征戰功夫的精彩，既在勝負，亦在勝負背后的戰略、邏輯與眼界。

　　中國安防鏖戰二十年，時代分隔符不外乎三個：模擬化、數字化、智能化。

　　過去三年，安防智能化之變革悄然印刻于「中國人工智能安防峰會」之上。

　　它如行業的一面鏡子，丈量著安防火速發展的時代腳步。

　　今年 9 月 5 日，第三屆「中國人工智能安防峰會」于杭州成功召開。會上，代表安防新十年的 15 家頭部企業，承載著社會數字化轉型的期盼，交出了一份份真摯答卷。

　　他們有人向行業首度分享了過去的成功經驗、技術思考；也有人談到了對未來趨勢的預測以及行之有效的模式打法。

　　譬如大華股份先進技術研究院院長殷俊，他就形象地描述了 AI 在安防落地的各個階段，并引發了不少從業者的深度共鳴。

　　從 AI 1.0 階段的“兩耳不聞窗外事，一心只讀圣賢書”到 2.0 階段的“紙上得來終覺淺，絕知此事要躬行”，再到當下 3.0 階段的“忽如一夜春風來，千樹萬樹梨花開”。

　　殷俊之外，談起 AI 落地、安防未來，其實每個人心中應該都有一副不太一樣的盛世圖景。

　　作為安防智能化轉型的見證者，峰會結束之后，雷鋒網 AI 掘金志也收到了來自行業上下游不少從業者的獨到見解、深刻思考。

　　由之，我們將其匯總、梳理，希望能夠透析演講嘉賓的弦外之音，考察字里行間的深意所向，并總結出本屆峰會鮮活的應用實踐。

　　或許，你也可以換一種方式，和我們一起，重新審視安防視界。

　　一、數據挖掘與隱私保護

　　“水能載舟，亦能覆舟。”

　　當 360 城市安全集團副總裁、360 視覺科技總經理邱召強在本屆峰會上提出“當行業正在享受技術帶來的先進性時，是否也要考慮它所帶來的數據安全隱患？”這個極具建設性的話題之后，安防從業者田剛思忖良久。

　　他告訴 AI 掘金志，技術無法做到完全無罪，當視頻監控遍布越廣、獲取的數據愈多時，如何守好行業底線、公民隱私，是行業時刻需要思考的問題。

　　誠然，當前 AI 落地能力與用戶需求尚存較大差距，前者還需面對低成本、流程再造、組織變革、數據隱私保護與安全管控等挑戰。

　　具體來看，最為核心的痛點有二：其一，數據不夠多元，且異常封閉；其二，缺乏優質數據，算法難破瓶頸。

　　一方面，AI 在安防行業的探索才剛剛開始；另一方面，做好 AI 所必須的數據養料有限且質量較差，不同數據源之間存在難以打破的壁壘。

　　除了少數幾家擁有海量用戶、具備產品和服務優勢的企業外，大多數中小型 AI 安防公司難以以一種合理、合法的方式跨越 AI 落地的數據鴻溝，或者需要付出巨大的成本來解決這一問題。

　　同時，隨著大數據的發展，重視數據隱私和安全已經成為一種世界性的趨勢，一系列條例的出臺更是加劇了數據獲取的難度，這也給 AI 的落地應用帶來了前所未有的挑戰。

　　何解？

　　在本屆峰會演講嘉賓——國際人工智能聯合會首位華人理事會主席楊強教授、平安科技副總工程師王健宗看來，聯邦學習技術可能是解決以上問題的最佳選擇。

　　通常，智能攝像頭產生的數據會被上傳到后臺服務器中，然后由部署在服務器上的神經網絡模型根據收集到的大量數據進行訓練得到一個模型，服務商根據這個模型為用戶提供服務。

　　這是一種集中式的模型訓練方法，這種方式很難保證數據隱私安全。

　　同比之下，聯邦學習不會讓數據直接發送到后臺，而是在每個企業自己的服務器上進行訓練，并加密上傳訓練模型，后臺會綜合成千上萬的用戶模型后再反饋給用戶改進方案。

　　相較傳統學習模式，聯邦學習的優點主要體現在五處：

　　1、在聯邦學習的框架下，各參與者地位對等，能夠實現公平合作；

　　2、數據保留在本地，避免數據泄露，滿足用戶隱私保護和數據安全的需求；

　　3、能夠保證參與各方在保持獨立性的情況下，進行信息與模型參數的加密交換，并同時獲得成長；

　　4、建模效果與傳統深度學習算法建模效果相差不大；

　　5、聯邦學習是一個「閉環」的學習機制，模型效果取決于數據提供方的貢獻。

　　換句話說，傳統方法之下，用戶只是人工智能的旁觀者，即便參與也存有風險；而在聯邦學習場景下，每個人都將是馴龍高手。

　　二、算力下沉，AI 芯片專用化

　　前兩屆「中國人工智能安防峰會」上，算法作為最高頻詞匯，被各大玩家頻頻提起、展示。

　　今年這一態勢得以平穩，轉而向算力趨近。

　　西部數據智慧視頻產品首席技術官孫煜提到，人工智能在安防行業的應用主要有四個要素：軟件、存儲、芯片、廠商。

　　在他看來，軟件提供高效實用的算法，海量數據需要被存儲才能利用，芯片需要不斷降低成本、提高功效，廠商集成以上要素才能讓 AI 真正落地。

　　算法、數據、存儲問題目前基本可以得到完美解決，而芯片還是 AI 安防大規模落地的最大阻礙，沒有之一。

　　大趨勢下，比特大陸 AI 業務線 CEO 王俊認為，安防行業已經完成從看得清到看得懂的階段，未來在更多專用 AI 芯片加持下，可繼續實現看得快、看得起。

　　人工智能時代，發展 AI 芯片，不僅是技術革命，也是市場需求。

　　1、實現商業價值與場景應用的無縫融合。

　　通常，為了尋求商業價值與場景應用的效益最大化，在實現相應功能時必須選用性價比最好、性能功耗最優的硬件來滿足。

　　實際情況是：在采購量未能達到一定指標時，大多數供應商的優質芯片不會切入，即便切入也價格不菲。

　　也就是說，在做相應的智能化升級時，目前市場上可選擇的 AI 芯片種類較為局限，以至于價格偏高且不好用。

　　2、打破算力壟斷，提升企業造血能力。

　　數據、算法、算力，這是已被公認的 AI 發展三要素。

　　在算法及數據層面，中國企業表現一直可圈可點。相比之下，算力市場風險巨大，它的戰斗程度和迭代速度較摩爾定律更為慘烈。

　　過去幾十年，算力層面的角逐與中國廠商基本無關，海量市場大多被國外幾大廠商壟斷。

　　芯片在很大程度上決定著安防系統的整體功能、技術指標、穩定性、能耗、成本等。

　　幸運的是，這幾年不少中國企業已經意識到在數據、算法層的領先已經滿足不了產業競爭的現實需要，國際政治不時的壓力也會讓原先健康的產業鏈分崩離析。

　　擺脫海外芯片商們的控制是必行之路，自研 AI 芯片的面世、落地，對緩解芯片禁運擔憂有重要意義。

　　同時，需要指明的是，一直以來市場上大多都是通用型 AI 芯片提供人工智能計算所需的算力，而針對某些場景的專用 AI 芯片較為匱乏。

　　AI 芯片發展后期，用戶關注的一定是真實場景下的綜合效果，而不僅僅是計算加速。

　　具體來看，通用型 AI 芯片在實際應用過程中，會遇到四個問題：

　　一、通用型 AI 芯片無法和數據產生高效、深度連接。專用 AI 芯片通常針對某些場景做定制化處理，對于數據的理解、分析、處理更為透徹、精準。

　　二、通用型 AI 芯片無法與市場產生緊密耦合。通用芯片的作業模式是 1 對 N，很難與部分市場環境產生強粘合關系，無法強聚焦。

　　三、通用型 AI 芯片缺乏優質算法。芯片是框架、算法是靈魂，沒有靈魂的框架難以產生足夠價值，必須借助和算法強粘合的專用 AI 芯片才能實現潛在潛能。

　　四、通用型 AI 芯片功耗過大、對溫度等環境因素敏感度不夠。前端感知對功耗、散熱的要求很高，需要做到極致；另外，產品落地不僅僅是技術問題而是工程問題，比如外界氣候、溫度等都會成為關鍵因素。

　　類比一條公路，AI 芯片的集成好比是鋪上了柏油，但車輛通行時除了對于路面的高要求，還有對于路牌、路標、服務區的需求，而這些在實際過程中，都得不到很好滿足。

　　受限于國際關系的不斷趨緊，海外廠商們不時給行業來一次釜底抽薪，在 AI 芯片選擇上，部分優質產品受困，替代方案亟需補強。

　　提到芯片就會涉及產品，涉及產品就離不開解決方案，未來在算力選擇上，安防云端方案怎么做？邊、端方案怎么做？這也將是一個不得不去思考的命題。

　　三、碎片化市場與城市物聯網（AIoT）

　　“大平臺，重軟件。”

　　這可能是絕大多數觀眾參加峰會后的第一感受，這兩大特色或也成為對抗安防審美疲勞的主要組成元素。

　　萬物互聯時代，攝像機成為機器之眼、AI 進化成機器之腦，同時安防邊界越來越寬、愈加模糊。

　　面對泛安防場景下的海量市場需求，如何解決場景碎片化問題？如何解決需求差異化難復制問題？是繼續構建信息煙囪，自己拉隊伍做定制還是軟硬解耦，開放平臺做生態？

　　從本次峰會多數演講嘉賓的分享內容來看，基本也已有了最終答案：各自為政，行業發展必受阻礙。

　　每家廠商在推進自身行業系統解決方案時，或多或少地都需對軟件平臺極其配套的硬件設備進行整合，整合方案的兼容性、穩定性、安全性等標準也越來越趨于統一。

　　大廠商制定標準，小廠商兼容標準的合理產業模式將逐漸形成。

　　本屆峰會之上，華為機器視覺領域總裁段愛國便提到，未來行業還需繼續軟硬解耦、繼續開放平臺、繼續賦能開發者。

　　在他看來，構建一個真正的智能世界，有三個非常典型的特征或者基礎框架技術：一是萬物感知；二是萬物互聯；三是萬物智能。

　　智能世界向前邁進有三大核心技術：以全息感知為核心的機器視覺；以萬物互聯為基礎的移動無線通信；以及萬物智能的 AI 技術。

　　大背景下，華為安防產品線更名“機器視覺”，聚焦打造兩個核心能力：一是前端的全息感知能力，二是在后端用數據驅動，反作用于物理世界，以驅動智能世界。

　　商湯科技智慧城市事業群產品副總裁朱鑫則直接總結了推動“城市智能化變革”的三大支柱系統。

　　一是新一代的聯網匯聚平臺。視覺數據是城市最豐富的數據資源，前端設備收集的數據通過聯網匯聚，形成城市動態的數據資源池，動態數據經過 AI 系統處理后，成為城市數據資產。

　　二是超級計算底座。每個城市需要一個新型的超算中心。

　　三是城市級算法系統。系統有三大板塊：城市的主算法系統、城市級場景算法系統和通過融合、關聯、決策，形成一個完整的城市的算法系統。

　　以城市為單位，曠視副總裁那正平也提出，構筑城市大腦需要圍繞“條”和“塊”打造城市級的超級應用，驗證產品、實現單一場景閉環，最終逐漸沉淀出城市級和建筑級 AIoT 操作系統，實現城市物聯網的閉環。

　　據悉，曠視已經發布了自己的城市級全棧解決方案，名為“城市物聯網操作系統（CityIoT OS）”，目標是成為“物理世界的 Windows”。

　　無獨有偶，云從科技安防行業部總經理李夏風也談到了城市大腦的落地實現。

　　他認為，城市 AI 大腦的落地將會通過人機協同，分為三部分來實現：人機交互、人機融合、人機共創。

　　人機協同中，各個行業的專家、以機器代表的 AI 知識服務和用戶，三者形成一個閉環。

　　專家首先把知識賦能給機器，機器轉換成智能化產品并提升客戶的體驗，用戶從中反饋出個性化的需求，后續提升專家的效率并反哺到產品或服務中。

　　智能化終端設備收集數據，同時也是人機交互的入口，云端大腦是整個數據的匯集、分析、提煉的中樞，當數據大腦經過分析，形成相關的服務后，通過嵌入式的模塊，即 AI 平臺，實現人機協同在各個場景落地。

　　澎思則基于對普惠 AI 的理解，構建了澎思 AIoT 生態平臺，包括四個關鍵能力：

　　第一，智能視圖大腦。算法會從云、邊、端三個維度全鏈條嵌入；

　　第二，全系列自研的智能邊緣設備；

　　第三，打造云端智能服務的開放平臺；

　　第四，后端建立數據管理平臺，使得數據在 AI、硬件以及云服務能夠充分地流動，實現業務和訓練數據的并軌。

　　澎思科技副總裁曲瀚認為，AI 普惠的產品有兩個核心要點：一是極致產品體驗；二是場景化的解決方案能力。

　　實現 AI 普惠的終局在于四個方面：

　　第一，萬物智聯，所有的 AI 終端實現在線化；第二，推動 AI 算法向通用智能算法演進，降低機器學習的成本，提高泛化能力；第三，構建一個豐富的產品生態；第四，場景的聯動和重塑。

　　華為、商湯、曠視、云從、澎思，在 AI 城市舞臺之上，談不上對標，打法也不盡相同，但各家想要實現的愿景顯然是一致的。

　　四、應用為王，落地成核心標準

　　杉地科技 CEO 傅劍輝告訴 AI 掘金志，從今年的峰會分享內容來看，大家皆具一個共性，基本都在面向實際場景，做應用型 AI 解決方案。

　　當海康提出「賦能數字轉型，服務千行百業」、當大華開啟「AI 行業應用，產業升級」之旅、當宇視直截了當地提出「AI 如何得到人民的好口碑」。

　　行業三大龍頭站在 2020 年這個時代節點之上，已經吹響 AI 落地號角，沿著戰略路徑，一往無前。

　　具體來看，海康分享了他們在水利、能源、物流、社區、生態保護等方面的近十個解決方案。

　　海康威視 EBG 解決方案部總裁李亞亞認為，AI 應用的落地，最終還是要回歸商業本質。

　　即通過產品和系統，解決用戶場景化、差異化的需求，讓更多用戶享受到技術革新的紅利，幫助用戶實現業務價值回報。

　　大華也提出，AI 3.0 階段，應該是應用主導個性化和 AI 解決方案的敏捷交付。

　　在這個過程中，首先要構建人工智能解決方案的端到端體系化能力，大華已經在四個方向做了重點布局：系統架構、數據智能、智能工程化、智能技術。

　　宇視副總裁、首席架構師姚華回顧了 2018 年提出的 AI 與安防的七座大山，并指出如今視圖數據全鏈路計算邏輯已經形成，AI 在安防已經從 0 跨越過 1。

　　眼下，宇視的 AI 部署已經在從城市到郊區、鄉村，解決群眾的小事和瑣事。

　　同時，的盧深視 CEO 戶磊還在會場介紹了他們在大庫時代，落地千萬級刷臉系統的技術剖析與建庫經驗。

　　靈伴科技公共安全事業部總經理劉葉飛則直接戴上了他們推出的全球首款光波導形態的 AR 智能眼鏡，完成了這次演說。

　　AI 與安防的融合，上半場拼技術、下半場拼應用。

　　下半場的 AI 比拼，在于能否落地、能否變現、能否產生數據、形成價值，構建核心競爭力。

　　技術的突破，創造的是藍海市場；產品、應用的差異化，才最終決定企業能夠走多遠。

　　通過本屆峰會來看，不管是頭部企業還是 AI 獨角獸，基本都已意識到了這個問題，通過核心能力打通行業上下游，最大化地發揮自身在應用場景中的價值。

　　畢竟，所有技術的歸宿，最終都需要用銷售數字說話，用市場占有率說話。