當前，新的智能技術正在快速進入我們日常生活的每一個角落，悄然改變著人們的價值觀念、認知架構與生活方式，進而直接或間接改變社會經濟與政治秩序。
很顯然，AI的發展已經進入了一個臨界點，即AI已經跨過了概念階段，下一個即是如何更好的在各行各業中實現落地式應用。雖然之前的AlphaGo人機大戰，展示出了人工智能的強大，但人們更關心的不是人工智能如何戰勝人類，而是如何協助人類在各行業中更加落地的應用。
值得慶幸的是，如今AI在各行業中的落地應用，已經開始有了階段性的成果。
目前，隨著各巨頭們對AI的不斷研究和深度學習的不斷發展，人工智能技術在經歷了3次浪潮后，終于迎來了春天。人工智能目前在各行業中已經得到了大量的應用，在安防、金融、醫療、法律、教育等不同領域都有著較好的發展。
其中，安防作為我們生活中不可缺少的重要組成部分，保障著人類和社會的安全，在人工智能落地應用上，也是最好的行業之一，而縱觀目前的安防行業，能夠與人工智能相聯系的核心技術就是人臉識別。人臉識別在安防行業的應用將會體現的越來越重要，它不僅能夠通過人臉識別技術很快找到你想找到的人、或者車輛，最重要的是可以在預防安全方面起到很總要的作用。
安防領域的市場規模
根據中國安防網的統計，2016年我國安防行業總體規模已達5687億元，同比增長17%；預計未來兩年國內安防市場將維持15%的增速，2018年安防市場規模將達到7521億元。其中，在安防細分子行業中，視頻監控的市場規模占比接近一半，未來兩年預計保持13.4%的年復合增速，2018年市場規模預計達到1114億元。
目前安防市場上都有哪些典型玩家？
為方便大家對安防領域能有較為直觀的認知，我們也從產業鏈的角度做了簡要的梳理。目前，在整個行業上下游環節的參與方分別包括：
上游，包含了視頻算法提供商、芯片制造商、圖像傳感器、鏡頭模組等其他核心零部件；
中游，包含了硬件供應商、軟件服務商、系統集成商、運營服務商；
下游，為終端行業應用，涉及政府、行業、民用等領域，涵蓋公安、交通、金融、學校、出入等方向。
事實上，在技術進步的推動下，整個安防行業也在不斷發生階段性的變化，其中1.0階段主要為設備提供商，2.0階段多為解決方案提供商，3.0階段則更多轉向運營服務商。而伴隨國內安防行業的迅速發展，目前已經有一批優秀的企業迅速成長為國際領先的安防龍頭，如海康威視、大華股份、東方網力、蘇州科達等都在布局智能化。從產品路線來看，相較于傳統巨頭從下往上的布局路線，現階段的互聯網創業公司則更多是從下往上切入市場。這其中典型的有：
傳統巨頭，從渠道出發充分發揮其規模優勢，并逐漸向產業上下游延伸。一方面在積極布局芯片、算法等上游關鍵技術領域，一方面也在向下游整合集成商或運營商業務延伸。據悉，目前海康和大華兩家便占據了43%的市場份額，營收過百億，凈利在十億以上。
·海康威視，作為國內安防龍頭，海康威視在視頻監控智能化上已有上十年，其以視頻為核心的物聯網解決方案和數據運營服務提供商，面向全球提供安防可視化管理與大數據服務。
·大華股份，自2013年開始借助自身行業龍頭優勢，順應終端用戶需求，開始發展成為提供整體端到端的視頻監控解決方案、系統及服務的提供商。
創業公司，具有技術算法優勢但較難獨立實現商業化，前期多通過與傳統巨頭合作的方式實現市場布局。其中，從計算機視覺方向切入的典型公司有：
·商湯科技，成立于2014年，今年7月完成4.1億美元B輪融資，核心技術包括人臉技術、智能監控、圖像識別、文字識別等，目前在安防領域主要跟東方網力、公安三所合作。據悉，目前已經拿下新疆市場；
·依圖科技，成立于2012年，今年5月完成3.8億人民幣C輪融資，核心業務包括智能安防平臺、城市數據大腦、智慧醫療健康等，其中智能安防平臺通過精準的人臉及車輛識別技術也已服務于蘇州市公安局、福建省公安廳、貴州省公安廳等；
·曠世科技，成立于2011年，16年底完成億級美元以上C輪投資，以人臉識別為切入點，產品線包括了 FaceID、Face++、智能地產、智能安防，其中在安防領域主要涉及跟俠客島、機場案件、鐵路公安方面的合作；
·格林深瞳，成立于2013年，14年完成數千萬美元的A輪投資，產品包括深瞳人眼攝像機、皓目行為分析儀、威目車輛特征識別系統以及威目視圖大數據分析平臺，安防領域的合作對象包含武漢公安局及天津市交通管理局。
AI目前在安防領域技術和場景的應用
就目前來說，安防的本身具有兩大特性，其一、在傳統的以視頻為主的安防行業中，經過多年的發展，已經積累了大量的數據資源，恰巧滿足了人工智能基于大數據為基礎的算法模型訓練的要求；其二、安防行業中事前預防、事中響應、事后追查的特性剛好吻合了人工智能的算法和技術。
也就是說，目前AI在安防領域的應用主要通過人臉識別、車輛識別，大數據及視頻結構化技術等等進行作用的。而從行業角度來看，主要在公安、交通、樓宇、金融、工業、民用等領域應用較廣，而又以公安應用最為核心。
人工智能確實能帶來數量眾多、意義重大的收益。甚至很多收益是看得見的，從人臉識別到案情分析等。還有一些收益雖然不那么明顯，但也會對日常業務流程和消費者服務提供更強大的能力和效率。與任何范式轉變過程一樣，有時過高的期望可能會超出短期內所能實現的潛力。
我們期待著未來某一時刻，人們對AI的幻想能夠徹底幻滅，隨之而來的將會是長期、持續的價值認可，因為AI學習已經被用于改善并革新現有的系統。在歷史上，工業革命曾通過新的電力和傳送方式改變了生產和交流方法。第一次工業革命在十八世紀八十年代使用蒸汽機驅動了機械化的生產過程；第二次工業革命在十九世紀七十年代使用電力推動了商品的大規模量產；第三次工業革命在二十世紀七十年代使用電子和軟件技術實現了生產和交流的自動化。今天，隨著AI逐漸“蠶食”整個安防監控領域，我們創造價值的主要來源已成為信息本身的處理。通過用更智能的方式完成這樣的工作，AI將低調地為安防帶來效益和歷史意義。
現階段AI+安防，主要存在問題
雖然AI在安防領域的應用有著很好的前景，但目前對人、車、物的識別并沒有到達真正實用化的階段，仍然存在較多的問題需要不斷完善和解決，比如環境適應性差、數據資源分散、場景理解受限等。
(1)環境適應性差，目前鑒于車輛及道路環境的相對標準化，識別率相對較高，但對于人臉的準確識別則很容易受到光照不足、圖像模糊、目標尺寸過小或相互遮擋等環境影響，以致影響到識別準確率；
(2)數據資源分散，現階段安防領域監控數據的開放性和共享程度相對較低，很難開展多維數據的交叉融合分析，這使得人工智能分析缺乏有效的數據支撐，同樣也會影響準確率；
(3)場景理解受限，由于缺乏有效的專業領域經驗知識的積累，視頻內容的理解能力偏弱，目前的智能分析多為單場景的目標檢測和行為分析，很少涉及大范圍場景的關聯行為分析，以致很難用于異常行為分析和風險預測。
AI+安防，在落地應用上是否靠譜
說白了，我們每一次創造出的新物種，都是為了更好的服務于人類而誕生的，新物種是否能夠很好的落地應用成了關鍵。因為我們不需要對人類或社會毫無幫助的創新物種的誕生，就像AlphaGo贏了人類那有如何，頂多只能算是新技術得到創新的標志，隨著時間的流逝，人們根本不會在意、或者關心AI得到提升創新的標志是什么，只會更在意AI是如何更加落地應用的。
剛剛我們說了AI是如何在公安系統中落地應用的，其實它在其它的領域也是比較落地的，不如在物流、金融、醫療、教育，那么這里以金融領域的銀行為例，筆者前段時間去銀行辦理業務的時候，有一項是要修改初始手機號碼，在大堂經理的指導下，全程都是自動柜臺機辦理的，而步驟里面，其中就有一個就應用到了人臉識別技術，整個過程基本上比在傳統的柜臺上簡便多了，而且效率上也大大的提升。再者，AI在物流上也是比較落地的，就在近期，阿里巴巴和京東智能創儲機器人也是炒的比較火熱的。
未來AI在安防領域發展趨勢及機會
1.視頻結構化處理
目前在安防細分子行業中，視頻監控的市場規模占比接近一半，這其中蘊含著大量視頻監控數據。但目前在對視頻結構化處理過程中，多還停留在基于靜態特征的單場景的目標識別，還沒有把動作、行為等動態特征以及之間的相關性做結構化的處理。未來，如果能夠做到對視頻語義的理解，對視頻的時間、空間、行為等動態特征做結構化處理，將對后期的視頻檢索、視頻分析有較大的實用價值。
2.前端設備智能化
以往的前端設備基本只能做到高清錄像，智能分析能力則相對比較弱，而目前基于深度學習的智能分析技術也仍多在服務器上進行處理，一旦未來視頻數據量增多，服務器的傳輸帶寬以及后端存儲管理壓力就會加大，也不能滿足安防智能化在安全性、實時性、魯棒性等方面的要求。如此，前端智能化也便成了行業發展的趨勢，即可以通過內嵌深度學習算法或芯片，在設備前端實現具有結構化信息提取、人臉識別、道路實況檢測、車輛識別等多種功能。目前，典型如以IP芯片算法切入的智芯原動、基于SVAC2.0標準的欣博電子、從模組切入的人人智能等。
3.技術創新突破點
鑒于目前對人、車、物的識別準確率仍然存在較多的限制，未來在軟、硬件方面都存在相應的技術創新點。比如前端設備，未來幾年內高清顯示技術仍將持續發展，如在4K級別整合3D圖像，從2D轉向3D獲取更立體的深度數據，或借鑒人眼仿生原理讓光學系統與識別系統進行相互實時反饋獲得遠距離物體的清晰圖像，或借助星光攝像機帶來更高的對比度和更好的色彩表現以滿足夜間高品質監控需求等；而在軟件算法方面，要想攝像機采集的圖像給出最適合機器去檢測識別人臉，一方面需要做很多算法以根據當前的光照條件等環境計算出最好的成像效果，另一方面也需要盡可能的采集大量各種場景下數據。以停車場為例，當車輛進地庫時，車頭與車尾的光照差異較大，如何針對區域做局部的曝光參數調整。簡單來講，根據相機的高度、角度、環境、異常人臉等特定場景的特征提取都需要對算法做不同的改進，在此基礎上針對不同的特定場景需求，都可以給出特定的軟、硬件產品。
4.多維數據融合分析
即對多維度、多場景數據的交叉融合分析，其中包括不同設備對同一物體(人、車)的識別，也包括對不同場景的數據融合。以公共安全領域為例，在動態人臉識別中即便是只有百萬分之一的錯誤率，也會導致系統誤報率太高缺乏實用價值，而要解決此類問題，單純從人工智能算法、芯片等維度提升識別率是不夠的，需要在視頻數據的基礎上擴充數據維度，如手機定位數據、社交數據、車輛數據、消費數據等，通過這樣的大規模的、多模態數據整合以進一步提升識別效果，并在數量級上降低錯誤率。
5.細分應用場景廣泛
受益于安防領域深度學習算法的快速發展，智能安防已經得到了越來越廣泛的應用。在AI+安防3.0時代，面對安防視頻產品下游的需求，運營服務將有較大的市場空間，這也將成為我國安防產業未來的發展方向。以人臉識別為例，可廣泛應用于公安、零售、教育、金融、醫療等行業；除此之外，未來也可以嘗試新興的場景，如智慧景區，完成物品遺留檢測、客流統計以及智能巡檢等；智慧商業，對客流量統計以及人流密度檢測等。
6.準確率大打折扣
馬云的“刷臉支付”興起之后，人臉識別技術逐漸成為了熱點，各大新聞媒體不乏鼓吹“人臉識別新技術準確率達99%，比肉眼更精準”等等報道，而事實根本就不是這個樣子。在學術界上，或許人臉識別技術達到99%可以實現，但一旦要落地實現，準確率就會大打折扣了。
同時，在未來的服務器承載率上，未來高清圖像的識別率上等等是否能夠輕松的實現就還有待技術的不斷創新和改進。
很顯然，AI的發展已經進入了一個臨界點，即AI已經跨過了概念階段，下一個即是如何更好的在各行各業中實現落地式應用。雖然之前的AlphaGo人機大戰，展示出了人工智能的強大，但人們更關心的不是人工智能如何戰勝人類，而是如何協助人類在各行業中更加落地的應用。
值得慶幸的是，如今AI在各行業中的落地應用，已經開始有了階段性的成果。
目前，隨著各巨頭們對AI的不斷研究和深度學習的不斷發展，人工智能技術在經歷了3次浪潮后，終于迎來了春天。人工智能目前在各行業中已經得到了大量的應用，在安防、金融、醫療、法律、教育等不同領域都有著較好的發展。
其中，安防作為我們生活中不可缺少的重要組成部分，保障著人類和社會的安全，在人工智能落地應用上，也是最好的行業之一，而縱觀目前的安防行業，能夠與人工智能相聯系的核心技術就是人臉識別。人臉識別在安防行業的應用將會體現的越來越重要，它不僅能夠通過人臉識別技術很快找到你想找到的人、或者車輛，最重要的是可以在預防安全方面起到很總要的作用。
安防領域的市場規模
根據中國安防網的統計，2016年我國安防行業總體規模已達5687億元，同比增長17%；預計未來兩年國內安防市場將維持15%的增速，2018年安防市場規模將達到7521億元。其中，在安防細分子行業中，視頻監控的市場規模占比接近一半，未來兩年預計保持13.4%的年復合增速，2018年市場規模預計達到1114億元。
目前安防市場上都有哪些典型玩家？
為方便大家對安防領域能有較為直觀的認知，我們也從產業鏈的角度做了簡要的梳理。目前，在整個行業上下游環節的參與方分別包括：
上游，包含了視頻算法提供商、芯片制造商、圖像傳感器、鏡頭模組等其他核心零部件；
中游，包含了硬件供應商、軟件服務商、系統集成商、運營服務商；
下游，為終端行業應用，涉及政府、行業、民用等領域，涵蓋公安、交通、金融、學校、出入等方向。
事實上，在技術進步的推動下，整個安防行業也在不斷發生階段性的變化，其中1.0階段主要為設備提供商，2.0階段多為解決方案提供商，3.0階段則更多轉向運營服務商。而伴隨國內安防行業的迅速發展，目前已經有一批優秀的企業迅速成長為國際領先的安防龍頭，如海康威視、大華股份、東方網力、蘇州科達等都在布局智能化。從產品路線來看，相較于傳統巨頭從下往上的布局路線，現階段的互聯網創業公司則更多是從下往上切入市場。這其中典型的有：
傳統巨頭，從渠道出發充分發揮其規模優勢，并逐漸向產業上下游延伸。一方面在積極布局芯片、算法等上游關鍵技術領域，一方面也在向下游整合集成商或運營商業務延伸。據悉，目前海康和大華兩家便占據了43%的市場份額，營收過百億，凈利在十億以上。
·海康威視，作為國內安防龍頭，海康威視在視頻監控智能化上已有上十年，其以視頻為核心的物聯網解決方案和數據運營服務提供商，面向全球提供安防可視化管理與大數據服務。
·大華股份，自2013年開始借助自身行業龍頭優勢，順應終端用戶需求，開始發展成為提供整體端到端的視頻監控解決方案、系統及服務的提供商。
創業公司，具有技術算法優勢但較難獨立實現商業化，前期多通過與傳統巨頭合作的方式實現市場布局。其中，從計算機視覺方向切入的典型公司有：
·商湯科技，成立于2014年，今年7月完成4.1億美元B輪融資，核心技術包括人臉技術、智能監控、圖像識別、文字識別等，目前在安防領域主要跟東方網力、公安三所合作。據悉，目前已經拿下新疆市場；
·依圖科技，成立于2012年，今年5月完成3.8億人民幣C輪融資，核心業務包括智能安防平臺、城市數據大腦、智慧醫療健康等，其中智能安防平臺通過精準的人臉及車輛識別技術也已服務于蘇州市公安局、福建省公安廳、貴州省公安廳等；
·曠世科技，成立于2011年，16年底完成億級美元以上C輪投資，以人臉識別為切入點，產品線包括了 FaceID、Face++、智能地產、智能安防，其中在安防領域主要涉及跟俠客島、機場案件、鐵路公安方面的合作；
·格林深瞳，成立于2013年，14年完成數千萬美元的A輪投資，產品包括深瞳人眼攝像機、皓目行為分析儀、威目車輛特征識別系統以及威目視圖大數據分析平臺，安防領域的合作對象包含武漢公安局及天津市交通管理局。
AI目前在安防領域技術和場景的應用
就目前來說，安防的本身具有兩大特性，其一、在傳統的以視頻為主的安防行業中，經過多年的發展，已經積累了大量的數據資源，恰巧滿足了人工智能基于大數據為基礎的算法模型訓練的要求；其二、安防行業中事前預防、事中響應、事后追查的特性剛好吻合了人工智能的算法和技術。
也就是說，目前AI在安防領域的應用主要通過人臉識別、車輛識別，大數據及視頻結構化技術等等進行作用的。而從行業角度來看，主要在公安、交通、樓宇、金融、工業、民用等領域應用較廣，而又以公安應用最為核心。
人工智能確實能帶來數量眾多、意義重大的收益。甚至很多收益是看得見的，從人臉識別到案情分析等。還有一些收益雖然不那么明顯，但也會對日常業務流程和消費者服務提供更強大的能力和效率。與任何范式轉變過程一樣，有時過高的期望可能會超出短期內所能實現的潛力。
我們期待著未來某一時刻，人們對AI的幻想能夠徹底幻滅，隨之而來的將會是長期、持續的價值認可，因為AI學習已經被用于改善并革新現有的系統。在歷史上，工業革命曾通過新的電力和傳送方式改變了生產和交流方法。第一次工業革命在十八世紀八十年代使用蒸汽機驅動了機械化的生產過程；第二次工業革命在十九世紀七十年代使用電力推動了商品的大規模量產；第三次工業革命在二十世紀七十年代使用電子和軟件技術實現了生產和交流的自動化。今天，隨著AI逐漸“蠶食”整個安防監控領域，我們創造價值的主要來源已成為信息本身的處理。通過用更智能的方式完成這樣的工作，AI將低調地為安防帶來效益和歷史意義。
現階段AI+安防，主要存在問題
雖然AI在安防領域的應用有著很好的前景，但目前對人、車、物的識別并沒有到達真正實用化的階段，仍然存在較多的問題需要不斷完善和解決，比如環境適應性差、數據資源分散、場景理解受限等。
(1)環境適應性差，目前鑒于車輛及道路環境的相對標準化，識別率相對較高，但對于人臉的準確識別則很容易受到光照不足、圖像模糊、目標尺寸過小或相互遮擋等環境影響，以致影響到識別準確率；
(2)數據資源分散，現階段安防領域監控數據的開放性和共享程度相對較低，很難開展多維數據的交叉融合分析，這使得人工智能分析缺乏有效的數據支撐，同樣也會影響準確率；
(3)場景理解受限，由于缺乏有效的專業領域經驗知識的積累，視頻內容的理解能力偏弱，目前的智能分析多為單場景的目標檢測和行為分析，很少涉及大范圍場景的關聯行為分析，以致很難用于異常行為分析和風險預測。
AI+安防，在落地應用上是否靠譜
說白了，我們每一次創造出的新物種，都是為了更好的服務于人類而誕生的，新物種是否能夠很好的落地應用成了關鍵。因為我們不需要對人類或社會毫無幫助的創新物種的誕生，就像AlphaGo贏了人類那有如何，頂多只能算是新技術得到創新的標志，隨著時間的流逝，人們根本不會在意、或者關心AI得到提升創新的標志是什么，只會更在意AI是如何更加落地應用的。
剛剛我們說了AI是如何在公安系統中落地應用的，其實它在其它的領域也是比較落地的，不如在物流、金融、醫療、教育，那么這里以金融領域的銀行為例，筆者前段時間去銀行辦理業務的時候，有一項是要修改初始手機號碼，在大堂經理的指導下，全程都是自動柜臺機辦理的，而步驟里面，其中就有一個就應用到了人臉識別技術，整個過程基本上比在傳統的柜臺上簡便多了，而且效率上也大大的提升。再者，AI在物流上也是比較落地的，就在近期，阿里巴巴和京東智能創儲機器人也是炒的比較火熱的。
未來AI在安防領域發展趨勢及機會
1.視頻結構化處理
目前在安防細分子行業中，視頻監控的市場規模占比接近一半，這其中蘊含著大量視頻監控數據。但目前在對視頻結構化處理過程中，多還停留在基于靜態特征的單場景的目標識別，還沒有把動作、行為等動態特征以及之間的相關性做結構化的處理。未來，如果能夠做到對視頻語義的理解，對視頻的時間、空間、行為等動態特征做結構化處理，將對后期的視頻檢索、視頻分析有較大的實用價值。
2.前端設備智能化
以往的前端設備基本只能做到高清錄像，智能分析能力則相對比較弱，而目前基于深度學習的智能分析技術也仍多在服務器上進行處理，一旦未來視頻數據量增多，服務器的傳輸帶寬以及后端存儲管理壓力就會加大，也不能滿足安防智能化在安全性、實時性、魯棒性等方面的要求。如此，前端智能化也便成了行業發展的趨勢，即可以通過內嵌深度學習算法或芯片，在設備前端實現具有結構化信息提取、人臉識別、道路實況檢測、車輛識別等多種功能。目前，典型如以IP芯片算法切入的智芯原動、基于SVAC2.0標準的欣博電子、從模組切入的人人智能等。
3.技術創新突破點
鑒于目前對人、車、物的識別準確率仍然存在較多的限制，未來在軟、硬件方面都存在相應的技術創新點。比如前端設備，未來幾年內高清顯示技術仍將持續發展，如在4K級別整合3D圖像，從2D轉向3D獲取更立體的深度數據，或借鑒人眼仿生原理讓光學系統與識別系統進行相互實時反饋獲得遠距離物體的清晰圖像，或借助星光攝像機帶來更高的對比度和更好的色彩表現以滿足夜間高品質監控需求等；而在軟件算法方面，要想攝像機采集的圖像給出最適合機器去檢測識別人臉，一方面需要做很多算法以根據當前的光照條件等環境計算出最好的成像效果，另一方面也需要盡可能的采集大量各種場景下數據。以停車場為例，當車輛進地庫時，車頭與車尾的光照差異較大，如何針對區域做局部的曝光參數調整。簡單來講，根據相機的高度、角度、環境、異常人臉等特定場景的特征提取都需要對算法做不同的改進，在此基礎上針對不同的特定場景需求，都可以給出特定的軟、硬件產品。
4.多維數據融合分析
即對多維度、多場景數據的交叉融合分析，其中包括不同設備對同一物體(人、車)的識別，也包括對不同場景的數據融合。以公共安全領域為例，在動態人臉識別中即便是只有百萬分之一的錯誤率，也會導致系統誤報率太高缺乏實用價值，而要解決此類問題，單純從人工智能算法、芯片等維度提升識別率是不夠的，需要在視頻數據的基礎上擴充數據維度，如手機定位數據、社交數據、車輛數據、消費數據等，通過這樣的大規模的、多模態數據整合以進一步提升識別效果，并在數量級上降低錯誤率。
5.細分應用場景廣泛
受益于安防領域深度學習算法的快速發展，智能安防已經得到了越來越廣泛的應用。在AI+安防3.0時代，面對安防視頻產品下游的需求，運營服務將有較大的市場空間，這也將成為我國安防產業未來的發展方向。以人臉識別為例，可廣泛應用于公安、零售、教育、金融、醫療等行業；除此之外，未來也可以嘗試新興的場景，如智慧景區，完成物品遺留檢測、客流統計以及智能巡檢等；智慧商業，對客流量統計以及人流密度檢測等。
6.準確率大打折扣
馬云的“刷臉支付”興起之后，人臉識別技術逐漸成為了熱點，各大新聞媒體不乏鼓吹“人臉識別新技術準確率達99%，比肉眼更精準”等等報道，而事實根本就不是這個樣子。在學術界上，或許人臉識別技術達到99%可以實現，但一旦要落地實現，準確率就會大打折扣了。
同時，在未來的服務器承載率上，未來高清圖像的識別率上等等是否能夠輕松的實現就還有待技術的不斷創新和改進。
17621123178