人工智能是當前全球創新的熱點，也將是未來的核心關鍵技術。今年以來國家提出了促進人工智能和實體經濟深度融合，討論并通過了《關于促進人工智能和實體經濟深度融合的指導意見》，人工智能已經進入推進落實的關鍵時期。安防行業是人工智能落地應用的重點行業之一，這幾年不管是從政策、頂層設計層面，還是技術創新、產品研發層面，AI+安防的技術基礎和產品化都取得了重大突破與進步，人工智能進入場景應用落地的發展階段，在一些領域中實現了較快的落地應用，但AI+安防的深度融合應用與規模化應用仍是行業的重要命題。目前AI+安防的落地現狀如何？AI落地的痛點、難點是什么？需要去攻克的方向是什么？企業在推進AI+安防落地過程中取得哪些經驗？等等，本期我們邀請到了業內的一些重要企業，來一起對安防AI落地發展的相關話題進行探討，以饗讀者。
《中國安防》：經過這幾年的市場培育、推進，您覺得當前AI與安防各個業務場景的融合落地應用處于怎樣的階段？
孔慶新：分析AI在安防行業的落地速度和應用情況，我認為需要從行業自身與技術特點兩個角度來看。
首先目前安防行業處于良性的發展狀態，從上游的芯片、硬件廠商，中游的產品、軟件廠商，到下游的集成商、用戶，界限清晰。上中游的芯片、硬件、產品廠商一直在尋求新的技術突破點，進而創造新的商業價值，因此對AI算法廠商采取了積極接納的態度，促進了AI技術的落地。下游的集成商、客戶，在多年傳統安防積累后，積累了大量的音視頻數據，傳統的事后查驗機制已經無法滿足要求，更多的期望安防解決事前預防、預測的效能，這是AI落地最好的土壤。同時，近些年國家對安防也提出了主動識別的政策性要求，成為了AI在安防落地最有效的推動力。
其次，人工智能是一個涉及廣泛領域并且發展多年的技術，但最近十幾年得到突飛猛進發展的是其中基于神經網絡的機器學習技術。從我的角度理解，它的核心過程是針對大量數據(訓練數據集)進行共性或差異的分析(特征提取)，將分析結果形成可量化的規律和原則(建模-模型)，進而應用這一組規律和原則，對實際場景進行分析或解決實際問題。因此，大量訓練數據集、特征提取是這一過程的兩個關鍵環節，建模-模型-應用的硬件基礎是這一過程的保證。根據行業的特點，大量的視頻數據以及用戶明確的需求用例場景，為這一技術提供了落地的土壤；目前國內安防行業齊全的產業鏈結構，使得從芯片支撐、應用快速實現、需求明確收斂提供了落地的保障。
薛超：目前，安防的發展方向必須與AI深度融合已成為業界的一個普遍共識，安防企業在AI方向上融合的意愿也愈發強烈。在融合落地的過程中，雖然大家都有廣泛認識，但安防類的場景多樣化，每個場景下的落地狀態快慢不一。像AI與智慧城市的結合已規模化，是屬于落地較快的場景。但AI與安防可實現具體結合的場景有數十個，大多數還處于摸索階段，結合的效果欠佳。不過各家安防企業的意識都在朝著這個方向轉變，相信后面落地轉型的速度會變得很快。
鄭強：隨著新一代人工智能技術的崛起，這幾年安防人臉識別技術獲得了廣泛快速的落地應用，為用戶帶來了真正的應用價值，促進了AI+安防的發展。從應用細分領域來看，現階段交通仍是Al最成熟的應用細分領域，這一領域有成熟的產品形態與解決方案，產業鏈條分工明確清晰。另外一個是公安領域，目前也在慢慢往成熟化過渡。人臉識別應用熱潮是在2013-2014年開始起來，經過四五年的發展，公安應用也已經基本上分層，一些獨立的AI企業在公安的應用逐漸找到了自己的定位。
古超：人工智能在安防行業并不是一個全新的技術，過去那么多年行業其實也一直在發展。這幾年由于技術上的突破，人工智能進入了新的發展階段。通過這兩三年火熱發起來之后，現在進入到了平穩期，因為短期內技術上再實現很大的突破比較難。在市場方面，企業更多的是在現有的基礎上，把目前的技術進行更好地吸收消化，然后推進技術產品在更豐富的場景里面應用。人工智能帶來的影響還會持續，但會有一個過程。
《中國安防》：當前人工智能在安防已經進入場景應用落地的重要發展階段，但AI+安防的深度融合應用與規模化應用仍是行業的重要命題。您認為現階段AI+安防落地的主要難點是什么？
薛超：從我們的實踐經驗來看，遇到的主要難點表現有：
第一，場景需求的個性化。安防場景多樣化帶來了AI訴求個性化，不同的場景下根據關注點的不同，AI應用的側重點也會不同。如智慧城市中關注人的場景下，AI技術會更偏重于針對人身份的識別；政法行業中，除身份識別更多地是關注人的行為識別；等等，具體場景里個性化的需求很強烈。
第二，算法指標的準確度。當前階段，AI在人臉識別方面的準度和精度比較高，但行為識別、特征識別方面精準度提升之后才能夠滿足行業的需求。舉個例子，審訊過程中對于被審訊人員微表情的識別目前來看是達不到可用程度的，僅能用來參考。
第三，如何有效降低成本。AI與安防結合后可以提高效率、解放人力，但是在做AI升級的過程中需要付出成本，可現階段某些行業還不能接受AI的成本問題，這也在一定程度上影響了AI的推廣。
孔慶新：藍色星際主要關注在金融、軍隊、教育、司法四個領域，我們內部一直在討論、嘗試AI落地的問題。
一是技術與成本。現在很多產品都具備算法效果、功能表現非常不錯的智能功能。比如針對高密度場所(如地鐵、廣場)的高精度、快速的人臉識別，再比如針對街道場景，將行人、非機動車、機動車的分類，而且往往這種分類可以細化到行人的衣著特點、機動車的品牌、車型、顏色。并且，針對上面的分析，還會配合進一步的數據過濾、數據挖掘，進而展現一個數據統計的結果。但當我們被這些產品、技術所吸引的同時，又會因為成本、價格嘆一口氣。因為配合此類應用的后臺服務器，在民用級別也會高到3-5萬元，如果考慮到專業級別肯定更高，核算下來的單路成本都會很高。
二是需求落地。針對用戶的智能化需求，廠商往往會給出重建、新建的技術方案，利舊率很低，這無疑對多數客戶都是一個難題。只有剛需性項目比如反恐、政策性項目才有可能執行，但此類項目的特點往往是宏觀上完成合同標準，對真正使用上的便利性考慮甚少。誰都明白“一張白紙好畫畫”的道理，但真正的項目肯定不是白紙。
三是工程化支撐。在項目工程上，我們經常遇到這樣的難題：購買的人臉識別攝像機完成了智能功能，卻在成像、低照或自動對焦等方面表現較差；又或者購買的智能服務器產品無法穩定運行在某些環境，無法適應現場相對惡略的網絡部署條件，無法適應現場眾多品牌設備的集成；再例如智能平臺產品無法實現用戶的非智能化功能；此類智能產品工程化支撐的問題很多。
上述問題是安防行業在智能化應用中遇到的普遍問題，也是我們“落地”的重點。
鄭強：人工智能的發展會給行業帶來巨大的影響，但它不是萬能的，人工智能技術的應用會受場景的條件限制，應用條件需要用戶自己解決。不適應的地方如果用戶無法協調或者妥協，AI的落地就很困難，即使應用那最多也是一兩個案例。
反觀為什么AI能在交通、公安領域中能應用起來，我認為最主要的是這兩個政府市場，政府看到AI應用帶來的價值之后，能夠做一些適應AI應用的調整。當前有些用戶會理想化AI，但任何新技術都是利弊并存，“弊”的一面是不是用戶能接受，我認為這是現在AI應用的一個門檻，是AI應用需要克服的課題。因此，我認為用戶需要客觀理解技術應用的環境、條件，理解接受之后才能更好地推廣，更快地落地。
古超：我覺得主要有兩個方面，一是數據的問題。現在人工智能的自我學習對數據的要求比較高，需要有大量的數據，它不僅僅局限于視頻領域，而更多包括了語音、物聯感知等更廣泛的一些領域。對企業來說，要獲取更多維度的數據是比較困難的事情。獲取不到豐富的數據企業很難通過各種人工智能算法去打磨場景運用。二是場景的應用問題。安防行業的應用場景多樣化，場景千變萬化，而且場景應用需要和用戶的業務要結合起來，現在用戶對應用的期待不再局限于簡單的層面，而是要實現深度應用，如果不能做好這些，AI也將無法很好地落地。
《中國安防》：場景碎片化是安防行業的重要特點，碎片化帶來的主要影響是什么？在推進安防AI落地應用中您認為目前有哪些比較好的方式可以解決這個問題？
薛超：場景碎片化也就是場景多樣化，場景多樣化所帶來的主要問題就是如何滿足個性化的算法需求。目前我覺得可以從兩個方面緩解這個問題。
第一是技術層。關于個性化需求的算法指標問題，目前各家使用的都是深度學習算法，深度學習算法的精度依賴于訓練庫，要么是視頻庫，要么是圖像庫，所以說如何將類似這樣需求的訓練庫快速的傳遞至訓練系統，進而建立起來一個通道和鏈路實際上是一個有效解決的方法。每個行業都有對應的場景，每個場景都有個性化的需求，可將場景對應的圖像信息上傳至云平臺，在平臺上利用這些信息數據進行訓練。這便是業界有些公司正在做的AI訓練云平臺。關于如何實現數據與云平臺的對接，需要擁有此類平臺的公司提供一個終端，終端與云平臺是相通的，通過終端即可實現訓練庫的上傳。
第二是應用層。通過AI產業化的擴大，搜集到的圖片信息或視頻信息會越來越多，可用于參與訓練的訓練庫越來越多，進而從技術層面上促進AI的發展，形成一個正向循環的過程。在這個過程中，如何做一個階段性的嫁接很重要。安防AI的落地相當于是總目標是100分，首先要找到一個階段性提升的點，比如說60分，讓用戶能夠先進行使用，使用之后數據就多了，這時準確度就可以提升至80分，進而不斷的提升分值。
鄭強：碎片化場景會帶來碎片化的應用。碎片化的應用不是AI技術就能夠完全解決的，它需要與物聯網、AI、大數據、云計算等技術統合在一起，才能夠給用戶帶來完整的體驗。這樣的趨勢下沒有一家全能的企業可以滿足行業的所有需求，現在一些新興的領域分層以及互相的銜接還沒有完全形成，沒有達到協調統一，形成價值閉環。目前交通、公安在這方面做得比較好，但是其他的領域場景仍需要探索打造價值閉環。
古超：我認為場景碎片化不是大家要回避或抱怨的一個問題，場景的多樣化對安防行業的市場商業競爭而言是好事。豐富多樣的場景其實給我們帶來了更多的機會。現在技術框架基本都是統一的，企業需要有耐心踏踏實實在某一些或者某幾類場景中沉淀下來，把自己的技術能力真正融入到場景中，才能解決場景存在的一些問題，給客戶帶來價值。
《中國安防》：目前在標準化場景中，人臉識別、車輛結構化描述等AI技術應用已經比較成熟，非標準場景AI應用有哪些提升與突破？
薛超：非標準場景實際上講的是一個場景里面沒有AI嫁接到有嫁接的過程。在這個過程中，第一是要找到這個場景內的痛點問題，思考通過AI與產品、方案的融合能否解決問題，也就是技術突破點和商業邏輯，這是非常關鍵的。
如果AI能夠解決痛點問題，它便產生了價值，不管對于算法企業還是產品化企業都會加大相應的投入，甲方因存在痛點問題也會有相應的采購意愿，進而這個過程實現循環，AI在這個場景下也就實現了發展。但是，在這個過程中，要避免進入進入誤區，比如說亮點、酷炫的感覺，AI在解決問題、工作提效的基礎上才能大面積復制，進而實現產業化。而科技化的感覺，它的復制率很低，很難實現規模化，這樣的需求在非標準場景AI應用嫁接的過程中做得越少越好。
古超：現在業內也一直在推進這方面的發展，比如Re-ID(行人重識別、 跨境追蹤)等正逐漸得到越來越多重視與研究，這一兩年技術取得一定的進展，但要達到非標場景的精準識別還需要一定的時間。另外，我認為在解決非準化場景應用中，除了視頻以外，可以考慮把AIoT的技術有機結合起來，盡可能的從cv的圈子里面跳出來看非標準的應用問題，這樣我們的思路會更開闊，也將能夠找到更好地方法解決某些非標準場景的應用問題。
《中國安防》：您對未來兩三年內安防AI的落地應用有怎樣的預期或判斷？安防行業的發展趨勢將是怎樣的？
薛超：目前以智慧城市、雪亮工程為代表的安防場景是國家大力鼓勵發展的。同時，AI是中國制造2025很重要的一個方向，這也是國家的戰略方向，現階段這些安防場景比較成熟，所以這兩個場景未來的前景肯定是樂觀的。而且我認為安防應該是AI落地的TOP3的支撐點。因為AI一定是需要一個入口資源，入口資源無非是你看到的、聽到的、觸摸到的，實際上目前我們看到的信息占了信息量的80%以上，而安防里面恰恰有大量的視頻信息，因此我們認為安防與AI的結合會有很好的未來。
而未來的發展趨勢一定是結合AI走數據化的方向。安防行業發展至今已經建了大量的視頻資源、存儲資源，而且覆蓋面將越來越全，視頻信息量越來越大，目前行業的核心痛點是數據已經讀不過來，而且存不過來了，為此安防的發展需要AI。在視頻采集的基礎上加上AI，將其數據化會產生大數據。大數據碰撞產生業務可以解決一些行業的痛點問題，同時大數據的運營能為企業、城市、園區提供一些附加值的判斷和決策依據，未來安防行業內應該會出現一批大數據公司、數據運營公司，這也是未來發展的必然趨勢。
孔慶新：現階段，新興的AI公司逐步在和傳統安防中的芯片、產品廠商合作，甚至自己主動出擊，利用已有的人才優勢和技術優勢，將機器學習手段應用于現有的安防產品中，很大程度上解決了原有的精度低、場景適應性差的缺陷。尤其是在人臉識別、車牌識別、視頻結構化這幾個方面，完全達到了可落地應用的階段。
但從另外一個角度談，拋開安防獨立談AI是行不通的，傳統安防的核心概念和技術是要得到保障的，比如夜間成像、網絡環境適應性，這些都存在技術積累。所以我們也看到，很多客戶在AI落地的過程中過分關注新增的智能，忽視了傳統安防的穩定、清晰、適應性強的基礎要求，走了一些彎路。
另外，安防行業中的一些龍頭企業，也將AI技術與大數據、云平臺相結合，提出更大規模的產品形態。我覺得這個領域還是有很好的前景，但挑戰也是非常巨大。
鄭強：隨著行業的發展，我認為公安的人臉識別應用會進一步深化，人臉是帶動AI在公安應用的一個切入口，但今后不僅僅是人臉，會有一些新的AI技術在公安行業里出現，帶來新的機會。另外我認為在生產安全以及提高生產效率方面的行業應用，比如電力、化工等也會有一些機會。這些大型企業對安全和提高生產效率上都很重視，在安全上要求防患于未然，它的需求并不僅止于人臉識別，還包括行為、車輛分析等，它實際上是一個生產支援系統。目前文安在這方面有一些探索。
古超：對于未來兩三年，我認為從技術上短期內不會有質的提升。從其它的方面來看，除了人臉識別，今后會涌現出新的人工智能技術應用，比如聲紋。另外，我認為各種多維度數據結合在一起，包括各種維度的場景產品結合在一起，在某一些場景會給用戶帶來更加綜合性的解決方案，這種方案可能是很多用戶以前沒有體驗過的。
整體來說，人工智能會像催化劑，它與行業的融合使得各領域的智能化會達到一個新的水平。未來我們的產品、解決方案會不斷的更具AI基因，最終產品與方案會融合到某一個或某幾個細分場景中，和用戶的各種業務有機結合，將給用戶帶來真正的價值。目前我們看到一些和人們結合起來比較緊密的場景，比如社區，在未來兩三年將會得到比較大的發展。
《中國安防》：這幾年各安防廠商都積極擁抱智能化浪潮，可否與我們分享貴公司在安防AI落地方面積累的一些項目經驗或思考？
孔慶新：先前提到的客戶的四個痛點：技術、成本、需求、工程化，一直以來是我們項目落地的重點。通過我們的開發、產品、集成、銷售團隊的積極努力，已經取得了非常不錯的成績。
首先，我們的開發團隊積極關注跟蹤國內外深度學習、神經網絡進展，發揮自身優勢，將人臉、人體的跟蹤與識別過程進行深度的優化，解決、優化了高密度人群相互干擾、物體人體相互干擾等場景的算法表現，無論是精度還是準確度都能夠達到實用效果。
第二，智能算法后端化解決了多數的應用需求，但成本問題在目前的服務器方案中還沒有有效的解決辦法。針對這個問題，藍色星際利用現有的成熟算法技術以及前端嵌入式芯片的智能算子，提供支持深度學習的智能IP Camera，核算成本降低到原有后端智能方案的1/3，我相信經過幾輪的硬件、芯片優化迭代，可以將現有的智能應用的成本降低到更好的水平。
第三，我們始終認為，用戶的目標是解決問題，不是簡單的技術展現，單一的智能分析系統，不配套用戶廣泛的傳統安防監控需求是無法真正落地的。我們要給用戶提供的是一套完整的技術解決方案，AI或者智能在其中的附加價值是針對特殊事件的處理流程，它應該包含事件前期的預測、事件中期的跟蹤、應急，事件后期的應對與快速定位。單純的AI達不到這個目標，不結合AI的產品或平臺也很難達到這個目標。
第四，我們在金融和高校這兩個行業已經應用我們的解決方案和AI技術，解決用戶的實際問題。例如今年，我們在北京某金融機構，利用視頻結構化技術，針對一啟境外人員ATM安裝讀卡器的事件，將傳統50+警力、2-3個月的排查周期，成功縮短到了3天。再例如北京某高校，我們配合公安機關，在利舊的現有項目中，通過人臉識別技術，配合平臺的地圖軌跡跟蹤功能，有效的預防了多次學生的不理智行為，得到了甲方客戶的好評。
一次次的項目上線和一次次的用戶好評體現了我們的價值。成熟、穩定的研發團隊，對新技術、新領域的積極擁抱態度，深厚的安防經驗的積累，以及100%貼近用戶、為用戶定制解決問題，是我們的原則與理念，更是我們賴以生存的根本與優勢。
薛超：天地偉業從2016年就開始在全線做產品+AI、行業+AI。如果提及更早一些的訴求的話，我們從2010年開始研究交通方面的車牌、車型識別時，就已經成立了自己的算法團隊。所以我們真正是從10年前開始做AI，2016年開始全線戰略支持產品+AI、行業+AI兩條路子。
對于項目的經驗思考，主要從三個方面分享：一是追求算法更高指標。指標越高滿足的業務場景才會越全，這也是目前我們AI的一個優勢。算法指標越高能滿足的需求也將越多，所以安防與AI結合算法的指標越高越好，這一定是一個方向。二是成本越低越好。在品質的基礎上具有成本優勢將能滿足更多的用戶。
三是找痛點需求。AI落地的時候需要關注指標和成本，這兩點是最核心的關鍵項。然后再找結合點，一定要找痛點需求，不要做太多的炫酷類的亮點需求。
鄭強：文安智能的根底是做人工智能，經過這么多年的發展，我們的優勢主要有：一是在技術上，我們的技術團隊都是做AI算法出身的，擁有比較深的技術底蘊，針對用戶的需求，對于算法技術如何優化、更新等理解比較透。二是在市場方面，文安深耕智慧交通、商業零售、政府、城市精細化運營等領域多年，對這些領域業務有深刻理解，因此能夠很快地把AI應用于行業業務上。這兩塊的結合我認為很重要。
未來我們會持續推進這幾個行業的深化發展，比如交通領域會從包括架構設計以及能更低成本、更高效的把價值呈現的這種產品上持續深化打磨。在商業領域，將從前端的感知AI網、數據AI上持續挖掘。另外我們也在開拓新的市場，比如城市的精細化治理等。
古超：力維智聯是在安防行業摸爬滾打十幾年的一家公司，在視頻AI發展上一直有積累。隨著技術的革新與演變，我們發現僅僅依靠簡單的集成與連接已經不能為客戶帶來更大的價值。因此，ZNV力維基于公司在連接以及人工智能、分析增強等技術上的積累，提出了AIoT戰略，將公司定位為AIoT產品與解決方案提供商。公司基于泛在數據連接與泛在數據融合、分析、使能的技術能力以及復雜系統組網與集成能力，加大AIoT核心技術研發，并推進AIoT技術在公共安全、生產安全、社區治理、智能運維等行業場景中的落地應用。
《中國安防》：經過這幾年的市場培育、推進，您覺得當前AI與安防各個業務場景的融合落地應用處于怎樣的階段？
孔慶新：分析AI在安防行業的落地速度和應用情況，我認為需要從行業自身與技術特點兩個角度來看。
首先目前安防行業處于良性的發展狀態，從上游的芯片、硬件廠商，中游的產品、軟件廠商，到下游的集成商、用戶，界限清晰。上中游的芯片、硬件、產品廠商一直在尋求新的技術突破點，進而創造新的商業價值，因此對AI算法廠商采取了積極接納的態度，促進了AI技術的落地。下游的集成商、客戶，在多年傳統安防積累后，積累了大量的音視頻數據，傳統的事后查驗機制已經無法滿足要求，更多的期望安防解決事前預防、預測的效能，這是AI落地最好的土壤。同時，近些年國家對安防也提出了主動識別的政策性要求，成為了AI在安防落地最有效的推動力。
其次，人工智能是一個涉及廣泛領域并且發展多年的技術，但最近十幾年得到突飛猛進發展的是其中基于神經網絡的機器學習技術。從我的角度理解，它的核心過程是針對大量數據(訓練數據集)進行共性或差異的分析(特征提取)，將分析結果形成可量化的規律和原則(建模-模型)，進而應用這一組規律和原則，對實際場景進行分析或解決實際問題。因此，大量訓練數據集、特征提取是這一過程的兩個關鍵環節，建模-模型-應用的硬件基礎是這一過程的保證。根據行業的特點，大量的視頻數據以及用戶明確的需求用例場景，為這一技術提供了落地的土壤；目前國內安防行業齊全的產業鏈結構，使得從芯片支撐、應用快速實現、需求明確收斂提供了落地的保障。
薛超：目前，安防的發展方向必須與AI深度融合已成為業界的一個普遍共識，安防企業在AI方向上融合的意愿也愈發強烈。在融合落地的過程中，雖然大家都有廣泛認識，但安防類的場景多樣化，每個場景下的落地狀態快慢不一。像AI與智慧城市的結合已規模化，是屬于落地較快的場景。但AI與安防可實現具體結合的場景有數十個，大多數還處于摸索階段，結合的效果欠佳。不過各家安防企業的意識都在朝著這個方向轉變，相信后面落地轉型的速度會變得很快。
鄭強：隨著新一代人工智能技術的崛起，這幾年安防人臉識別技術獲得了廣泛快速的落地應用，為用戶帶來了真正的應用價值，促進了AI+安防的發展。從應用細分領域來看，現階段交通仍是Al最成熟的應用細分領域，這一領域有成熟的產品形態與解決方案，產業鏈條分工明確清晰。另外一個是公安領域，目前也在慢慢往成熟化過渡。人臉識別應用熱潮是在2013-2014年開始起來，經過四五年的發展，公安應用也已經基本上分層，一些獨立的AI企業在公安的應用逐漸找到了自己的定位。
古超：人工智能在安防行業并不是一個全新的技術，過去那么多年行業其實也一直在發展。這幾年由于技術上的突破，人工智能進入了新的發展階段。通過這兩三年火熱發起來之后，現在進入到了平穩期，因為短期內技術上再實現很大的突破比較難。在市場方面，企業更多的是在現有的基礎上，把目前的技術進行更好地吸收消化，然后推進技術產品在更豐富的場景里面應用。人工智能帶來的影響還會持續，但會有一個過程。
《中國安防》：當前人工智能在安防已經進入場景應用落地的重要發展階段，但AI+安防的深度融合應用與規模化應用仍是行業的重要命題。您認為現階段AI+安防落地的主要難點是什么？
薛超：從我們的實踐經驗來看，遇到的主要難點表現有：
第一，場景需求的個性化。安防場景多樣化帶來了AI訴求個性化，不同的場景下根據關注點的不同，AI應用的側重點也會不同。如智慧城市中關注人的場景下，AI技術會更偏重于針對人身份的識別；政法行業中，除身份識別更多地是關注人的行為識別；等等，具體場景里個性化的需求很強烈。
第二，算法指標的準確度。當前階段，AI在人臉識別方面的準度和精度比較高，但行為識別、特征識別方面精準度提升之后才能夠滿足行業的需求。舉個例子，審訊過程中對于被審訊人員微表情的識別目前來看是達不到可用程度的，僅能用來參考。
第三，如何有效降低成本。AI與安防結合后可以提高效率、解放人力，但是在做AI升級的過程中需要付出成本，可現階段某些行業還不能接受AI的成本問題，這也在一定程度上影響了AI的推廣。
孔慶新：藍色星際主要關注在金融、軍隊、教育、司法四個領域，我們內部一直在討論、嘗試AI落地的問題。
一是技術與成本。現在很多產品都具備算法效果、功能表現非常不錯的智能功能。比如針對高密度場所(如地鐵、廣場)的高精度、快速的人臉識別，再比如針對街道場景，將行人、非機動車、機動車的分類，而且往往這種分類可以細化到行人的衣著特點、機動車的品牌、車型、顏色。并且，針對上面的分析，還會配合進一步的數據過濾、數據挖掘，進而展現一個數據統計的結果。但當我們被這些產品、技術所吸引的同時，又會因為成本、價格嘆一口氣。因為配合此類應用的后臺服務器，在民用級別也會高到3-5萬元，如果考慮到專業級別肯定更高，核算下來的單路成本都會很高。
二是需求落地。針對用戶的智能化需求，廠商往往會給出重建、新建的技術方案，利舊率很低，這無疑對多數客戶都是一個難題。只有剛需性項目比如反恐、政策性項目才有可能執行，但此類項目的特點往往是宏觀上完成合同標準，對真正使用上的便利性考慮甚少。誰都明白“一張白紙好畫畫”的道理，但真正的項目肯定不是白紙。
三是工程化支撐。在項目工程上，我們經常遇到這樣的難題：購買的人臉識別攝像機完成了智能功能，卻在成像、低照或自動對焦等方面表現較差；又或者購買的智能服務器產品無法穩定運行在某些環境，無法適應現場相對惡略的網絡部署條件，無法適應現場眾多品牌設備的集成；再例如智能平臺產品無法實現用戶的非智能化功能；此類智能產品工程化支撐的問題很多。
上述問題是安防行業在智能化應用中遇到的普遍問題，也是我們“落地”的重點。
鄭強：人工智能的發展會給行業帶來巨大的影響，但它不是萬能的，人工智能技術的應用會受場景的條件限制，應用條件需要用戶自己解決。不適應的地方如果用戶無法協調或者妥協，AI的落地就很困難，即使應用那最多也是一兩個案例。
反觀為什么AI能在交通、公安領域中能應用起來，我認為最主要的是這兩個政府市場，政府看到AI應用帶來的價值之后，能夠做一些適應AI應用的調整。當前有些用戶會理想化AI，但任何新技術都是利弊并存，“弊”的一面是不是用戶能接受，我認為這是現在AI應用的一個門檻，是AI應用需要克服的課題。因此，我認為用戶需要客觀理解技術應用的環境、條件，理解接受之后才能更好地推廣，更快地落地。
古超：我覺得主要有兩個方面，一是數據的問題。現在人工智能的自我學習對數據的要求比較高，需要有大量的數據，它不僅僅局限于視頻領域，而更多包括了語音、物聯感知等更廣泛的一些領域。對企業來說，要獲取更多維度的數據是比較困難的事情。獲取不到豐富的數據企業很難通過各種人工智能算法去打磨場景運用。二是場景的應用問題。安防行業的應用場景多樣化，場景千變萬化，而且場景應用需要和用戶的業務要結合起來，現在用戶對應用的期待不再局限于簡單的層面，而是要實現深度應用，如果不能做好這些，AI也將無法很好地落地。
《中國安防》：場景碎片化是安防行業的重要特點，碎片化帶來的主要影響是什么？在推進安防AI落地應用中您認為目前有哪些比較好的方式可以解決這個問題？
薛超：場景碎片化也就是場景多樣化，場景多樣化所帶來的主要問題就是如何滿足個性化的算法需求。目前我覺得可以從兩個方面緩解這個問題。
第一是技術層。關于個性化需求的算法指標問題，目前各家使用的都是深度學習算法，深度學習算法的精度依賴于訓練庫，要么是視頻庫，要么是圖像庫，所以說如何將類似這樣需求的訓練庫快速的傳遞至訓練系統，進而建立起來一個通道和鏈路實際上是一個有效解決的方法。每個行業都有對應的場景，每個場景都有個性化的需求，可將場景對應的圖像信息上傳至云平臺，在平臺上利用這些信息數據進行訓練。這便是業界有些公司正在做的AI訓練云平臺。關于如何實現數據與云平臺的對接，需要擁有此類平臺的公司提供一個終端，終端與云平臺是相通的，通過終端即可實現訓練庫的上傳。
第二是應用層。通過AI產業化的擴大，搜集到的圖片信息或視頻信息會越來越多，可用于參與訓練的訓練庫越來越多，進而從技術層面上促進AI的發展，形成一個正向循環的過程。在這個過程中，如何做一個階段性的嫁接很重要。安防AI的落地相當于是總目標是100分，首先要找到一個階段性提升的點，比如說60分，讓用戶能夠先進行使用，使用之后數據就多了，這時準確度就可以提升至80分，進而不斷的提升分值。
鄭強：碎片化場景會帶來碎片化的應用。碎片化的應用不是AI技術就能夠完全解決的，它需要與物聯網、AI、大數據、云計算等技術統合在一起，才能夠給用戶帶來完整的體驗。這樣的趨勢下沒有一家全能的企業可以滿足行業的所有需求，現在一些新興的領域分層以及互相的銜接還沒有完全形成，沒有達到協調統一，形成價值閉環。目前交通、公安在這方面做得比較好，但是其他的領域場景仍需要探索打造價值閉環。
古超：我認為場景碎片化不是大家要回避或抱怨的一個問題，場景的多樣化對安防行業的市場商業競爭而言是好事。豐富多樣的場景其實給我們帶來了更多的機會。現在技術框架基本都是統一的，企業需要有耐心踏踏實實在某一些或者某幾類場景中沉淀下來，把自己的技術能力真正融入到場景中，才能解決場景存在的一些問題，給客戶帶來價值。
《中國安防》：目前在標準化場景中，人臉識別、車輛結構化描述等AI技術應用已經比較成熟，非標準場景AI應用有哪些提升與突破？
薛超：非標準場景實際上講的是一個場景里面沒有AI嫁接到有嫁接的過程。在這個過程中，第一是要找到這個場景內的痛點問題，思考通過AI與產品、方案的融合能否解決問題，也就是技術突破點和商業邏輯，這是非常關鍵的。
如果AI能夠解決痛點問題，它便產生了價值，不管對于算法企業還是產品化企業都會加大相應的投入，甲方因存在痛點問題也會有相應的采購意愿，進而這個過程實現循環，AI在這個場景下也就實現了發展。但是，在這個過程中，要避免進入進入誤區，比如說亮點、酷炫的感覺，AI在解決問題、工作提效的基礎上才能大面積復制，進而實現產業化。而科技化的感覺，它的復制率很低，很難實現規模化，這樣的需求在非標準場景AI應用嫁接的過程中做得越少越好。
古超：現在業內也一直在推進這方面的發展，比如Re-ID(行人重識別、 跨境追蹤)等正逐漸得到越來越多重視與研究，這一兩年技術取得一定的進展，但要達到非標場景的精準識別還需要一定的時間。另外，我認為在解決非準化場景應用中，除了視頻以外，可以考慮把AIoT的技術有機結合起來，盡可能的從cv的圈子里面跳出來看非標準的應用問題，這樣我們的思路會更開闊，也將能夠找到更好地方法解決某些非標準場景的應用問題。
《中國安防》：您對未來兩三年內安防AI的落地應用有怎樣的預期或判斷？安防行業的發展趨勢將是怎樣的？
薛超：目前以智慧城市、雪亮工程為代表的安防場景是國家大力鼓勵發展的。同時，AI是中國制造2025很重要的一個方向，這也是國家的戰略方向，現階段這些安防場景比較成熟，所以這兩個場景未來的前景肯定是樂觀的。而且我認為安防應該是AI落地的TOP3的支撐點。因為AI一定是需要一個入口資源，入口資源無非是你看到的、聽到的、觸摸到的，實際上目前我們看到的信息占了信息量的80%以上，而安防里面恰恰有大量的視頻信息，因此我們認為安防與AI的結合會有很好的未來。
而未來的發展趨勢一定是結合AI走數據化的方向。安防行業發展至今已經建了大量的視頻資源、存儲資源，而且覆蓋面將越來越全，視頻信息量越來越大，目前行業的核心痛點是數據已經讀不過來，而且存不過來了，為此安防的發展需要AI。在視頻采集的基礎上加上AI，將其數據化會產生大數據。大數據碰撞產生業務可以解決一些行業的痛點問題，同時大數據的運營能為企業、城市、園區提供一些附加值的判斷和決策依據，未來安防行業內應該會出現一批大數據公司、數據運營公司，這也是未來發展的必然趨勢。
孔慶新：現階段，新興的AI公司逐步在和傳統安防中的芯片、產品廠商合作，甚至自己主動出擊，利用已有的人才優勢和技術優勢，將機器學習手段應用于現有的安防產品中，很大程度上解決了原有的精度低、場景適應性差的缺陷。尤其是在人臉識別、車牌識別、視頻結構化這幾個方面，完全達到了可落地應用的階段。
但從另外一個角度談，拋開安防獨立談AI是行不通的，傳統安防的核心概念和技術是要得到保障的，比如夜間成像、網絡環境適應性，這些都存在技術積累。所以我們也看到，很多客戶在AI落地的過程中過分關注新增的智能，忽視了傳統安防的穩定、清晰、適應性強的基礎要求，走了一些彎路。
另外，安防行業中的一些龍頭企業，也將AI技術與大數據、云平臺相結合，提出更大規模的產品形態。我覺得這個領域還是有很好的前景，但挑戰也是非常巨大。
鄭強：隨著行業的發展，我認為公安的人臉識別應用會進一步深化，人臉是帶動AI在公安應用的一個切入口，但今后不僅僅是人臉，會有一些新的AI技術在公安行業里出現，帶來新的機會。另外我認為在生產安全以及提高生產效率方面的行業應用，比如電力、化工等也會有一些機會。這些大型企業對安全和提高生產效率上都很重視，在安全上要求防患于未然，它的需求并不僅止于人臉識別，還包括行為、車輛分析等，它實際上是一個生產支援系統。目前文安在這方面有一些探索。
古超：對于未來兩三年，我認為從技術上短期內不會有質的提升。從其它的方面來看，除了人臉識別，今后會涌現出新的人工智能技術應用，比如聲紋。另外，我認為各種多維度數據結合在一起，包括各種維度的場景產品結合在一起，在某一些場景會給用戶帶來更加綜合性的解決方案，這種方案可能是很多用戶以前沒有體驗過的。
整體來說，人工智能會像催化劑，它與行業的融合使得各領域的智能化會達到一個新的水平。未來我們的產品、解決方案會不斷的更具AI基因，最終產品與方案會融合到某一個或某幾個細分場景中，和用戶的各種業務有機結合，將給用戶帶來真正的價值。目前我們看到一些和人們結合起來比較緊密的場景，比如社區，在未來兩三年將會得到比較大的發展。
《中國安防》：這幾年各安防廠商都積極擁抱智能化浪潮，可否與我們分享貴公司在安防AI落地方面積累的一些項目經驗或思考？
孔慶新：先前提到的客戶的四個痛點：技術、成本、需求、工程化，一直以來是我們項目落地的重點。通過我們的開發、產品、集成、銷售團隊的積極努力，已經取得了非常不錯的成績。
首先，我們的開發團隊積極關注跟蹤國內外深度學習、神經網絡進展，發揮自身優勢，將人臉、人體的跟蹤與識別過程進行深度的優化，解決、優化了高密度人群相互干擾、物體人體相互干擾等場景的算法表現，無論是精度還是準確度都能夠達到實用效果。
第二，智能算法后端化解決了多數的應用需求，但成本問題在目前的服務器方案中還沒有有效的解決辦法。針對這個問題，藍色星際利用現有的成熟算法技術以及前端嵌入式芯片的智能算子，提供支持深度學習的智能IP Camera，核算成本降低到原有后端智能方案的1/3，我相信經過幾輪的硬件、芯片優化迭代，可以將現有的智能應用的成本降低到更好的水平。
第三，我們始終認為，用戶的目標是解決問題，不是簡單的技術展現，單一的智能分析系統，不配套用戶廣泛的傳統安防監控需求是無法真正落地的。我們要給用戶提供的是一套完整的技術解決方案，AI或者智能在其中的附加價值是針對特殊事件的處理流程，它應該包含事件前期的預測、事件中期的跟蹤、應急，事件后期的應對與快速定位。單純的AI達不到這個目標，不結合AI的產品或平臺也很難達到這個目標。
第四，我們在金融和高校這兩個行業已經應用我們的解決方案和AI技術，解決用戶的實際問題。例如今年，我們在北京某金融機構，利用視頻結構化技術，針對一啟境外人員ATM安裝讀卡器的事件，將傳統50+警力、2-3個月的排查周期，成功縮短到了3天。再例如北京某高校，我們配合公安機關，在利舊的現有項目中，通過人臉識別技術，配合平臺的地圖軌跡跟蹤功能，有效的預防了多次學生的不理智行為，得到了甲方客戶的好評。
一次次的項目上線和一次次的用戶好評體現了我們的價值。成熟、穩定的研發團隊，對新技術、新領域的積極擁抱態度，深厚的安防經驗的積累，以及100%貼近用戶、為用戶定制解決問題，是我們的原則與理念，更是我們賴以生存的根本與優勢。
薛超：天地偉業從2016年就開始在全線做產品+AI、行業+AI。如果提及更早一些的訴求的話，我們從2010年開始研究交通方面的車牌、車型識別時，就已經成立了自己的算法團隊。所以我們真正是從10年前開始做AI，2016年開始全線戰略支持產品+AI、行業+AI兩條路子。
對于項目的經驗思考，主要從三個方面分享：一是追求算法更高指標。指標越高滿足的業務場景才會越全，這也是目前我們AI的一個優勢。算法指標越高能滿足的需求也將越多，所以安防與AI結合算法的指標越高越好，這一定是一個方向。二是成本越低越好。在品質的基礎上具有成本優勢將能滿足更多的用戶。
三是找痛點需求。AI落地的時候需要關注指標和成本，這兩點是最核心的關鍵項。然后再找結合點，一定要找痛點需求，不要做太多的炫酷類的亮點需求。
鄭強：文安智能的根底是做人工智能，經過這么多年的發展，我們的優勢主要有：一是在技術上，我們的技術團隊都是做AI算法出身的，擁有比較深的技術底蘊，針對用戶的需求，對于算法技術如何優化、更新等理解比較透。二是在市場方面，文安深耕智慧交通、商業零售、政府、城市精細化運營等領域多年，對這些領域業務有深刻理解，因此能夠很快地把AI應用于行業業務上。這兩塊的結合我認為很重要。
未來我們會持續推進這幾個行業的深化發展，比如交通領域會從包括架構設計以及能更低成本、更高效的把價值呈現的這種產品上持續深化打磨。在商業領域，將從前端的感知AI網、數據AI上持續挖掘。另外我們也在開拓新的市場，比如城市的精細化治理等。
古超：力維智聯是在安防行業摸爬滾打十幾年的一家公司，在視頻AI發展上一直有積累。隨著技術的革新與演變，我們發現僅僅依靠簡單的集成與連接已經不能為客戶帶來更大的價值。因此，ZNV力維基于公司在連接以及人工智能、分析增強等技術上的積累，提出了AIoT戰略，將公司定位為AIoT產品與解決方案提供商。公司基于泛在數據連接與泛在數據融合、分析、使能的技術能力以及復雜系統組網與集成能力，加大AIoT核心技術研發，并推進AIoT技術在公共安全、生產安全、社區治理、智能運維等行業場景中的落地應用。
17621123178