人工智慧如何成功部署：脫下西裝做泥腿子，還要會爬杆子

【文/觀察者網專欄作者 楊正】

1997年，IBM的電腦深藍首次戰勝國象棋冠軍卡斯帕羅夫，但深藍只會下國際象棋；隨著數據和算力的支持，經過深度學習的快速訓練，谷歌阿爾法狗在圍棋領域取得了對人類的勝利，但我們問「晚上吃點什麼」這樣最簡單的人類邏輯，它就不知道如何回答了。

人工智慧的落地和應用，一項基本常識是不存在所謂的通用人工智慧，AI無法解決多種多樣不同類型問題；所有的智能都是應用於某一特殊領域的智能，擅長單一方面的技能，即弱人工智慧。

因此只有AI和某個行業結合，才能向前發展；人工智慧可能會改變幾乎所有的行業，而且是」行業+ AI「，而不是」AI+行業「。我們已經處於弱人工智慧的時代，在這一輪AI融入場景的浪潮中，最先落地的行業是安防，以視頻前端（即室外的IPC網路攝像機，對應的後端指室內的存儲和伺服器）採集為特徵的安防已經構築了一張真正的物聯網，成為AI、AI晶元應用的必爭之地。

為什麼是安防+AI？

海量部署，需求強勁。2017年全球新增的攝像機大約在1.5億隻以上，使得視頻監控由被動防禦到主動預警的轉變更為迫切。海量的攝像機會導致對類似於視頻結構化、人臉、車牌、機動車、非機動車、人數、行為等人工智慧的訴求會大大增加，人工智慧在安防行業加速落地，海量的攝像機會對安防晶元以及帶有AI功能的晶元有大量的需求。

更新換代，周期適度。電信行業的產品特點，基站研發周期5年，設備在網時長或固定資產生命周期5年；企業網行業的交換機研發周期1年以上，設備在網3年；而安防行業的產品研發周期短至3～9個月，設備在網2年。儘管也有因為產品質量優異而在網工作5年以上的佳話，但大部分安防產品比如IPC的行業慣例就是2年更新換代。這種換新速度，使得新技術的應用和迭代的最佳試驗場景，當然也導致廠商競爭烈度大、洗牌快速。

圖1：有著研發基因看似驕傲的隊伍，在看似相近的行業，其實核心規律完全不同，過往經驗往往是慣性和陷阱；在實踐中能夠從大流程到小快靈，脫下西裝做泥腿子、走出實驗室爬杆子才是技術落地的境界，是成功部署的真正驕傲

三個場景 成功在於需求和「地頭力」

十年以前（2010年前後），安防的場景是平安城市，視頻建設是看的見/網路化，聯網標準從DB33標準到GB/T-28181，從 模擬、數字到網路。

五年以前（2013年前後），安防的場景擴展到智能交通，視頻建設是看的清/高清化 ， 清晰度D11080P4K， 編碼從H.264到H.265，成像技術 低照度星光超星光（曾經的「黑科技」，被中國龐大工業能力所白菜化，在伸手不見五指的夜間對動態目標成像，90%的案件發生在夜間）。

當前（2016年以來），視頻的技術方向就是看的懂/智能化 ，基於深度學習的機器視覺分析，廣泛應用人臉、車輛、結構化 。不僅僅是安全的屬性，在最新的項目部署中，視頻已經成功處理著市民的日常瑣事，涉及大數據信息管理、應急指揮調度、事件處置分析、智能預警布控、社會服務管理等功能——十年前電信、IT行業一度流行的以WiFi、無線為核心定義的「智慧城市」無疾而終，今天看來是僅僅鋪墊了信息管道，而真正的智慧城市在以視頻為中心後實現了突破，這是令人振奮的第三場景。

這三個場景是逐級演進的。一個逐漸富裕起來的群體喚醒了安全意識，就產生了平安城市，有了「深夜擼串」的保障；之後全球最大的汽車生產國、最大的新車消費市場在此誕生，我們的汽車社會就催生了智能交通，不再煩惱逃逸和套牌，並在嘗試疏導擁堵；老城區人口的增加、衛星城市的建立，公民對於垃圾堆放、違停亂建甚至樓上樓下吵架的「瑣事」更為敏感，就需要從管理到服務的第三場景。

這是大數據和弱人工智慧一展身手的年代，不過環境也脫離實驗室更為複雜，演算法只是系統中的一部分，而且實踐中的表現偏孱弱：從室內理論走向室外部署，任何在沙發上進行的AI打榜，都不如「脫下西裝做泥腿子」，需要「深入田間地頭」以業務流程不斷對演算法修正。商業模式可以有概率引來投資，但絕對無關企業持續經營的護城河，技術、產品和服務才是護城河。

人工智慧在安防成功部署的六要素

眾所周知，促成本輪人工智慧高速發展的三要素是數據、算力、演算法；而來自最新實踐的結晶，則還要有產品、工程、方案，六要素齊備才能在安防行業持續規模部署。實驗室里的完美指標，應用中表現笨拙；營銷名詞很重要，但在行動落地上需要摒棄唯指標論，建立全面、體系化的工勘指導，建立有效的AI工程質量評價體系。

數據。安裝在各種場景中的安防攝像機能夠實現24小時×365天式的全天候的採集，可以源源不斷的輸出海量的數據形成訓練集，從這個角度來講，安防行業以數據信息量最大、數據層次最豐富的特性展現了在人工智慧應用方面先天的優勢。但是，2016年以前並沒有形成應用的分水嶺，原因在於演算法和算力在其後的突破。

演算法。早期可能核心技術突破，首當其衝的是演算法，AI首先要解決準確性的問題。隨著深度學習的進展，相比傳統的模式識別，這一瓶頸已經跨越。圍繞著晶元和演算法的討論，已經成為安防業內探討人工智慧應用必備的說辭。然而基於開源的代碼和網路架構，各家採用的晶元和演算法大多類似，競爭之道在於如何在開源環境下塑造核心競爭力。

算力。GPU的出現把訓練過程大大縮短。在中美貿易摩擦引發「技術戰爭」後，晶元從原本的資本市場毒藥，變成了資本市場的寵兒。人工智慧已然成為資本泡沐的重災區，真正需要填補的CPU、GPU、FPGA技術空白卻無人問津。筆者認同科普作者鐵流的評論：「萬眾創芯」對於解決中國缺芯的困局意義有限，我們真正需要的是「萬眾用芯」。正確的方法，也需要十年之功。

產品。花式忽悠和實業落地的分水嶺，做出來不難，但具備可靠、好用、便宜的特性則非常講究積累。以攝像機為例，涉及電子、光學、機械、網路等專業，僅就機械部分而言，杭州夏天公路地表溫度高達70℃，攝像機金屬護罩則可以直接攤雞蛋；在非洲因為電力供應不穩定，又要考慮寬壓……筆者所在的企業，也是在每年500萬台攝像機的海量部署上，在不同地域不斷和老天爺戰鬥試錯，才磨練出「精工之路」。

工程。有用戶在部署AI攝像機後，效果不良，3個月都沒有定位出原因，幾乎當做普通攝像機使用。是產品技術本身還不夠成熟么？用服現場排障表明，安裝的時候有40%的比例工勘流於形式，點位不符合要求。因為攝像機一般安裝在8米高的燈桿上，所以這項工作也被苦中尋樂，斷章取義戲稱作「爬杆子」。有別於電信、IT在機房內的部署，安防在採集端（即攝像機）需要適應環境天候的室外部署，爬杆子的水平是人工智慧落地的關鍵。

方案。攝像機從管理、存儲，到檢索等等，都是方案的一部分。有的廠家完全靠前端智能；有的靠後端的智能，做NVR等設備；有的在存儲方面做對應的智能，對應的GPU；有的靠中心做對應的伺服器的集群再去做智能；還有的通過雲端來做智能……這些都可以算為解決方案的一部分。有以上各部分，再加上AI六要素全面發力，最終的目的是交付給客戶的系統TCO要低，並且性價比是最高的，這樣的解決方案才是最優的。

圖2：AI對安防監控系統全流程的挑戰，圖示室外和室內設備，具備AI六要素，可靠且TCO優秀，才是好的AI部署

後記：AI部署走出實驗室 實戰爬杆子

安防被認為是AI落地的最佳領域，但AI在安防領域的利用率不到1%，就技術本身來說，宣傳的聲音很大，其實離落地還非常漫長，因為從科學（從0到1）到工程（從1到N）都是很漫長的。安防行業AI工程化落地的挑戰很大：比如在實驗室裡面做一個測試，圖片質量非常高，但它只是實驗室的一種結果；在街道上條件多變、人來人往，如果圖片像素質量有差距的話，基本上連30%可用的水平都很難達到。所以從實驗室90%的水平，到克服實際場景中30%的水平，其間是一個從科學到工程的過程。這過程可能很漫長，所以AI遠遠沒有到一個非常樂觀的大規模應用的時代。

人工智慧是一個好故事，但更需要務實爬杆子，看到和得到之間，有兩個字叫「做到」，做不到就是陷阱，做到了就是機會 。在產品成功的所有要素中，實戰中經受磨礪並快速迭代居第一位，大方向正確即可切入，剩下看迭代能力和糾錯機制。

對於產品和工程化的深度理解和實踐，是一個國家在人工智慧科技發展進程中的精神氣質。在人工智慧時代，能不被AI花式忽悠，實現產品和解決方案的迭代、升級和跨越式發展，最理性最有未來。

參考文獻：

[1]謝會斌，宇視研究院院長，謝會斌：跨越安防AI大規模落地的裂谷，億歐：2018-05-30

[2]鐵流，中國晶元發展需要「萬眾用芯」 而非「萬眾創芯，科工力量：2018-07-03

[3]Raj Reddy，圖靈獎得主，Raj Reddy：不存在通用AI，但未來會出現超智能，新智元：2018-06-09

[4]張鵬國，深圳安防展淺見一二三，宇視科技微信號：2017-10-31

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！