鐘合

人工智能作為計算機科學(xué)行業(yè)的頂尖技術(shù)之一，從1956年達特茅斯會議上正式提出開始就一直備受各行業(yè)關(guān)注。在圖靈測試中，對人工智能的認定和評判是以人為唯一參照物的，基本的思維出發(fā)點仍然是仿生學(xué)。這里隱含著一個推論，即人是AI無限趨近但又永遠達不到天花板。但實際上在AI問世后的幾十年里似乎并沒有沿此路徑去演進。今天我們已經(jīng)可以看到在某些細分領(lǐng)域AI的能力已完全超出人類的對應(yīng)水平。

艱難探索：

功能簡單、經(jīng)驗寶貴

2016年初甚至更早，在大量行業(yè)存在潛在需求并且擁有巨大空白市場的情況下，智能作為前沿命題已經(jīng)出現(xiàn)在很多大大小小的安防公司的PPT甚至是具體產(chǎn)品上。但是受限于當時的顯示芯片算力、采集終端技術(shù)、后端算法技術(shù)以及整體方案成熟度，這個時間段推廣的算法大多屬于早期開荒用途，絕大多數(shù)算法落地到實際部署時效果不盡人意。這個時期算法大多以物體/人體模型檢測為主，基本功能都是最簡單的周界入侵、拌線告警、逆行檢測等事件類檢測，業(yè)務(wù)功能和實現(xiàn)機制相對簡單。

現(xiàn)在看來，那個時期的算法、業(yè)務(wù)功能以及配套方案大多不好用。但那個時期在智能算法落地上的探索對之后深度學(xué)習(xí)算法在安防行業(yè)的蓬勃發(fā)展提供了大量的工程化經(jīng)驗，無論是各類算法分析嚴格的場景限制、算法部署時工勘的多樣化技巧和注意事項都是前期算法探索者遺留的寶貴經(jīng)驗。

時代浪潮：

安防是AI最好的“栽培土”

2016年注定是人工智能行業(yè)不平凡的一年。這一年，作為GPU行業(yè)的絕對領(lǐng)導(dǎo)者英偉達發(fā)布了基于人工智能深度優(yōu)化的全新Pascal架構(gòu)，在GTC2016上正式發(fā)布了基于完整P100大核心的Tesla系列顯卡、TeslaP40及TeslaP4，并在同年發(fā)布了針對深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)設(shè)計的嵌入式芯片 NVIDIA Jetson TX1。無論是作為服務(wù)器級GPU卡的P4/P40，還是作為嵌入芯片元老的TX1，這兩類GPU推出后，在人工智能高速發(fā)展的幾年內(nèi)長期提供著海量的算力支撐，即使在今年依然能在很多項目中見到其身影。

2016年初，Google開源了TensorFlow源代碼，使得深度學(xué)習(xí)的訓(xùn)練系統(tǒng)第一次暴露在公眾視野中，并隨之引爆了整個人工智能算法行業(yè)。僅僅在發(fā)布的第一年里，TensorFlow就幫助超過百萬的研究人員、工程師、藝術(shù)家、學(xué)生以及其他行業(yè)人員取得了巨大研究進展。基于TensorFlow及包含加州伯克利分校的caffe以及微軟的CNTK網(wǎng)絡(luò)等框架，大量人工智能算法如雨后春筍般涌現(xiàn)，也點燃了新一輪人工智能的探索高潮。人臉識別、行為分析、圖像結(jié)構(gòu)化分析、OCR識別等復(fù)雜的圖像信息處理及提取技術(shù)和算法得到了質(zhì)的提升，從原來的探索前行逐漸演變成成熟可靠的方案，并且通過大量的實際應(yīng)用部署獲取到大量樣本訓(xùn)練，反向為算法本身的演進提供了海量的數(shù)據(jù)支撐。

人工智能任何算法想要變成成熟方案并且能廣泛推廣都離不開海量數(shù)據(jù)的訓(xùn)練以及實戰(zhàn)獲取的經(jīng)驗。同樣還是2016年，國家發(fā)布“十三五”建設(shè)規(guī)劃，要求在“十三五”期間基本完成視頻圖像基礎(chǔ)設(shè)施及應(yīng)用系統(tǒng)建設(shè)，全面構(gòu)建視頻圖像資源綜合應(yīng)用體系，整合各類視頻圖像資源并進行智能化解析處理，安全有效利用社會視頻資源，實現(xiàn)視頻圖像匯聚、共享、解析與應(yīng)用，使安全與運維能力大幅提升，為公安機關(guān)各部門、警種，政府其他部門及社會提供視頻圖像信息綜合服務(wù)。同時，在視頻圖像信息解析系統(tǒng)中也明確提出了海量的解析需求，包括視頻內(nèi)容（實時流+錄像流）進行結(jié)構(gòu)化分析、信息提取，以及對視頻圖像信息按預(yù)定策略比對、碰撞、深層次、大區(qū)域、多維數(shù)據(jù)挖掘和研判。

由于“十三五”規(guī)劃對視頻圖像分析算法有著明確要求，所以在“十三五”建設(shè)期間涌現(xiàn)了無數(shù)算法建設(shè)的需求。安防企業(yè)針對各級用戶的需求，包括基于人工智能的人臉、視頻結(jié)構(gòu)化、ReID等深度學(xué)習(xí)算法和相關(guān)應(yīng)用落地“試驗田”進行實地部署和演練，通過大量的合作聯(lián)合實戰(zhàn)實驗室等方式獲取夯實的資源支撐。

歸功于海量算力帶來的底層夯實支撐，各種開源架構(gòu)以及探索者們提供的技術(shù)基礎(chǔ)以及政策的利好，在如今時代，安防行業(yè)無疑是人工智能最好的“栽培土”。在這期間孕育出無數(shù)的算法公司，只要你能想得到，任何智能分析需求都會有人來響應(yīng)。而同樣在算法應(yīng)用上，依賴人臉識別算法實現(xiàn)的“刷臉”登錄、“刷臉”開門甚至情緒、疲倦識別等一系列應(yīng)用在整個安防行業(yè)內(nèi)不斷衍生。

困境：

人工智能重新定義安防

在第一輪人工智能的建設(shè)浪潮中，大家都在追求更高的指標、更多的標簽以及更高的性能，為了極致的指標投入大量人力物力。而隨著項目逐漸開始落地，當算法投入實戰(zhàn)，當整個安防行業(yè)正式向前邁進時，人們也逐漸發(fā)現(xiàn)一個無法繞過的問題：人工智能到底是單純的部件化產(chǎn)品還是一個系統(tǒng)性的方案？在回答這個問題之前，我們先回過頭看一下深度學(xué)習(xí)算法本身，從“聰明”程度來區(qū)分的話，人工智能可以簡單的分為弱人工智能、強人工智能以及超人工智能。

弱人工智能是指能以智能的方式高效完成特定領(lǐng)域內(nèi)的工作，不具備真正的思考能力，如人臉識別、AlphaGo。當行業(yè)里人工智能熱度逐漸冷卻，大家也認識到當前的人工智能實際還是在弱人工智能等級上。人工智能算法可以在滿足要求的圖像上做到很高的精度，而一旦圖片質(zhì)量無法滿足要求，指標就會急劇下降。安防行業(yè)的圖像數(shù)據(jù)無論是圖片還是視頻流基本都是由前端攝像機提供，因此人臉識別對傳統(tǒng)前端整個體系都提出了挑戰(zhàn)。

而人臉識別想要順利落地并為用戶提供最優(yōu)解決方案，所面對的挑戰(zhàn)不止這些。人工智能落地需要端到端系統(tǒng)中每一類組件的重新適配，人工智能重新定義了安防，對每個節(jié)點上的設(shè)備都提出了新的挑戰(zhàn)?；氐角懊娴膯栴}，人工智能應(yīng)該是一個單純的部件化產(chǎn)品還是一個系統(tǒng)性的方案？答案顯而易見，在安防行業(yè)，拋開落地談產(chǎn)品都是空中樓閣。人工智能算法是一個對前端、存儲、大數(shù)據(jù)以及算法算力調(diào)度乃至協(xié)議標準都有著嚴格配套要求的系統(tǒng)方案，而安防行業(yè)的實施配套要求，如機房、電費、人工等一系列產(chǎn)品之外的成本也無疑對人工智能的整套方案TCO提出了更高的要求。

卷土重來：

注重落地與應(yīng)用

現(xiàn)如今，人工智能依然是行業(yè)內(nèi)最火熱的話題。但是用戶已經(jīng)不像初遇人工智能時那么迷信算法，很多時候用戶更愿意讓算法驗證一下可行性，或者干脆與算法廠家以合作實驗的形式來確定算法是否可用。而各個廠家以及算法公司也在項目實踐中發(fā)現(xiàn)了單純靠人工智能、深度學(xué)習(xí)、大數(shù)據(jù)這些實際是不夠的，例如宇視提出“場景定義算法”“AI工程化”等更加注重算法落地和實際應(yīng)用的理念。與此同時，通過新一輪算法的不斷PK，有實力、有經(jīng)驗的廠家也逐漸改變了自己的探索方向，投入到算法的落地、智能分析整體方案的拉通以及用戶應(yīng)用的完整閉環(huán)和流程簡化中。

人工智能算法作為最核心的技術(shù)，依然需要不斷投入和探索。各個算法廠家已經(jīng)不再把算法指標作為最重要的競爭力，而是把多算法解決方案、應(yīng)用生態(tài)配套作為最關(guān)鍵的亮點。原本單一算法可能無法實現(xiàn)的業(yè)務(wù)，現(xiàn)在通過不同算法協(xié)同檢索比對可以很輕松實現(xiàn)，這種組合應(yīng)用的整體方案已然成為新的建設(shè)熱點。

人工智能任何算法想要變成成熟方案并且能廣泛推廣都離不開海量數(shù)據(jù)的訓(xùn)練以及實戰(zhàn)獲取的經(jīng)驗。