Hitachi reveals AI security software
 |
來源：OFweek安防网
經過20多年的本土化發展，安控經歷了類比、數位、網路、高清四個時代，目前已經進入到「安控 + AI」智慧化階段。就在傳統安控企業砥礪前行之時，廣闊的 AI 安控藍海市場，吸引了眾多 AI 公司紛紛參與圍獵，就連 BAT、華為等巨頭也參與其中。
5月27日，智慧交通知名整合商千方科技，宣佈獲得阿里巴巴近36億元參股，一時竟引得行業紛紛競猜阿里巴巴的安控佈局意圖。其實在此之前，阿里巴巴就已經推出了佈局智慧城市頂層應用的「城市大腦」，這是一套基於大數據應用的城市級管理平台，也是阿里佈局安控的標誌。
以阿里之能，仍需投資一家擁有安控生態的整合商，至少說明阿里此前的安控佈局進展並不順利，需要擴充資源，來協助其 AI 技術在安控領域縱橫捭闔。
那麼，安控究竟一個什麼樣的行業？其 AI 生態都存在哪些痛點，竟然在眾多知名 AI 企業圍剿下仍需合縱連橫？
四重生態，AI 各有佈局
我們看安控 + AI，通常為算法 + 晶片、設備製造 + 解決方案、行業應用三級生態。
最上層為基礎算法和晶片，以宇視科技為代表的安控企業，都開發有各自的 AI 算法；商湯、曠視、依圖、雲從 4 大 AI 獨角獸更是聞名全球，可以說在算法端，中國企業、中國的安控公司都走在了世界前列。而晶片端，主流產品有 GPU、ASIC、FPGA 三大類型產品，相較國際晶片巨頭，中國已能滿足自給自足需求。
中游則是各種軟硬體產品和解決方案。宇視科技高級人工智慧專家黃攀告訴小編：這是安控生態中，宇視科技等一眾安控企業的強項，可以提供從端計算——邊緣計算——雲計算的三個覆蓋大安控各細分行業的所有產品和解決方案，其中就包括了AI、儲存、大數據等基礎應用。
下游為政府、教育、醫療、零售等各個行業場景應用，涉及的產業鏈和企業類型較多，除了深耕安控的設備商外，還包括營運服務商、系統整合商、軟體定制服務商等安控生態企業；宇視黃攀指出，安控 + AI 的產品落地中,最終面對用戶的部分恰是產品變現的「最後一公里」。
除了上面三部分生態，安控 + AI 還需要最底層的核心架構，也是最易為大家所忽視的部分。目前主流的 AI 底層架構有Caffe（卷積神經網路框架）、Tensor Flow（第二代人工智慧學習系統）等，且掌握在谷歌、Facebook 等國際巨頭手裡，本土企業中，僅有百度、阿里巴巴、商湯、曠視等少數 AI 玩家在建構自己的深度學習架構。
兩大因素限制約早期 AI 爆發
人工智慧之於安控，一直存在；只是人臉辨識技術起來後，才廣被大眾所熟知。其實，安控領域是人工智慧技術應用最早、類型最全的一個行業，涵蓋車輛、行人、人臉、行為、動作、步態、物品、事件等的辨識與應用，不過早期安控智慧較集中於智慧交通領域,對車輛的車牌辨識、車輛品牌、顏色等車輛屬性涉及較多,近幾年才慢慢擴展到人體、人臉、動作、事件等各種智慧方案。宇視黃攀認為，這是歷史發展規律使然，主要有受兩方面因素限制。
先從算法維度分析，安控業經歷了從類比——數位——高清——智慧畫的轉變。早期安控首先需要解決的是圖像清晰化的命題，編解碼算法和圖像處理算法，是業內廠商最優先發展的算法；隨著智慧交通的興起，對車輛屬性的辨識成為主流應用，傳統模式辨識 + 淺層機器學習逐步在安控領域成為主流。隨著2012年AlexNet的驚艷表現，深度學習算法得到爆發性發展，安控智慧真正進入到「深度」智慧階段，並最先在人臉辨識領域得到大規模應用。
再從硬體維度分析，早期沒有專門針對人工智慧的算法晶片——算力，當行業進入到深度學習算法階段後，專注於遊戲業務的英偉達發現 GPU 在分布式計算、大規模集群運算中，有著非常大的優勢，由此找到了新的業務落腳點，併發力推出針對人工智慧，深度學習的多個產品線專用處理晶片，如工業級的 Tesla 系列、消費級的 GTX 系列等。
隨著算力的大幅提升，原先需要幾個月才能完成的深度訓練更新，在分布式 GPU 集群的加持下，只需要幾個小時便可完成。
固定場景讓車輛辨識脫穎而出
經如上介紹，大家會產生新的疑惑：在深度學習算法興起之前，為什麼車牌辨識技術能在眾多的 AI 應用中脫穎而出？
對此，宇視黃攀給出了兩個字的答案——場景，他進一步分析道：「早期的智慧交通，雖然採用的是普通圖像處理，和淺層機器學習技術，但它們與其他 AI 應用最大的區別，在於有標準化場景，如交通要塞、電警中的六米安裝高度、夜間提供爆閃補光、專業的圖像調教、45度朝下抓拍角度等，加上車輛的可變動幅度不大，使得抓拍的圖像非常清晰，因此在傳統算法下，也有非常高的辨識率，可做到 95％~99％ 的精準辨識效果。」
需要說明的是，在2010-2012年，小編曾做過多次車輛抓拍辨識測試，即便是採用200萬像素智慧交通攝影機，只要場景設置得當，辨識率可輕鬆做到99％，很好佐證了宇視黃攀的觀點。
但傳統方案也有缺陷，一是算法對多種場景的適應性，難以進一步提升，如辨識率很難趨近於100％；二是傳統的淺層機器學習在特徵提取、算法設計上對開發人員要求較高，不能很好滿足智慧交通的複雜場景需求。
在進入到深度學習階段，大量的場景適應性問題，透過豐富的訓練素材，讓算法在訓練更新中得到解決，大幅提升了算法強化性，大大簡化了對技術人員的要求。
利用新的算法體系做影像結構化，在標準場景下，車牌辨識率無限趨近於 100％；而在非標準場景下，車牌辨識率也能達到 98% 以上，如輔助交通要塞的車牌抓拍辨識應用。
不過早期與車牌辨識應用，幾乎同時發展的人臉辨識需求，卻始終無法滿足，主要受兩大因素限制，一是因為人臉並不像車牌那樣，是一種相對固定的模型，人臉在檢測過程中，受到姿態、表情、穿戴物、朝向、年齡等各種因素的影響；二是攝影機的安裝場景，無法達到交通要塞般的標準化水準，受環境影響較大。
透過淺層機器學習算法，在這樣的條件下完成人臉辨識，會遇到非常大的挑戰，特徵提取方式，嚴重依賴工程師的豐富經驗：不同場景下，邊緣特徵、顏色特徵等的提取，需要工程師具備非常好的數學能力和經驗，如此才能設計出最佳特徵提取方式；即便如此，人臉辨識還要面臨人員移動隨意性、臉部裝飾、環境光照等的限制，辨識率難以有保障。這些問題的存在，一度讓人臉辨識難以在實際場景中得到落地。
利用深度學習算法後，機器可自學習最適合的特徵提取方式，對工程師的依賴大大降低。設備透過大數據學習，獲取人臉特徵經驗，以此來自動辨識人臉，由原來的經驗為王，轉變為以數據為王，更是突破了逆光人臉、陰陽臉、戴墨鏡、戴帽子等極端場景人臉的辨識障礙。
自此，深度學習讓人臉辨識得到了爆發式發展，這也使得人臉辨識，成為安控第一個變現的深度人工智慧技術。顯而易見，深度學習給人臉辨識帶來了巨大改變——讓理想照進現實，並得到了眾安控企業的高度重視，開始將該技術逐步移植到車牌辨識、行為分析、事件分析，甚至是大數據等其他 AI 應用中來。
「AI + 安控」和「安控 + AI」的界限仍很明顯
目前圍獵安控 AI 應用的企業很多，主要有兩大類，一是以四大算法公司（商湯、曠視、依圖、雲從）為代表的 AI 獨角獸，他們主推「AI+安控」模式；二是以宇視科技等公司為代表的安控陣營，主導「安控 + AI」之路。
宇視黃攀認為，截至目前，「AI + 安控」和「安控 + AI」的界限仍很明顯。
以四大算法公司提出的「AI + 安控」為例，他們的定位是「1 + 1 + X」，即「算法 + 產品 + 行業解決方案」，「X」代表各行各業的行業解決方案，安控只是其中之一。AI 公司的行業賦能模式屬於扁平化架構，主要是解決算法問題，這使得他們在安控領域的耕耘，沒有傳統安控企業透徹。
又因為安控是 AI 落地最深、最廣的一個行業，為了實現營收，AI 公司選擇安控行業來進行算法驗證和變現，因此我們看到，現在 AI 公司越來越重視安控行業。
而以宇視為代表的安控企業提出的「安控 + AI」，基於大安控的整體生態鏈比較完備，從上游的人工智慧算法、中游軟硬體/解決方案，到下遊行業客製化軟體等都一應俱全，尤其在前端智慧 IP Cam、智慧 NVR、智慧儲存上有突出的優勢，加上早已在多年累積中，建立了完善的行銷通路。安控企業可以輕鬆地讓 AI 產品在安控垂直細分領域，得到快速變現，這是安控陣營跟 AI 陣營耕耘「安控 + AI」的最大區別。
當然，我們也看到，目前安控公司跟 AI 公司的相互滲透越來越多，在 AI 公司進入安控領域的同時，安控公司也在不斷向教育、醫療、金融等垂直領域延伸，將 AI 的適用範圍，不再局限於安全監控。
賦能安控，AI 面臨哪些困境
宇視黃攀告訴小編，目前 AI 賦能安控主要面臨兩大難題，即大規模應用能力，和產品變現能力。
首先，黃攀認為安控的 AI 產品面臨的最大困難，不再是算法、算力、大數據等技術問題，而是轉移到 AI 六要素中的工程、場景、方案等實際落地應用問題。
目前很多公司對外宣稱，自己支援 AI 深度學習，並獲得了從央視到行業垂直媒體的大力度推廣，讓用戶產生錯覺，並對 AI 抱以很高期待，忽略了算法與場景，算法與產品工程化的匹配問題，甚至超出了目前 AI 的能力範圍，導致項目落地後的應用效果，與用戶預期效果形成落差。
其次是 AI 的產品變現能力還在探索中。現在所有的行業都歡迎 AI 產品，但大量的細分市場的定制化需求、客製化解決方案未能同步跟上，若採用通用方案，則效果大打折扣，需要各行各業的 AI 玩家持之以恆地開發與完善。
在安控領域，宇視等傳統安控企業，對各類場景都有很深滲透與理解，細化解決方案客製能力強，因此變現能力相對強很多。即便如此，安控企業還是會遇到很多問題，如各種客製化需求、各類型場景方案開發等，給經驗豐富的安控企業提出了很大挑戰。
其中細分市場的客製化算法難度最大，黃攀以監獄的「打架檢測」為例介紹。「打架」是一種人類的常識性的事件描述，背後是大量人類認知的體現，跟通常的車輛、人臉，這種相對有固定邊界的模型不同，是一種寬泛的、形容性的概念。人類需要訓練 AI 算法，什麼才是「打架」，但是打架並非固定模式，有可能是群體的劇烈衝突，也可能是一方對另一方的霸凌，動作不劇烈，更有可能是被多人環繞的隱蔽式衝突，形式非常寬泛；這就需要突破傳統深度學習，對固定模型的檢測能力，昇華到對人體動作的理解能力。
邊緣雲計算是 AI 賦能探索的結果
原來的中心雲端運算方案，是將資源集中在雲端處理，這會帶來很大的頻寬傳輸壓力，導致數據丟失、高延時等情況變得頻繁。同時對客製化需求無能為力。
實際上，前端算力資源非常龐大，哪怕是單價幾百元的前端攝影機，其算力、算法也，已經能很好地實現人臉辨識等功能，不需要額外投入雲端處理系統。
因此，邊緣雲計算是安控公司在多年探索中形成的共識，不僅充分利用了各類型算力資源，還很好地降低了投入成本。
目前對岸國內晶片性能提升明顯，以海思、寒武紀為代表的 ASIC 晶片方案，與英偉達等企業的產品相比已不落下風，尤其是單路影像辨識的性價比更高，現已成為安控行業前端 AI 晶片首選。
在伺服器端，安控公司並不局限於英偉達的通用 GPU 方案，基於 ASIC 的專用 AI 板卡方案，也被廣泛接受。以宇視「崑崙」系列智慧分析伺服器為例，整合了數十顆專用 AI 加速晶片，在三層分布式計算架構的加持下，併發計算能力達到業內領先水平。
賦能「意識」、降低成本是 AI 未來發展走勢
不可否認，目前 AI 還存在很多痛點，黃攀認為其中賦予機器，更多的「聯想能力」，是提升 AI 應用能力的重要部分，如以圖搜圖檢索人的應用中，用於檢索的算法，可能難以檢索出更換衣服、更換交通工具、僅局部特徵、時間跨度長、晝夜相反、圖像模糊等，數據庫中的同一個「人」的圖片/影像；這時候就需要現有的人臉、人體半結構化特徵與動作辨識、步態辨識等新的 AI 技術關聯起來，這是接下來 AI 在安控應用中的重點發展領域。
另外，無論雲端運算還是邊緣運算，共同目標都是為了降低單路 AI 商用成本。宇視「崑崙」的推出，正是為瞭解決這一痛點，它提出了多模型、多智慧、ALL in One 的設計理念，可將人臉辨識伺服器、行為分析伺服器、影像結構化伺服器、大數據伺服器、平台伺服器等功能，以板卡形式整合於一台伺服器中，大大節約了硬體投入和空間佔用，而且維護更為簡便；其同時整合了三重分布式集群調度系統（晶片間集群調度、板卡間集群調度、伺服器間集群調度），可將 AI 處理需求，精確地分配到每一顆晶片中的某一部分資源，大大降低了單路影像的應用成本。
最後，算力也是未來要提升的部分。目前對岸國內晶片廠家的發展速度很快，尤其是在 AI 端側應用晶片領域，對岸國內晶片的發展，已經出現多強爭霸的局面，正在快速衝擊著目前的格局。在通用晶片領域，雖然我們沒有先發優勢，但在近年對岸國家政策的扶持，和行業需求的多重驅動下，各大晶片廠商正在奮起直追，預計很快就會迎來產業變局。
沒有留言:
張貼留言