AI安防应用突围的三大问题与挑战

2019-05-20陈航锋

中国公共安全 2019年11期

□ 文/陈航锋

安防行业近20年的发展经过了从模拟到数字，从标清到高清的变革，目前进入了人工智能的变革时代。数字和高清的变革目标明确，产业界没有过多的犹豫和反复，几乎是发令枪一响，赛道上的所有选手奔着同一个方向和目标努力，各种配套、各种标准有序跟进，商业落地的效果也很显著，安防行业重新洗牌，改变小而散的状态，形成具备很强落地和创新能力的安防产业头部企业群格局。有了前述良好的行业基础，再凭借安防以视频为核心的天然优势，安防成为了人工智能落地的最佳选择。

据艾瑞咨询统计，2018年中国人工智能赋能实体经济各产业的份额中，“AI+安防”占比超过50%。人工智能在安防行业的落地增速也在持续加速，安防企业中的AI化所占比例在持续增加，据艾瑞咨询披露，2018年，我国AI+安防软硬件市场规模达到135亿元，部分头部安防厂商AI业务在总营收中占比从大约4%提升至超过8%，部分典型AI公司安防业务则占接近一半的营业收入。2018年城市公共安防中AI渗透率达到2.6%。预计2019年市场仍将保持高增速，到十三五收官之年2020年增速开始稳定，届时市场规模可达到453亿元（城市公共安防AI渗透率达到11%），2022年市场规模有望突破700亿元（城市公共安防AI渗透率达到25%）。

尽管人工智能在安防行业开了一个好头，落地好，增速快，但并不意味着人工智能在安防行业的发展过程一帆风顺，发展前路一马平川，有很多的挑战和问题需要解决。以下从工程化的挑战、标准化的缺失和AI需求的碎片化三个角度阐述当前面临的问题和挑战。

工程化的挑战

纵观目前安防+AI落地好的场景，工程属性的问题解决得好是必要条件，前端的工程属性包括布点、工堪、立杆、安装、补光、调试等等，后端的工程属性主要是指数据的技战法。比如ITS的应用是一个典型的AI落地场景，人工智能最早在安防行业落地就是从ITS开始，前端的卡口和电警等设备，被明确地定义了工程属性参数，在停止线后多少距离布点、抓拍点至立杆距离多少，配什么样的镜头，抓拍几车道，补光灯强度要求多少，安装照射角度是什么，调试规范怎样等等，都有严格的工堪表格和实施规范。按这样的工程属性安装和调试的系统，再加上后端数据的技战法，可以最大程度地满足客户的需求。从ITS衍生的出入口停车场车辆管理系统，明确的工程化属性定义，加上后端的数据运维平台，是典型的to G端到to B端衍生的案例。

再比如人脸识别相机，要求安装高度、人脸像素大小、补光等等。反过来思考，如果离开或者弱化这些工程化属性实施的可能性，人工智能在安防行业的落地还能继续发挥优势吗？首先，强调工程化本质上没有错，工程上意味着场景的准确定义和人工智能的可实施可复制；其次，算法的不断进步，以及用于算法训练的场景素材不断丰富，正在泛化人工智能的适应性能力，逐步减弱对工程化属性的依赖；再次，客户调整需求和对人工智能的期望值，比如使用两个泛智能的摄像机，代替一个工程属性极强的专业智能摄像机，抓拍率也许可以达到同样的效果，但降低了工程实施的难度和整体TCO。

标准化的缺失

一个行业的大发展离不开标准化的制定，标准化是现代大生产的必要条件，可以提升效率、科学管理、增进信息流通，以及孵化创新等。标准化工作对人工智能及其产业发展具有基础性、支撑性、引领性的作用，既是推动产业创新发展的关键抓手，也是产业竞争的制高点。世界发达国家纷纷在新一轮国际竞争中争取掌握主导权，围绕人工智能出台规划和政策，对人工智能核心技术、顶尖人才、标准规范等进行部署，加快促进人工智能技术和产业发展。主要科技企业不断加大资金和人力投入，抢占人工智能发展制高点。

安防行业目前缺少人工智能的行业技术标准，去统一和规范人工智能在安防行业的落地和持续创新。比如人工智能芯片的算力标称，目前没有一个统一的标准去规范。各个厂家都有自己的标称测试评估体系，各芯片之间横向的对比标准缺失。如果想评估一款芯片的真正算力，目前的方法只能是通过花人力进行算法的实测对比。再比如人脸识别系统和以图搜图系统，各个厂家都有自己的算法和模型，假如一个客户使用了不同家的算法，后台数据侧的研判就会出现问题，不同厂家不同模型产生的数据之间不能互通，只能割裂地进行分析，这会给数据分析、设备扩容等等带来很大的麻烦。2018年1月，国家人工智能标准化总体组、专家咨询组成立大会召开。在会上，国家标准化管理委员会宣布成立国家人工智能标准化总体组、专家咨询组，负责全面统筹规划和协调管理我国人工智能标准化工作。

AI需求的碎片化问题

人工智能的大热，让人们对人工智能解决各行各业痛点的期望逐步加大。视频监控在迎来人工智能时代之前，主要是人工地查和看。因为有了人工智能的普及，人们会提出各种各样智能的需求：化工厂提出检测原料的跑冒滴漏，宠物店提出检测宠物，厨房提出检测不规范操作行为等等。旺盛的AI需求与碎片化AI的落地难形成了鲜明对比。要解决碎片化AI需求的落地难问题，算力、算法和数据是三个重要要素。同时，已经有人在尝试使用开放的训练平台去解决碎片化需求满足的问题，将与需求紧密相关的训练数据和应用场景问题交给需求提出方，平台发挥算力和算法的优势。