AI 创企眼中的安防技术革命与挑战

“未来的安防行业，视频数据是原料，AI是加工厂，两者的关系密不可分，缺一不可。”过去几年，安软慧视技术负责人闫潇宁看到了AI对于安防行业彻头彻尾的改变。

他说，警力有限、警情不减，这是每一位破案能手此前多年都会遇到的棘手难题。

对此，过去多年，相关部门也在积极寻找新技术，比如建设大数据平台，将一些身份信息进行汇总、分析，为公安机关对违法犯罪行为的精准打击提供更广泛的数据支撑。

但是由于数据来源的不确定性，数据的有效性、数据本身的真实性和数据获取的非实时性等因素，使得大部分大数据平台很难发挥出预期成效。

这些年，人脸识别、车脸识别、视频结构化等AI技术的大规模应用，可以很大程度填补有效数据来源这一历史空白，使得公安大数据应用不再是无源之水、无米之炊。

有需求，就会有市场。

在这期间，国内各算法公司、IT巨头和传统安防企业均推出了众多AI+安防解决方案。总结来看，无外乎两种：后端集中化处理、前端智能化处理。

“就后端而言，虽然小范围、非实时性的视频处理已经得到有效解决；但规模性的安防AI落地，还存在着诸多障碍。”

闫潇宁介绍，目前各级、各区域公安系统建设的视频监控不仅在调用权限上有所限制，就是在建设标准上也不是完全统一的。

而从技术应用角度出发，他认为，此前行业中一直提到AI系统的三要素：算法、算力和数据并不全面，这样的AI系统会与公安的实际落地应用发生脱节。

“目前市场上大部分AI系统多半建立在譬如演唱会、展览会等小规模活动型项目和工程上；但如果深入公安一线，就会发现真正在使用AI系统的单位是刑侦、治安、交通、情报、指挥中心等部门，也就是说真正需考虑的要素应该包括算法、算力、数据、场景、产品及应用。”

在闫潇宁看来，全面构建视频AI应用场景，必须考虑三大关键点：

一、大规模的实时性。既然以全面提升当前视频监控的利用效率为先，在实战场景中，如果总是在经过处理的视频片段中查找，通常需要第一时间就能查询到嫌疑人的落脚点，否则后期面临的视频数据会越来越大。

唯有保证了大规模的实时性查询功能，才能不断地进行大面积的重复搜索，快速找出嫌疑人。但一直以来，越大规模的实时性搜索无疑就无限增大了系统对于算力及算法的要求。

闫潇宁说，通过在某地的实践证明，技术上可以通过云雾架构的边缘计算实现，简单说就是通过节点算子分布算力，使得前端每个摄像头分别对应边缘计算引擎中的一个算力，再通过负载均衡实现算力的大规模化。

如此可以避免每个前端设置一个小盒子的固定式存在，也避开了中心处理的大流量大算力压力问题，又可以在后台通过软件自由调整点位，规模再大也无需担心。

二、实现大规模实时搜索之前，需要实现大规模同步智能解析，如果不能智能解析，面对的依然是不能检索的视频流，因为嫌疑人是动态存在的。

在这个过程中，人们需要对图像识别的理解是全息的，是多目标、多维度、多场景的，是要与肉眼识别特征尽量保持一致的。

也就是说，不仅包括人脸、识别对象可以包括人的外貌衣着、所携带物品、所乘用交通工具特征等等，总之，需要尽可能多地关注细节。

“一套好的AI的系统，既需要保证识别准确率，也要保证对于实战场景的理解。”

三、大规模数据库的检索能力。做大规模实时搜索，必然会产生大规模目标对象库。

技术实现上，闫潇宁表示，可以通过多维敏感细节归类组合检索，高精度提取目标特征，再配以时间、位置筛选，可以快速对图像库进行秒速检出，并逐步加载显示，既保证了重点区域对象的优先筛选，又保证了大面积检出的速度。

针对前端智能化，此前在 CES Asia论坛上，地平线联合创始人&副总裁黄畅认为，普惠AI时代，边缘计算将成为破解AI物联网核心难题的关键。

全球知名咨询公司 Gartner于2018年8月首次正式提出了普惠AI时代的主张。这意味着人工智能这项新技术已经不仅局限于政府或实验室，开始迈进了普惠大众的阶段，进入各个行业创造价值。

然而机遇与挑战并存，随着AI的发展，数据量级和复杂度急剧增长。

通常，前端智能高清摄像头如果要达到应用级别，必须要优化基础的智能分析功能，以提升场景适应性和准确率，而大部分公司都没有能力对算法进行深度研究和优化。

“过去人们所谈的前端智能只能说是微智能，芯片的处理能力有限，只能完成简单的人流、车流监控，相对固定场景的智能侦测，对于稍微复杂的有环境干扰或人多车多等场景，往往造成误报。”

就此，黄畅认为，分布式AI计算势在必行。

在通用性高的领域交付于云上完成，与生命安全、隐私保护密切相关的领域则由端进行处理。而边缘计算将成为端上指数级爆炸数据的过滤器与控制阀，经过有效处理之后，只需提取少量有效数据传回云端即可。

随着 5G 商用开启，终端接入网的扩容极大，实时性要求进一步提升，但因为骨干网扩容成本高、延迟大，导致在边缘侧形成数据堰塞湖。

Intel 曾表示：MEC（多接入边缘计算）不一定需要 5G，但 5G 一定需要 MEC。

有了边缘计算的加持，5G 的商业价值才能真正得以发挥。边缘计算带来的是商业范式的转移，是一次从软件到硬件的全新变革。端边云协同，未来，人们需要在一个更大的范围内寻找AI解决方案的最优解。

另一方面，普惠AI时代的背后是数据计算带来的巨大能源消耗。

能源是支持一个社会运转的重要生产资料、物质资料。指数级的数据增长不知不觉间给社会造成了巨大的负担。

以中国为例，今天，数据中心耗电惊人，据《中国数据中心能耗现状白皮书》显示，在中国有40万个数据中心，每个数据中心平均耗电25万度，总体超过1000亿度，这相当于三峡和葛洲坝水电站1年发电量的总和。如果折算成碳排放的话，大概是9600万吨，这个数字接近目前中国民航年碳排放量的3倍。

随着时代向前推进，数据的处理量只会增，不会减。

从工业时代的用电量，到数字经济时代的用云量，再到AI经济时代，要考虑的是“用算量”。追求极致效能，这不仅仅是出于利益考量，也成为了AI企业的社会责任。

当前的业界存在一个很大的误区，往往会把峰值算力当作衡量AI芯片的主要指标。

但其实真正需要的是有效算力，及其输出的算法性能。

这需要从四个维度来衡量：每瓦的峰值算力和每美元的峰值算力（由芯片架构、前后端设计和芯片工艺共同决定），峰值算力的有效利用率（由算法和芯片架构决定），以及有效算力转化为AI性能的比率（主要是速度和精度两个方面，由算法决定）。

“我们正处在一个高速变革的时代。”

闫潇宁说，AI技术与安防监控的结合实效已历经证明，不管是后端对案件视频的智能分析处理，还是前端摄像头强大的比对功能，不可否认都对快速查找、确认、追踪嫌疑人起到了巨大推动作用。

但在这个过程中，也必须意识到问题与方法都是此消彼长的。

技术创新、技术进步、技术变革会给经济社会带来剧烈变化和深远影响；与此同时，技术的变化，也会使得问题产生“抗体”，后期如果能够实时革新，蓄势而变，便可时代弄潮，引领风骚；如果闻风不动，任由发展，则会引发一系列负面发展问题。