随着人工(gōng)智能(néng)應用(yòng)潮水(shuǐ)般發展，AI+安防應用(yòng)瓶頸和(hé)疑難也(yě)愈加凸顯。
瓶頸一：“算(suàn)法紅(hóng)利”即将消失
作(zuò)爲人工(gōng)智能(néng)領域裏最爲知(zhī)名的算(suàn)法比賽ImageNet是目前世界上(shàng)圖像識别最大(dà)的數據庫。這(zhè)個項目是美(měi)國斯坦福的計(jì)算(suàn)機科學家，模拟人類的識别系統建立的。經過2010-2015年的發展，人臉識别算(suàn)法已從(cóng)淺層神經網絡向複雜(zá)的深度神經網絡算(suàn)法發展，由最初的(2012年)8層神經網絡發展成爲2015年的152層神經網絡。
而識别率也(yě)迅速提升，由淺層網絡的28.2%的錯誤率迅速降至3.57%。2010-2016年，人工(gōng)智能(néng)的各類算(suàn)法識别率節節攀升，核心原因在于：1.硬件算(suàn)力迅速提升，特别是GPU的廣泛應用(yòng)，允許神經網絡模型更加龐大(dà);2.神經網絡算(suàn)法本身也(yě)經曆演化與自(zì)身加持，算(suàn)法效率與識别率進一步提升。時(shí)至今日，伴随着動辄1000多層的超深度神經網絡模型的建立，神經網絡算(suàn)法已達到(dào)數據飽和(hé)狀态，語音(yīn)與圖像的識别率進入瓶頸區(qū)域，若無算(suàn)法層級上(shàng)的突破，未來(lái)識别算(suàn)法的效能(néng)提升将迅速邊際遞減。
與此同時(shí)，以谷歌研究院、微軟研究院爲代表的人工(gōng)智能(néng)研究領軍機構在算(suàn)法開(kāi)源化做出的努力，軟件工(gōng)程師可以迅速通過谷歌、微軟等公司提供的人工(gōng)智能(néng)開(kāi)發包進行“二次開(kāi)發”，實現(xiàn)人工(gōng)智能(néng)全新領域的應用(yòng)。随着人工(gōng)智能(néng)研發的門(mén)檻迅速降低(dī)，全球各地打着“人工(gōng)智能(néng)”旗号的創業企業如雨後春筍般的出現(xiàn)，并獲得了(le)資本市場追捧，人工(gōng)智能(néng)市場競争越發激烈。國内人工(gōng)智能(néng)領域創業者紛紛表示人工(gōng)智能(néng)算(suàn)法的優勢地位頂多隻能(néng)維持6個月，谷歌、百度等一衆行業霸主在單個算(suàn)法上(shàng)也(yě)僅能(néng)保持6個月的領先。“算(suàn)法紅(hóng)利”即将消失，如何利用(yòng)算(suàn)法找到(dào)用(yòng)戶核心痛點并付諸應用(yòng)才是人工(gōng)智能(néng)企業生存的法寶。
瓶頸二：三大(dà)壁壘日益顯現(xiàn)
人工(gōng)智能(néng)的底層技術已經完成原始積累，無論從(cóng)感知(zhī)智能(néng)(弱智能(néng))的各種識别算(suàn)法超越人類感官，還是認知(zhī)智能(néng)(強智能(néng)及半強智能(néng))中AlphaGo戰勝李世石後，在2017年初化名爲Master的升級版AlphaGo在圍棋網站(zhàn)上(shàng)先後将聶衛平、柯潔等新老(lǎo)棋聖斬落馬下(xià)。人工(gōng)智能(néng)現(xiàn)階段已将其核心的深度神經網絡算(suàn)法打磨得無比鋒利。無數創業者和(hé)企業也(yě)迅速地組建了(le)人工(gōng)智能(néng)團隊，并企圖在人工(gōng)智能(néng)時(shí)代分一杯羹。先是谷歌聘請(qǐng)深度神經網絡鼻祖GeoffreyHinton，Facebook聘請(qǐng)YannLeCun，百度則聘請(qǐng)AndrewNg。再有DeepMind公司成立并被谷歌收購，SenseTime、曠視(shì)科技等等企業開(kāi)始創業，并在各自(zì)領域取得全球領先水(shuǐ)平。然而這(zhè)些(xiē)企業面臨着同樣的一個問題——如何将自(zì)己的技術進行産業化産品化并得到(dào)市場的認可。
這(zhè)些(xiē)事(shì)件說明(míng)，互聯網龍頭開(kāi)始意識到(dào)算(suàn)法将越來(lái)越不具備稀缺性，算(suàn)法的邊際改善将越來(lái)越小(xiǎo)，這(zhè)些(xiē)龍頭企業紛紛通過人事(shì)變動來(lái)調整自(zì)己的AI戰略，并将其AI産品化作(zuò)爲戰略方向。在人工(gōng)智能(néng)算(suàn)法研發投入産出比變得不再具備經濟性，且算(suàn)法本身性能(néng)已經達到(dào)成熟水(shuǐ)平的時(shí)點，AI領域的“算(suàn)法紅(hóng)利”即将消失，我們認爲數據稀缺性、産品化能(néng)力、渠道(dào)資源将構築人工(gōng)智能(néng)産業化的核心壁壘。
壁壘一：數據稀缺性
神經網絡算(suàn)法模型的建立，需要用(yòng)大(dà)量數據進行調優與完善，一定意義上(shàng)講，進行訓練的數據量越大(dà)，數據質量越好(hǎo)，訓練得到(dào)的算(suàn)法準确率越高(gāo)，因此在特定領域内數據将成爲稀缺資源及行業準入門(mén)檻。從(cóng)價值上(shàng)觀察，安防、金(jīn)融、醫(yī)療這(zhè)三類數據既有行業門(mén)檻，也(yě)具有極強的數據壟斷性。例如安防領域，如果要進行人臉比對(duì)和(hé)身份認證，算(suàn)法公司必須得到(dào)政府相關部門(mén)的授權才可以進行身份證信息提取。再者，如果人工(gōng)智能(néng)診斷影像識别公司需要大(dà)量醫(yī)學影像的原始數據，則需要大(dà)量懂得醫(yī)學專業知(zhī)識的醫(yī)生或者技術人員進行前期數據标注，這(zhè)樣才能(néng)保證數據質量的可靠性。
壁壘二：産品化能(néng)力
人工(gōng)智能(néng)的應用(yòng)涉及到(dào)較多工(gōng)程性的産品化能(néng)力，這(zhè)也(yě)将成爲人工(gōng)智能(néng)企業賴以生存的核心競争力之一。例如支付刷臉的人臉識别系統中，算(suàn)法公司通過不斷試錯，成功的将刷臉支付流程中加入了(le)“活體驗證”(眨眼、轉頭等證明(míng)用(yòng)戶是活人而不是照片)的過程。中國企業相比于海外(wài)公司具有更強的工(gōng)程化、訂單制研發能(néng)力。産品化能(néng)力一方面能(néng)補全部分“後進”公司在算(suàn)法效率上(shàng)的微弱劣勢，另一方面可以極大(dà)提升垂直場景中的功能(néng)與效率。從(cóng)技術上(shàng)而言，幾乎所有人工(gōng)智能(néng)創業公司均具有相關算(suàn)法能(néng)力，但(dàn)融入到(dào)具體場景應用(yòng)中時(shí)，工(gōng)程及産品化能(néng)力将成爲企業繞開(kāi)“路障”的一個法寶。
壁壘三：渠道(dào)優勢
我們認爲，人工(gōng)智能(néng)技術将率先應用(yòng)于ToG、ToB端應用(yòng)，而ToC端應用(yòng)較爲滞後。核心原因在于ToG、ToB領域的場景往往較爲單純，業務重複度較高(gāo)，因此人工(gōng)智能(néng)有望迅速提升業務效率，減少人工(gōng)投入。ToC端應用(yòng)由于需要根據個人用(yòng)戶進行個性化定制和(hé)調整，在人工(gōng)智能(néng)早期，數據體量不足的情況下(xià)往往體驗較差，很(hěn)難大(dà)規模推廣。ToG、ToB領域當中，人工(gōng)智能(néng)技術已在安防、教育、金(jīn)融等多個領域開(kāi)始出現(xiàn)大(dà)規模訂單落地情況。初期訂單的落地将大(dà)大(dà)降低(dī)商業模式門(mén)檻，并形成“雪球效應”：大(dà)規模的應用(yòng)也(yě)将積累大(dà)量數據，反過來(lái)迅速提升模型精确度。渠道(dào)優勢的這(zhè)種“雪球效應”所帶來(lái)的先發優勢，将成爲人工(gōng)智能(néng)企業的核心優勢。
總體來(lái)說，我國的視(shì)頻監控行業經曆四個階段：1.起步階段，傳統模拟監控，國内自(zì)主知(zhī)識産權落後，安防系統用(yòng)戶局限于政府部門(mén);2.發展階段，數字監控，安防用(yòng)戶增多，監控規模擴大(dà)，圖像數字化儲存，分辨率邁入标清時(shí)代;3.提高(gāo)階段，高(gāo)清化監控，市場容量持續增加，視(shì)頻監控系統與用(yòng)戶業務系統融合;4.智能(néng)化階段，逐步形成集數據傳輸、視(shì)頻、控制于一體的智能(néng)化安防綜合管理(lǐ)平台。中國目前正處于高(gāo)清化監控的提高(gāo)階段，此階段的市場容量持續增加，視(shì)頻監控系統與用(yòng)戶業務系統融合。随着視(shì)頻監控技術的升級，安防行業的智能(néng)化也(yě)迅速到(dào)來(lái)。與此同時(shí)，硬件設備性能(néng)的提升也(yě)爲人工(gōng)智能(néng)應用(yòng)提供了(le)重要保障。圖像識别功能(néng)所采用(yòng)的深度神經網絡算(suàn)法是采用(yòng)大(dà)量訓練集數據進行模拟和(hé)調優所構建的，這(zhè)就意味着人工(gōng)智能(néng)圖像識别技術的運算(suàn)與應用(yòng)離不開(kāi)大(dà)量數據的支持，爲模型提供的圖像信息越豐富、像素越高(gāo)、清晰度更高(gāo)，越有助于圖像識别準确率的提升。作(zuò)爲行業的重要發展方向，未來(lái)的安防行業必定是高(gāo)科技雲集的行業，AI+安防的組合模式爲行業發展最終步入智能(néng)化階段提供動力。
AI+安防在智慧城(chéng)市建設中的應用(yòng)前景與趨勢
在智慧城(chéng)市建設中，從(cóng)智慧交通可見一斑，未來(lái)人工(gōng)智能(néng)的警用(yòng)機器人将取代交通警察，實現(xiàn)公路交通安全的全方位監控、全天候巡邏、立體化監管。當前，完善公路交通安全防控體系是全國公安交通管理(lǐ)部門(mén)的重大(dà)科技建設項目。公路交通安全防控體系實現(xiàn)對(duì)公路上(shàng)車輛通行情況、交通違法情況和(hé)道(dào)路隐患及時(shí)監控、發現(xiàn)、取證、傳遞、處理(lǐ)、反饋、修正，進一步提升公路管控力度與水(shuǐ)平，進一步增強勤務管理(lǐ)科學性與針對(duì)性，及時(shí)發現(xiàn)查糾各類交通違法行爲，明(míng)顯改善了(le)道(dào)路通行秩序，有效遏制了(le)重特大(dà)交通事(shì)故。
公路交通安全防控體系涉及的核心技術是交通行爲監測、交通安全研判、交通風(fēng)險預警、交通違法執法，而這(zhè)些(xiē)技術現(xiàn)已與人工(gōng)智能(néng)融爲一體。實現(xiàn)公路交通運行狀态“看(kàn)得見”、車輛通行軌迹“摸得透”、重點違法行爲“抓得住”、安全隐患事(shì)件“消得了(le)”、路面協作(zuò)聯動“響應快(kuài)”、交通信息應用(yòng)“服務優”等目标，都離不開(kāi)人工(gōng)智能(néng)技術。
人工(gōng)智能(néng)的未來(lái)應用(yòng)，就是把現(xiàn)在交通管理(lǐ)人工(gōng)做的事(shì)情慢慢都通過系統和(hé)設備來(lái)完成，智能(néng)化程度越來(lái)越高(gāo)，初級和(hé)中級決策慢慢會(huì)被人工(gōng)智能(néng)決策替代掉，現(xiàn)在所有的智能(néng)交通産品和(hé)技術無非就是爲了(le)實現(xiàn)這(zhè)個目标。至于人工(gōng)智能(néng)在交通領域的應用(yòng)能(néng)不能(néng)理(lǐ)性發展還要看(kàn)公司本身，但(dàn)可以肯定的是——需求不可能(néng)推動理(lǐ)性發展。
未來(lái)的智能(néng)交通，一定是城(chéng)市交通大(dà)腦(nǎo)連接和(hé)管理(lǐ)城(chéng)市交通的所有智能(néng)化設施，所有交通數據都彙集到(dào)了(le)一個“大(dà)腦(nǎo)”之中，有成千上(shàng)萬的專家輔助決策方案，各個部門(mén)的管理(lǐ)模式都可以和(hé)系統相匹配，所作(zuò)出的決策有跨部門(mén)聯動的都可以順利執行。要提醒的是，和(hé)其他(tā)很(hěn)多技術一樣，人工(gōng)智能(néng)也(yě)不可能(néng)解決所有問題，尤其是一些(xiē)非技術的問題，交通運輸部公路科學研究院首席科學家王笑(xiào)京就認爲，需要避免過度“神化”智能(néng)交通技術應用(yòng)效果，通過科學規劃和(hé)系統設計(jì)形成科學的交通發展結構仍然是城(chéng)市交通發展的關鍵工(gōng)作(zuò)，智能(néng)交通技術的功能(néng)是支撐服務升級。
結語
人工(gōng)智能(néng)是安防領域的未來(lái)，在通往未來(lái)的道(dào)路上(shàng)，還有許許多多障礙和(hé)困難需要跨越和(hé)克服，但(dàn)總體趨勢是樂觀的，我們堅信隻有具備自(zì)主、個性化、不斷進化完善的人工(gōng)智能(néng)大(dà)腦(nǎo)，才能(néng)解決安防領域日益增加的需求，成爲廣大(dà)用(yòng)戶的專家和(hé)助手，提升整個安防領域的智能(néng)化水(shuǐ)平，推動安防産業的升級換代。
