为什么人工智能在安防行业落地

2017-01-22孟祥广

中国公共安全 2017年6期

□ 文/孟祥广

为什么人工智能在安防行业落地

□ 文/孟祥广

说到人工智能，很多都觉得是一个很抽象的概念，随着近两年图像识别、语音识别、人脸识别、无人驾驶与机器人等人工智能技术进入人们的视野和生活，人们对人工智能的认知度也大大提高，尤其是在过去的2016年，AlphaGo大战人类围棋冠军李世石，并且以极大优势赢得比赛，人工智能已经成为最为火热的话题，产品和技术影响诸多行业，其进入安防行业也是必然趋势，近两年安防企业都一致引入了人工智能概念并推出了极具科技感的安防智能产品，为什么人工智能会成为安防行业热点并率先落地，行业发展又呈现怎样的态势。

人工智能的发展史

人工智能（Artificial Intelligence，缩写AI）始于20世纪50年代中期，之后数十年发展起起伏伏。在 8 0 年代末随着深度学习（人工神经网络）研究的兴起，人工智能进入一个新的阶段。深度学习在历史上经历了两次低谷和三次高潮，如今正式处在第三次高潮当中，那么深度学习算法为何经历了如此大的波动呢；我们能够从其中得到什么样的启示？

首先还是来回顾一下深度学习的发展史。其最早可以追溯到1957年，Rosenblatt提出最简单的单层感知机算法。这一事件可以被认为是神经元网络类算法第一次大发展的开端，但是很快在1969年，Minsky和Papert在其出版的《感知器：计算几何简介》中提到单层神经元网络无法解决XNOR这样的简单问题，其算法存在重大的理论缺陷；同时还表示，两层以上的多层神经元网络理论上可以克服这些缺陷，拟合任何非线性问题，但当时情况下没有任何一种方法可以对多层感知机进行有效的训练，深度学习第一次陷入低谷。

直到198 6 年，Ru mel ha r和H inton等人提出了基于反向传播（Back Propagation，简称BP）算法的训练方法，使得两层神经元网络在理论上可以进行有效的训练和优化。神经元网络算法也因此进入了第二次快速发展期。这一时期最有名的突破便是1998年，L e c u n 教授第一次使用卷积神经元网络（convolutional neural network，简称CNN）在邮政手写字符识别上取得了 9 9 . 2 % 的高分，奠定了卷积神经元网络在图像处理领域的地位。但是当时的神经元网络算法也存在众多不足，最重要的就是当时没有适合于大规模并行计算的硬件，神经元网络的训练速度非常慢，并且其结构的设计和优化也需要大量的试错，缺乏经验性的指导，导致在中小数据集上的应用远没有同时期的 S V M 算法灵活和方便，因此，神经元网络算法逐渐进入了第二次低谷期。

在第二次低谷期期间，虽然外界对于神经元网络算法普遍报以不信任的态度，但是在Hinton等人的努力下，理论上逐步解决了前期神经元网络的诸多问题，提出了针对硬件能力不足和算法难以优化的“预训练-微调”方法，针对梯度消失问题的Relu激活层等。同时期GPU的大力发展也巧合的解决了并行计算问题，原本用于图形渲染的GPU架构成为了之后深度学习的利器。直到2010年前后，ImageNet数据集问世，解决了神经元网络证明自己的最后一个门槛----数据量。众所周知，在中小数据集上，以SVM为代表的浅层网络算法已经取得了相当好的效果,以至于学术界和工业界都认为其在大数据集上也会有不错的表现。然而事实却说明传统的浅层网络算法在ImageNet数据集上表现差强人意，直到2011年，其年度最佳算法的错误率仍然高达25%。此时时间转向2012年，在又经历了近10年二次低谷和潜心修炼后，神经元网络算法迎来了爆发。2012年，Alexnet网络在ImageNet数据集上取得了16.4%错误率的成绩，以10个百分点的优势夺冠，而后每年都是基于神经元网络的方法取得冠军，并年年刷新纪录。而此时的网络深度已经从lenet时期的5-8层上升为了100甚至1000层，成为了名副其实的 “ 深度学习 ”。到今天，基于 C N N 、RNN等结构的深度学习网络已经在图像分类-检测-分割、人脸识别、语音识别等方面大放异彩。

从人工智能的发展历程来看，历经两起两落，第三次浪潮还在持续中，其原因主要有：1、深层模型的表达能力（算法）的突破；2、大规模的训练数据（数据）的产生；3、高性能并行计算（硬件）出现。使得譬如微软、苹果等产业巨头纷纷加入，并把人工智能作为核心来进行发展，加大投入力度，从而才能使得基于人工智能的产品和应用可以大规模的实现。

人工智能的出口

虽然人工智能第三次浪潮使得算法大规模产品化应用成为可能，但是不可否认的是，现阶段在人工智能方面仍然存在挑战：

数据资源：海量的、多样的、有标签的数据集中在少数单位中，导致深度学习技术研究无法广泛开展

基础理论：大规模密集型计算和海量数据训练、深度神经网络模型优化等具有挑战

核心硬件：面向深度学习的架构与芯片的研制处于起步阶段

实际应用：针对不同应用场景，存在深度学习网络模型通用性的问题

产业生态：存在产学研结合不紧密，数据训练、算法验证等公共服务能力不足的问题

综上，虽然存在挑战，但是我们也应该看到，有些行业还是已经具备了非常好的基础和发展条件，比如安防行业，安防是人工智能最具市场前景的领域之一。

首先，安防行业的基础：1 、视频监控高清化，解决了视频监控从看得见到看得清的问题，视频蕴含更多的信息；2、视频监控的网络化，使得数据从分散到汇聚，传输更加快捷；正是因为有了高清化和网络化的基础，才能使得智能化得到快速发展，而智能化恰恰解决人们看得懂的问题，从越来越懂得视频中找到人们关注的重要的信息。其次，视频监控体量大：随着平安城市建设的不断推进，监控点位越来越多，从最初的几千路，到几万路，甚至于到现在几十万路的规模，为人工智能提供了坚实的基础。最后，行业需求比较大：以公安行业为例，一个中等城市：3万路高清3 0 天，视频存储容量 3 6 P B ，3 千个卡口一年的过车数据100亿条，海量监控视频中无用数据完全淹没了少有的价值数据。随着数据量的剧增，人工查阅的方式效率低、时间久，已经完全满足不了业务需求。人工进行案件关联分析、轨迹跟踪，容易受个人主观判断、数据分析量、分析维度等因素的干扰；现有的监控系统过于单一、被动,仅提供视频录入存储的功能，在事前预警、事中协作、事后检索等方面比较薄弱。

综上，从安防行业来看，数据丰富，行业客户迫切想要更智能化的产品来解决视频体量激增带来的分析问题，并且随着平安城市等建设，客户非常愿意在视频监控和智能方面加大投入。也就是说，安防本身业务应用的需求决定了安防人工智能市场的潜在需求巨大，就算没有外来资本及技术的进入，安防企业本身也会通过资本渠道去接触和学习人工智能的知识与技术。