AI 創企眼中的安防技術革命與挑戰

“未來的安防行業，視訊資料是原料，AI是加工廠，兩者的關系密不可分，缺一不可。”過去幾年，安軟慧視技術負責人闫潇甯看到了AI對于安防行業徹頭徹尾的改變。

他說，警力有限、警情不減，這是每一位破案能手此前多年都會遇到的棘手難題。

對此，過去多年，相關部門也在積極尋找新技術，比如建設大資料平台，将一些身份資訊進行彙總、分析，為公安機關對違法犯罪行為的精準打擊提供更廣泛的資料支撐。

但是由于資料來源的不确定性，資料的有效性、資料本身的真實性和資料擷取的非實時性等因素，使得大部分大資料平台很難發揮出預期成效。

這些年，人臉識别、車臉識别、視訊結構化等AI技術的大規模應用，可以很大程度填補有效資料來源這一曆史空白，使得公安大資料應用不再是無源之水、無米之炊。

有需求，就會有市場。

在這期間，國内各算法公司、IT巨頭和傳統安防企業均推出了衆多AI+安防解決方案。總結來看，無外乎兩種：後端集中化處理、前端智能化處理。

後端集中化處理

“就後端而言，雖然小範圍、非實時性的視訊處理已經得到有效解決；但規模性的安防AI落地，還存在着諸多障礙。”

闫潇甯介紹，目前各級、各區域公安系統建設的視訊監控不僅在調用權限上有所限制，就是在建設标準上也不是完全統一的。

而從技術應用角度出發，他認為，此前行業中一直提到AI系統的三要素：算法、算力和資料并不全面，這樣的AI系統會與公安的實際落地應用發生脫節。

“目前市場上大部分AI系統多半建立在譬如演唱會、展覽會等小規模活動型項目和工程上；但如果深入公安一線，就會發現真正在使用AI系統的機關是刑偵、治安、交通、情報、指揮中心等部門，也就是說真正需考慮的要素應該包括算法、算力、資料、場景、産品及應用。”

在闫潇甯看來，全面建構視訊AI應用場景，必須考慮三大關鍵點：

一、大規模的實時性。既然以全面提升目前視訊監控的利用效率為先，在實戰場景中，如果總是在經過處理的視訊片段中查找，通常需要第一時間就能查詢到嫌疑人的落腳點，否則後期面臨的視訊資料會越來越大。

唯有保證了大規模的實時性查詢功能，才能不斷地進行大面積的重複搜尋，快速找出嫌疑人。但一直以來，越大規模的實時性搜尋無疑就無限增大了系統對于算力及算法的要求。

闫潇甯說，通過在某地的實踐證明，技術上可以通過雲霧架構的邊緣計算實作，簡單說就是通過節點算子分布算力，使得前端每個攝像頭分别對應邊緣計算引擎中的一個算力，再通過負載均衡實作算力的大規模化。

如此可以避免每個前端設定一個小盒子的固定式存在，也避開了中心處理的大流量大算力壓力問題，又可以在背景通過軟體自由調整點位，規模再大也無需擔心。

二、實作大規模實時搜尋之前，需要實作大規模同步智能解析，如果不能智能解析，面對的依然是不能檢索的視訊流，因為嫌疑人是動态存在的。

在這個過程中，人們需要對圖像識别的了解是全息的，是多目标、多元度、多場景的，是要與肉眼識别特征盡量保持一緻的。

也就是說，不僅包括人臉、識别對象可以包括人的外貌衣着、所攜帶物品、所乘用交通工具特征等等，總之，需要盡可能多地關注細節。

“一套好的AI的系統，既需要保證識别準确率，也要保證對于實戰場景的了解。”

三、大規模資料庫的檢索能力。做大規模實時搜尋，必然會産生大規模目标對象庫。

技術實作上，闫潇甯表示，可以通過多元敏感細節歸類組合檢索，高精度提取目标特征，再配以時間、位置篩選，可以快速對圖像庫進行秒速檢出，并逐漸加載顯示，既保證了重點區域對象的優先篩選，又保證了大面積檢出的速度。

分布式AI計算

針對前端智能化，此前在 CES Asia論壇上，地平線聯合創始人&副總裁黃暢認為，普惠AI時代，邊緣計算将成為破解AI物聯網核心難題的關鍵。

全球知名咨詢公司 Gartner于2018年8月首次正式提出了普惠AI時代的主張。這意味着人工智能這項新技術已經不僅局限于政府或實驗室，開始邁進了普惠大衆的階段，進入各個行業創造價值。

然而機遇與挑戰并存，随着AI的發展，資料量級和複雜度急劇增長。

通常，前端智能高清攝像頭如果要達到應用級别，必須要優化基礎的智能分析功能，以提升場景适應性和準确率，而大部分公司都沒有能力對算法進行深度研究和優化。

“過去人們所談的前端智能隻能說是微智能，晶片的處理能力有限，隻能完成簡單的人流、車流監控，相對固定場景的智能偵測，對于稍微複雜的有環境幹擾或人多車多等場景，往往造成誤報。”

就此，黃暢認為，分布式AI計算勢在必行。

在通用性高的領域傳遞于雲上完成，與生命安全、隐私保護密切相關的領域則由端進行處理。而邊緣計算将成為端上指數級爆炸資料的過濾器與控制閥，經過有效處理之後，隻需提取少量有效資料傳回雲端即可。

随着 5G 商用開啟，終端接入網的擴容極大，實時性要求進一步提升，但因為骨幹網擴容成本高、延遲大，導緻在邊緣側形成資料堰塞湖。

Intel 曾表示：MEC（多接入邊緣計算）不一定需要 5G，但 5G 一定需要 MEC。

有了邊緣計算的加持，5G 的商業價值才能真正得以發揮。邊緣計算帶來的是商業範式的轉移，是一次從軟體到硬體的全新變革。端邊雲協同，未來，人們需要在一個更大的範圍内尋找AI解決方案的最優解。

另一方面，普惠AI時代的背後是資料計算帶來的巨大能源消耗。

能源是支援一個社會運轉的重要生産資料、物質資料。指數級的資料增長不知不覺間給社會造成了巨大的負擔。

以中國為例，今天，資料中心耗電驚人，據《中國資料中心能耗現狀白皮書》顯示，在中國有40萬個資料中心，每個資料中心平均耗電25萬度，總體超過1000億度，這相當于三峽和葛洲壩水電站1年發電量的總和。如果折算成碳排放的話，大概是9600萬噸，這個數字接近目前中國民航年碳排放量的3倍。

随着時代向前推進，資料的處理量隻會增，不會減。

從工業時代的用電量，到數字經濟時代的用雲量，再到AI經濟時代，要考慮的是“用算量”。追求極緻效能，這不僅僅是出于利益考量，也成為了AI企業的社會責任。

目前的業界存在一個很大的誤區，往往會把峰值算力當作衡量AI晶片的主要名額。

但其實真正需要的是有效算力，及其輸出的算法性能。

這需要從四個次元來衡量：每瓦的峰值算力和每美元的峰值算力（由晶片架構、前後端設計和晶片工藝共同決定），峰值算力的有效使用率（由算法和晶片架構決定），以及有效算力轉化為AI性能的比率（主要是速度和精度兩個方面，由算法決定）。

“我們正處在一個高速變革的時代。”

闫潇甯說，AI技術與安防監控的結合實效已曆經證明，不管是後端對案件視訊的智能分析處理，還是前端攝像頭強大的比對功能，不可否認都對快速查找、确認、追蹤嫌疑人起到了巨大推動作用。

但在這個過程中，也必須意識到問題與方法都是此消彼長的。

技術創新、技術進步、技術變革會給經濟社會帶來劇烈變化和深遠影響；與此同時，技術的變化，也會使得問題産生“抗體”，後期如果能夠實時革新，蓄勢而變，便可時代弄潮，引領風騷；如果聞風不動，任由發展，則會引發一系列負面發展問題。雷鋒網(公衆号：雷鋒網)雷鋒網雷鋒網