智慧城市网

　　【安防展览网 企业关注】2016年开始，人工智能开始在安防行业斩头露角，被AI点化的安防市场一时间概念泛起，其中人脸识别的应用在一定程度上成为这场安防人工智能浪潮的中心，人脸应用遍地开花。
 

　　智能安防产业演变路径
 

　　过去的两三年时间里，安防领域的人工智能有着较为清晰的发展路径：
 

　　在产品方面，逐渐从前端覆盖到后端，继而到软件平台；在应用场景方面，也从典型的公安、交通领域逐渐向金融、教育、社区等垂直行业下沉并渗透到丰富且碎片化的各类场景当中；
 

　　而从产业格局的角度看，围绕着算法、算力和数据三大核心引擎，在传统安防厂商奋勇发力之外，部分CV企业以及AI芯片企业异军突起，相继成长为业界备受瞩目的AI“独角兽”，与此同时，伴随着阿里的入局以及华为的靶向进攻，人工智能打开了智能安防产业新的赛道，产业格局升维，不同的企业角色凭借着各自的主力优势在日益壮大的智能安防市场各立山头，头部企业顺着产业链条向上向下兀自延展，试图抢占更大的市场份额，市场竞争别开生面；
 

　　后从安防产业自身的演进过程来看，从“看得清”到“看得懂”，传统安防正逐渐从公共安全管控的局限框架中释放出来，成为智慧城市大场景中重要的一环，挑起城市视觉感知和关键数据(人、车)采集的大梁。而伴随着智慧物联、物信融合趋势的到来，智能安防也正逐步接轨到视频物联网这个更大的应用维度中来，可以作为城市级视频数据收发的“基站”，按需为各行各业输送智能视频的多元化应用。
 

　　此前，围绕着AI算法以及算力，业界各方势力都在持续探索算法精度和算力性能的上限，经历过实验室数据的各项PK之后，在推进AI在实况场景下的落地应用过程中，诸多现实问题开始显露出来，产业的关注点也开始聚焦到破解AI落地应用的痛点上面。
 

　　AI落地应用的瓶颈和诉求
 

　　从业界专家以及企业的集中反馈中我们可以总结一下，在推进AI落地应用过程中，不同的产业角色面临的困难点也各有针对性。对于企业自身而言，他们可能会面临着对技术门槛、用户需求持续跟进的压力，而对于用户而言，人工智能虽好，但较高的成本以及现阶段的投入产出比情况对他们而言依然是很大的顾虑。这里我们集中梳理一下，且看近12家产学研单位的多角度反馈：
 

　　1) 成本压力
 

　　宇视科技：随着AI系统应用部署的规模化，平均每路的成本虽然有所降低，但总成本仍然过高。
 

　　澎思科技：不管是公安行业还是其他行业，AI落地应用的瓶颈应该还是价格。在2017年及2017年以前，行业单个人脸识别系统的报价接近十万，人脸识别系统的价格成为阻碍其在行业普及的因素之一。不过在2017年之后，随着人脸识别算法及硬件性能的提升，人脸识别系统的价格问题缓解了不少。
 

　　AxxonSoft：预算是阻碍AI应用落地的一个重要原因，AI应用需要投入的资金还是比较大的，并不是每个行业都有足够的运算来支持。
 

　　复旦大学视觉内容研究院：当前许多AI算法都是数据驱动的，需要持续收集大量特定应用场景的数据，然后在应用中进行持续迭代优化，这个过程所需人力与物力对于许多企业而言，显然是一个非常大的技术、成本和运维等综合压力。
 

　　2) 受限于场景，AI泛化能力不够
 

　　云天励飞：安防行业是一个需求相对碎片化的行业，各种场景、行业需求非常碎片化、多样化，而这些需要大量的研发资源投入，对于一个AI初创公司来讲压力相当大，而且时间和技术窗口期很短，因此我们要在不断探索的过程中把握好产业发展的主航道，聚焦核心业务，快速响应市场需求，提供更的产品服务，不断地提升自身竞争力。
 

　　复旦大学视觉内容研究院：AI依赖于应用场景，只要场景确定(即各种边界条件确定)，这个时候研发人员比较容易将应用性能等调整得很好，但如果更换了一个场景，原来那套方法就需要进行再调整，这也反映出AI算法模型泛化能力不够，主要以定制化为主，限制了大范围推广。
 

　　3)需求响应及投入产出比
 

　　AxxonSoft：当前的项目有些用户也存在过于理想化的预期心理，人工智能需要机器学习不断提升准确率，它无法马上解决所有的问题，需要有足够的时间与正确的训练方式，才能慢慢体现它的价值。
 

　　宇视科技：落地比预期的困难，一些用户发现花了巨大的成本代价却得不到预期的效果，许多产品与方案在演示或者PK的阶段都处于相对理想的环境中，但到了实际的环境中，用户便会发现较大的差异。
 

　　熙菱信息：目前比较大的挑战就是政府有时无法像企业一样，及时地根据实际需求进行投入的调整。在短期内，实际业务的增长和投入方面会相对的不匹配，但是这个问题在生产过程中可以逐步去解决，只是解决的速度快慢的问题。当然，客户对于数据组织的价值和对于业务算法高准确性的期待依然会给数据融合智能应用带来现实的挑战。
 

　　澎思科技：在解决了价格问题之后，如何将人脸识别系统等AI系统与现有系统如*进行有效结合，又成为了AI落地应用的一个困难点。
 

　　4)市场需求培育及政策引导
 

　　公安三所研究员梅教授：公安信息化过程中，创新科技产品和技术作为一种基础的设施投入本身并没有问题，但投入之后如何实现价值这是一个主要问题。现阶段由于条块分割措施，使得很多政府投入的设施局限到谁建谁用，谁建谁管的规则之中，极大地限制了这些设施价值的充分发挥，自然也导致了应用成本的加大。投入产出比不对等并非是技术的问题，目前在整个建设和建设效益之中困扰的其实说到底就是数据共享的问题，而这个问题需要从国家层面，从政府层面用政策去引导去解决。
 

　　微纳感知：首先在技术方面，应用环境的复杂性对机器听觉系统的效能影响比较大。其次，市场对于声学技术的应用仍处于探索阶段，市场需求虽然广泛存在，但距离技术落地应用仍然需要我们这样的企业携手合作伙伴加快推进。与此同时，我们也非常期待政府层面能够发力推出相关产业标准来进一步做市场引导，让声学技术在智慧城市以及细分行业领域的应用更快的成为共识。
 

　　的卢深视：相对于二维人脸识别，三维人脸识别是一个全新的技术领域，从上层器件到算法、产品、应用等全产链上各环节都处于初级发展状态，其产业链十分不成熟。且行业技术缺乏相关标准，较难统一。三维人脸识别技术还未形成规模化应用，整体部署成本相对较高。不过，随着上游器件工艺的逐渐成熟，算法能力的迭代演变，将持续提升整个三维相机的成像系统设计能力，然后三维相机的规模化应用反过来促进成本下降，这是一个必然趋势。
 

　　蜂盒科技：困难在于当前市场环境。前面我们已经提及人脸识别市场，已经进入了山寨版人脸识别产品泛滥的阶段，对“”人脸识别产品公司造成了较大的冲击。而面对当前的这个特定市场环境，蜂盒科技能做的，就是推出性价比更高的人脸识别产品，顶住和抗住这波山寨之风带来的冲击。
 

　　5)算法、算力及数据等核心技术能力的支持
 

　　华为：AI在某些场景落地困难的几个因素，一是算力，二是算法，三是基于算法的应用，四是价格。在算力方面，专用芯片将会更好的促进特定场景下AI实用效能的发挥；在算法与应用方面，安防产业的应用场景非常丰富，任何厂商都无法把算法与应用覆盖到所有的场景，也就是说必须依托于开放的生态平台，用强的硬件计算平台加上擅长细分行业的ISV的应用，才能打造出具竞争力的解决方案；在价格方面，一方面是如何降低硬件成本，另一方面是规模应用后，ISV软件开发成本能否摊平。
 

　　海康威视：当下AI开放平台品类繁多，并不是说随便给用户一套平台工具，用户就可以上手用，其中仍存在着一些瓶颈：是数据瓶颈。人工智能由海量的数据来进行驱动，首先要保证数据的体量规模，其次数据要是被人为标定监督过的；第二是算法瓶颈。人工智能技术研发，算法人才是关键，算法团队的组建是*且需要长期高成本投入的环节，对于大量传统企业而言，这也是一个极大的考验；第三是计算资源和训练资源。人工智能算法训练必须基于相关的并行训练系统，通过海量数据的导入进行算法训练，期间还需要做各种调试，这对并行训练系统的性能水平有很高的要求，计算资源和训练资源也是一个显著的瓶颈；第四是产品端的瓶颈。大量的用户(集成商)甚至AI初创企业，并不具备硬件产品资源，在没有更多方案可供选择的时候，云端方案或许并非优解但是是时下的选择；后是系统，要有完整的人工智能解决方案，系统集成与应用开发资源投入是很大的，这也是一个瓶颈。只有突破了这五大瓶颈，我们才能真正的落实AI在实体行业中的赋能作用。