，智能交通知名集成商千方科技宣布獲得阿里巴巴近36億元參股，一時(shí)竟引得行業(yè)紛紛競(jìng)猜阿里巴巴的安防布局意圖掺薪。其實(shí)在此之前胸胚，阿里巴巴就已經(jīng)推出了布局智慧城市頂層應(yīng)用的“城市大腦”，這是一套基于大數(shù)據(jù)應(yīng)用的城市級(jí)管理平臺(tái)啤邑，也是阿里布局安防的標(biāo)志垫嚣。
以阿里之能，仍需投資一家擁有安防生態(tài)的集成商津函，至少說明阿里此前的安防布局進(jìn)展并不順利肖粮，需要擴(kuò)充資源來協(xié)助其AI技術(shù)在安防領(lǐng)域縱橫捭闔孤页。
那么，安防究竟一個(gè)什么樣的行業(yè)涩馆？其AI生態(tài)都存在哪些痛點(diǎn)行施，竟然在眾多知名AI企業(yè)圍剿下仍需合縱連橫？
四重生態(tài)魂那，AI各有布局
我們看安防+AI蛾号，通常為算法+芯片、設(shè)備制造+解決方案涯雅、行業(yè)應(yīng)用三級(jí)生態(tài)须教。
最上層為基礎(chǔ)算法和芯片，以宇視科技為代表的安防企業(yè)都開發(fā)有各自的AI算法斩芭；商湯轻腺、曠視、依圖划乖、云從4大AI獨(dú)角獸更是聞名全球贬养，可以說在算法端，中國(guó)企業(yè)阶庆、中國(guó)的安防公司都走在了世界前列郎博。而芯片端，主流產(chǎn)品有GPU铺享、ASIC抱壶、FPGA三大類型產(chǎn)品，相較國(guó)際芯片巨頭潘乖，中國(guó)已能滿足自給自足需求院颜。
中游則是各種軟硬件產(chǎn)品和解決方案。宇視科技高級(jí)人工智能專家黃攀告訴OFweek安防網(wǎng)：這是安防生態(tài)中毛龟，宇視科技等一眾安防企業(yè)的強(qiáng)項(xiàng)驳墓，可以提供從端計(jì)算——邊緣計(jì)算——云計(jì)算的三個(gè)覆蓋大安防各細(xì)分行業(yè)的所有產(chǎn)品和解決方案，其中就包括了AI胡撩、存儲(chǔ)韭张、大數(shù)據(jù)等基礎(chǔ)應(yīng)用。
下游為政府派交、教育策冕、醫(yī)療、零售等各個(gè)行業(yè)場(chǎng)景應(yīng)用效床，涉及的產(chǎn)業(yè)鏈和企業(yè)類型較多睹酌，除了深耕安防的設(shè)備商外，還包括運(yùn)營(yíng)服務(wù)商、系統(tǒng)集成商忍疾、軟件定制服務(wù)商等安防生態(tài)企業(yè)闯传；宇視黃攀指出谨朝，安防+AI的產(chǎn)品落地中,最終面對(duì)用戶的部分恰是產(chǎn)品變現(xiàn)的“最后一公里”卤妒。
除了上面三部分生態(tài)，安防+AI還需要最底層的核心架構(gòu)字币，也是最易為大家所忽視的部分则披。目前主流的AI底層架構(gòu)有Caffe(卷積神經(jīng)網(wǎng)絡(luò)框架)、TensorFlow(第二代人工智能學(xué)習(xí)系統(tǒng))等洗出，且掌握在谷歌士复、Facebook等國(guó)際巨頭手里，本土企業(yè)中翩活，僅有百度阱洪、阿里巴巴、商湯倒恭、曠視等少數(shù)AI玩家在構(gòu)建自己的深度學(xué)習(xí)架構(gòu)弱豹。
2大因素制約早期AI爆發(fā)
人工智能之于安防，一直存在棠岭；只是人臉識(shí)別技術(shù)起來后履婆，才廣被大眾所熟知。其實(shí)滨锯，安防領(lǐng)域是人工智能技術(shù)應(yīng)用最早各囤、類型最全的一個(gè)行業(yè)，涵蓋車輛站么、行人芭患、人臉、行為惨译、動(dòng)作掰闯、步態(tài)、物品汉锡、事件等的識(shí)別與應(yīng)用的钞，不過早期安防智能較集中于智能交通領(lǐng)域,對(duì)車輛的車牌識(shí)別、車輛品牌扰肌、顏色等車輛屬性涉及較多,近幾年才慢慢擴(kuò)展到人體抛寝、人臉、動(dòng)作曙旭、事件等各種智能方案盗舰。宇視黃攀認(rèn)為，這是歷史發(fā)展規(guī)律使然，主要有受兩方面因素制約钻趋。
先從算法維度分析川陆，安防業(yè)經(jīng)歷了從模擬——數(shù)字——高清——智能的轉(zhuǎn)變。早期安防首先需要解決的是圖像清晰化的命題蛮位，編解碼算法和圖像處理算法是業(yè)內(nèi)廠商最優(yōu)先發(fā)展的算法较沪；隨著智能交通的興起，對(duì)車輛屬性的識(shí)別成為主流應(yīng)用失仁，傳統(tǒng)模式識(shí)別+淺層機(jī)器學(xué)習(xí)逐步在安防領(lǐng)域成為主流尸曼。隨著2012年AlexNet的驚艷表現(xiàn)，深度學(xué)習(xí)算法得到爆發(fā)性發(fā)展萄焦，安防智能真正進(jìn)入到“深度”智能階段犁谓，并最先在人臉識(shí)別領(lǐng)域得到大規(guī)模應(yīng)用。
再從硬件維度分析淋塌，早期沒有專門針對(duì)人工智能的算法芯片——算力叫逸，當(dāng)行業(yè)進(jìn)入到深度學(xué)習(xí)算法階段后，專注于游戲業(yè)務(wù)的英偉達(dá)發(fā)現(xiàn)GPU在分布式計(jì)算乾乘、大規(guī)模集群運(yùn)算中有著非常大的優(yōu)勢(shì)俄耸，由此找到了新的業(yè)務(wù)落腳點(diǎn)，并發(fā)力推出針對(duì)人工智能深度學(xué)習(xí)的多個(gè)產(chǎn)品線專用處理芯片滚尼，如工業(yè)級(jí)的Tesla系列侄伟、消費(fèi)級(jí)的GTX系列等。
隨著算力的大幅提升鉴吕，原先需要幾個(gè)月才能完成的深度訓(xùn)練迭代撇委，在分布式GPU集群的加持下，只需要幾個(gè)小時(shí)便可完成捌唾。
固定場(chǎng)景讓車輛識(shí)別脫穎而出
經(jīng)如上介紹汪仰，大家會(huì)產(chǎn)生新的疑惑：在深度學(xué)習(xí)算法興起之前，為什么車牌識(shí)別技術(shù)能在眾多的AI應(yīng)用中脫穎而出吆视？
對(duì)此典挑，宇視黃攀給出了兩個(gè)字的答案——場(chǎng)景，他進(jìn)一步分析道：“早期的智能交通雖然采用的是普通圖像處理和淺層機(jī)器學(xué)習(xí)技術(shù)啦吧，但它們與其他AI應(yīng)用最大的區(qū)別在于有標(biāo)準(zhǔn)化場(chǎng)景您觉，如卡口、電警中的六米安裝高度授滓、夜間提供爆閃補(bǔ)光琳水、專業(yè)的圖像調(diào)教、45度朝下抓拍角度等般堆，加上車輛的可變動(dòng)幅度不大在孝，使得抓拍的圖像非常清晰，因此在傳統(tǒng)算法下也有非常高的識(shí)別率，可做到95%~99%的精準(zhǔn)識(shí)別效果私沮。”
需要說明的是始赎，在2010-2012年，小編曾做過多次車輛抓拍識(shí)別測(cè)試仔燕，即便是采用200萬像素智能交通攝像機(jī)造垛，只要場(chǎng)景設(shè)置得當(dāng)，識(shí)別率可輕松做到99%蜻罕，很好佐證了宇視黃攀的觀點(diǎn)蛹鼎。
但傳統(tǒng)方案也有缺陷样京，一是算法對(duì)多種場(chǎng)景的適應(yīng)性難以進(jìn)一步提升涯贝，如識(shí)別率很難趨近于100%；二是傳統(tǒng)的淺層機(jī)器學(xué)習(xí)在特征提取品痕、算法設(shè)計(jì)上對(duì)開發(fā)人員要求較高跃呛，不能很好滿足智能交通的復(fù)雜場(chǎng)景需求。
在進(jìn)入到深度學(xué)習(xí)階段府贰，大量的場(chǎng)景適應(yīng)性問題通過豐富的訓(xùn)練素材讓算法在訓(xùn)練迭代中得到解決秦砌，大幅提升了算法魯棒性，大大簡(jiǎn)化了對(duì)技術(shù)人員的要求窑岖。利用新的算法體系做視頻結(jié)構(gòu)化经聊，在標(biāo)準(zhǔn)場(chǎng)景下，車牌識(shí)別率無限趨近于100%匹惊；而在非標(biāo)準(zhǔn)場(chǎng)景下守譬，車牌識(shí)別率也能達(dá)到98%以上，如輔助卡口的車牌抓拍識(shí)別應(yīng)用凛忿。
不過早期與車牌識(shí)別應(yīng)用幾乎同時(shí)發(fā)展的人臉識(shí)別需求卻始終無法滿足澈灼，主要受兩大因素制約，一是因?yàn)槿四槻⒉幌褴嚺颇菢邮且环N相對(duì)固定的模型店溢，人臉在檢測(cè)過程中受到姿態(tài)叁熔、表情、穿戴物床牧、朝向荣回、年齡等各種因素的影響；二是攝像機(jī)的安裝場(chǎng)景無法達(dá)到交通卡口般的標(biāo)準(zhǔn)化水平戈咳，受環(huán)境影響較大心软。
通過淺層機(jī)器學(xué)習(xí)算法在這樣的條件下完成人臉識(shí)別會(huì)遇到非常大的挑戰(zhàn)，特征提取方式嚴(yán)重依賴工程師的豐富經(jīng)驗(yàn)：不同場(chǎng)景下除秀，邊緣特征糯累、顏色特征等的提取需要工程師具備非常好的數(shù)學(xué)能力和經(jīng)驗(yàn)，如此才能設(shè)計(jì)出最佳特征提取方式；即便如此泳姐，人臉識(shí)別還要面臨人員移動(dòng)隨意性效拭、臉部裝飾、環(huán)境光照等的制約门烧，識(shí)別率難以有保障甜湾。這些問題的存在，一度讓人臉識(shí)別難以在實(shí)際場(chǎng)景中得到落地鹅棺。
利用深度學(xué)習(xí)算法后兜充，機(jī)器可自學(xué)習(xí)最適合的特征提取方式，對(duì)工程師的依賴大大降低脂性。設(shè)備通過大數(shù)據(jù)學(xué)習(xí)獲取人臉特征經(jīng)驗(yàn)雄睦，以此來自動(dòng)識(shí)別人臉，由原來的經(jīng)驗(yàn)為王轉(zhuǎn)變?yōu)橐詳?shù)據(jù)為王汹振，更是突破了逆光人臉娇裁、陰陽臉、戴墨鏡沼津、戴帽子等極端場(chǎng)景人臉的識(shí)別障礙荞篙。
自此，深度學(xué)習(xí)讓人臉識(shí)別得到了爆發(fā)式發(fā)展科绣，這也使得人臉識(shí)別成為安防第一個(gè)變現(xiàn)的深度人工智能技術(shù)殿姑。顯而易見，深度學(xué)習(xí)給人臉識(shí)別帶來了巨大改變——讓理想照進(jìn)現(xiàn)實(shí)肯适，并得到了眾安防企業(yè)的高度重視变秦，開始將該技術(shù)逐步移植到車牌識(shí)別、行為分析疹娶、事件分析伴栓，甚至是大數(shù)據(jù)等其他AI應(yīng)用中來。
“AI+安防”和“安防+AI”的界限仍很明顯
目前圍獵安防AI應(yīng)用的企業(yè)很多雨饺，主要有兩大類钳垮，一是以4大算法公司(商湯、曠視额港、依圖饺窿、云從)為代表的AI獨(dú)角獸，他們主推“AI+安防”模式移斩；二是以宇視科技等公司為代表的安防陣營(yíng)肚医，主導(dǎo)“安防+AI”之路。
宇視黃攀認(rèn)為向瓷，截至目前肠套，“AI+安防”和“安防+AI”的界限仍很明顯歇肖。
以4大算法公司提出的“AI+安防”為例，他們的定位是“1+1+X”日俱，即“算法+產(chǎn)品+行業(yè)解決方案”役寡，“X”代表各行各業(yè)的行業(yè)解決方案，安防只是其中之一款拣。AI公司的行業(yè)賦能模式屬于扁平化架構(gòu)超棚，主要是解決算法問題，這使得他們?cè)诎卜李I(lǐng)域的耕耘沒有傳統(tǒng)安防企業(yè)透徹朋傲。
又因?yàn)榘卜朗茿I落地最深应惠、最廣的一個(gè)行業(yè)，為了實(shí)現(xiàn)營(yíng)收昨跺，AI公司選擇安防行業(yè)來進(jìn)行算法驗(yàn)證和變現(xiàn)天尤，因此我們看到，現(xiàn)在AI公司越來越重視安防行業(yè)漏匹。
而以宇視為代表的安防企業(yè)提出的“安防+AI”吩擒，基于大安防的整體生態(tài)鏈比較完備质窒，從上游的人工智能算法硫朦、中游軟硬件/解決方案，到下游行業(yè)定制軟件等都一應(yīng)俱全背镇，尤其在前端智能IPC咬展、智能NVR、智能存儲(chǔ)上有突出的優(yōu)勢(shì)瞒斩，加上早已在多年積累中建立了完善的營(yíng)銷渠道破婆。安防企業(yè)可以輕松地讓AI產(chǎn)品在安防垂直細(xì)分領(lǐng)域得到快速變現(xiàn)，這是安防陣營(yíng)跟AI陣營(yíng)耕耘“安防+AI”的最大區(qū)別胸囱。
當(dāng)然祷舀，我們也看到，目前安防公司跟AI公司的相互滲透越來越多烹笔，在AI公司進(jìn)入安防領(lǐng)域的同時(shí)裳扯，安防公司也在不斷向教育、醫(yī)療谤职、金融等垂直領(lǐng)域延伸饰豺，將AI的適用范圍不再局限于安全防護(hù)。
賦能安防允蜈，AI面臨哪些困境
宇視黃攀告訴OFweek安防網(wǎng)冤吨，目前AI賦能安防主要面臨兩大難題，即大規(guī)模應(yīng)用能力和產(chǎn)品變現(xiàn)能力帆田。
首先训寝，黃攀認(rèn)為安防的AI產(chǎn)品面臨的最大困難不再是算法勾勃、算力、大數(shù)據(jù)等技術(shù)問題恨蒙，而是轉(zhuǎn)移到AI六要素中的工程蝗悼、場(chǎng)景、方案等實(shí)際落地應(yīng)用問題禁舌。
目前很多公司對(duì)外宣稱自己支持AI深度學(xué)習(xí)出募，并獲得了從央視到行業(yè)垂直媒體的大力度推廣，讓用戶產(chǎn)生錯(cuò)覺权煎，并對(duì)AI抱以很高期待蒂扇，忽略了算法與場(chǎng)景，算法與產(chǎn)品工程化的匹配問題狱揩，甚至超出了目前AI的能力范圍喝暂，導(dǎo)致項(xiàng)目落地后的應(yīng)用效果與用戶預(yù)期效果形成落差。
其次是AI的產(chǎn)品變現(xiàn)能力還在探索中〕估纾現(xiàn)在所有的行業(yè)都?xì)g迎AI產(chǎn)品叫胁，但大量的細(xì)分市場(chǎng)的定制化需求、定制化解決方案未能同步跟上汞幢，若采用通用方案驼鹅，則效果大打折扣，需要各行各業(yè)的AI玩家持之以恒地開發(fā)與完善森篷。
在安防領(lǐng)域输钩，宇視等傳統(tǒng)安防企業(yè)對(duì)各類場(chǎng)景都有很深滲透與理解，細(xì)化解決方案定制能力強(qiáng)仲智，因此變現(xiàn)能力相對(duì)強(qiáng)很多买乃。即便如此，安防企業(yè)還是會(huì)遇到很多問題钓辆，如各種定制化需求剪验、各類型場(chǎng)景方案開發(fā)等，給經(jīng)驗(yàn)豐富的安防企業(yè)提出了很大挑戰(zhàn)前联。
其中細(xì)分市場(chǎng)的定制化算法難度最大功戚，黃攀以監(jiān)獄的“打架檢測(cè)”為例介紹。“打架”是一種人類的常識(shí)性的事件描述浇沧，背后是大量人類認(rèn)知的體現(xiàn)盆篡，跟通常的車輛、人臉這種相對(duì)有固定邊界的模型不同坏扣，是一種寬泛的春异、形容性的概念。人類需要訓(xùn)練AI算法则徒，什么才是“打架”氛坪，但是打架并非固定模式瞳弱，有可能是群體的劇烈沖突，也可能是一方對(duì)另一方的霸凌骡侮，動(dòng)作不劇烈纽债，更有可能是被多人環(huán)繞的隱蔽式?jīng)_突，形式非常寬泛束沼；這就需要突破傳統(tǒng)深度學(xué)習(xí)對(duì)固定模型的檢測(cè)能力倚痰，升華到對(duì)人體動(dòng)作的理解能力。
邊緣云計(jì)算是AI賦能探索的結(jié)果
原來的中心云方案是將資源集中在云端處理揣誓，這會(huì)帶來很大的帶寬傳輸壓力系谐，導(dǎo)致數(shù)據(jù)丟失、高延時(shí)等情況變得頻繁讨跟。同時(shí)對(duì)定制化需求無能為力纪他。
實(shí)際上，前端算力資源非常龐大晾匠，哪怕是單價(jià)幾百元的前端攝像機(jī)茶袒，其算力、算法也已經(jīng)能很好地實(shí)現(xiàn)人臉識(shí)別等功能凉馆，不需要額外投入云處理系統(tǒng)薪寓。
因此，邊緣云計(jì)算是安防公司在多年探索中形成的共識(shí)句喜，不僅充分利用了各類型算力資源预愤，還很好地降低了投入成本。
目前國(guó)內(nèi)芯片性能提升明顯咳胃，以海思、寒武紀(jì)為代表的ASIC芯片方案旷太，與英偉達(dá)等企業(yè)的產(chǎn)品相比已不落下風(fēng)展懈，尤其是單路視頻識(shí)別的性價(jià)比更高，現(xiàn)已成為安防行業(yè)前端AI芯片首選祟勿。
在服務(wù)器端停柬，安防公司并不局限于英偉達(dá)的通用GPU方案，基于ASIC的專用AI板卡方案也被廣泛接受耀旅。以宇視“昆侖”系列智能分析服務(wù)器為例盯糠，集成了數(shù)十顆專用AI加速芯片，在三層分布式計(jì)算架構(gòu)的加持下傅女，并發(fā)計(jì)算能力達(dá)到業(yè)內(nèi)領(lǐng)先水平洁揽。
賦能“意識(shí)”、降低成本是AI未來發(fā)展走勢(shì)
不可否認(rèn)原酷，目前AI還存在很多痛點(diǎn)杉轿，黃攀認(rèn)為其中賦予機(jī)器 更多的“聯(lián)想能力”是提升AI應(yīng)用能力的重要部分疙鸟，如以圖搜圖檢索人的應(yīng)用中，用于檢索的算法可能難以檢索出更換衣服昏络、更換交通工具树戴、僅局部特征、時(shí)間跨度長(zhǎng)慕然、晝夜相反万栅、圖像模糊等數(shù)據(jù)庫中的同一個(gè)“人”的圖片/視頻；這時(shí)候就需要現(xiàn)有的人臉人體半結(jié)構(gòu)化特征與動(dòng)作識(shí)別西疤、步態(tài)識(shí)別等新的AI技術(shù)關(guān)聯(lián)起來申钩，這是接下來AI在安防應(yīng)用中的重點(diǎn)發(fā)展領(lǐng)域。
另外瘪阁，無論云計(jì)算還是邊緣計(jì)算撒遣，共同目標(biāo)都是為了降低單路AI商用成本。宇視“昆侖”的推出管跺，正是為了解決這一痛點(diǎn)义黎，它提出了多模型、多智能豁跑、ALL in One的設(shè)計(jì)理念廉涕，可將人臉識(shí)別服務(wù)器、行為分析服務(wù)器艇拍、視頻結(jié)構(gòu)化服務(wù)器狐蜕、大數(shù)據(jù)服務(wù)器、平臺(tái)服務(wù)器等功能以板卡形式集成于一臺(tái)服務(wù)器中卸夕，大大節(jié)約了硬件投入和空間占用层释，而且維護(hù)更為簡(jiǎn)便；其同時(shí)集成了3重分布式集群調(diào)度系統(tǒng)(芯片間集群調(diào)度讨拷、板卡間集群調(diào)度馅拗、服務(wù)器間集群調(diào)度)，可將AI處理需求精確地分配到每一顆芯片中的某一部分資源依粮，大大降低了單路視頻的應(yīng)用成本宿替。
最后，算力也是未來要提升的部分党令。目前國(guó)內(nèi)芯片廠家的發(fā)展速度很快锚渺，尤其是在AI端側(cè)應(yīng)用芯片領(lǐng)域，國(guó)內(nèi)芯片的發(fā)展已經(jīng)出現(xiàn)多強(qiáng)爭(zhēng)霸的局面猖等，正在快速?zèng)_擊著目前的格局歪缅。在通用芯片領(lǐng)域，雖然我們沒有先發(fā)優(yōu)勢(shì)签子，但在近年國(guó)家政策的扶持和行業(yè)需求的多重驅(qū)動(dòng)下就壳，各大芯片廠商正在奮起直追搭为，預(yù)計(jì)很快就會(huì)迎來產(chǎn)業(yè)變局。
18221259202