AI+安防在智慧城市建设中有哪些应用瓶颈与疑难？

机械思维驱动了工业革命，数据思维则引爆了智能革命。这是最坏的世界，也是最好的世界。当下，我们就身处一场智能革命之中，云计算、大数据、人工智能这些技术正在为各个行业迈向智能化而贡献力量。

在智能技术的驱动下，我们的社会活动将会产生何种变化？我们的未来城市又会朝着哪个方向发展？以AI为代表的新技术，正在促进智慧城市的进一步发展。

AI+安防在智慧城市建设中应用瓶颈与疑难

随着人工智能应用潮水般发展，AI+安防应用瓶颈和疑难也愈加凸显

瓶颈一：“算法红利”即将消失

作为人工智能领域里最为知名的算法比赛ImageNet是目前世界上图像识别最大的数据库。这个项目是美国斯坦福的计算机科学家，模拟人类的识别系统建立的。经过2010-2015年的发展，人脸识别算法已从浅层神经网络向复杂的深度神经网络算法发展，由最初的（2012年）8层神经网络发展成为2015年的152层神经网络。

而识别率也迅速提升，由浅层网络的28.2%的错误率迅速降至3.57%。2010-2016年，人工智能的各类算法识别率节节攀升，核心原因在于：1.硬件算力迅速提升，特别是GPU的广泛应用，允许神经网络模型更加庞大;2.神经网络算法本身也经历演化与自身加持，算法效率与识别率进一步提升。时至今日，伴随着动辄1000多层的超深度神经网络模型的建立，神经网络算法已达到数据饱和状态，语音与图像的识别率进入瓶颈区域，若无算法层级上的突破，未来识别算法的效能提升将迅速边际递减。

与此同时，以谷歌研究院、微软研究院为代表的人工智能研究领军机构在算法开源化做出的努力，软件工程师可以迅速通过谷歌、微软等公司提供的人工智能开发包进行“二次开发”，实现人工智能全新领域的应用。随着人工智能研发的门槛迅速降低，全球各地打着“人工智能”旗号的创业企业如雨后春笋般的出现，并获得了资本市场追捧，人工智能市场竞争越发激烈。国内人工智能领域创业者纷纷表示人工智能算法的优势地位顶多只能维持6个月，谷歌、百度等一众行业霸主在单个算法上也仅能保持6个月的领先。“算法红利”即将消失，如何利用算法找到用户核心痛点并付诸应用才是人工智能企业生存的法宝。

瓶颈二：三大壁垒日益显现

人工智能的底层技术已经完成原始积累，无论从感知智能（弱智能）的各种识别算法超越人类感官，还是认知智能（强智能及半强智能）中AlphaGo战胜李世石后，在2017年初化名为Master的升级版AlphaGo在围棋网站上先后将聂卫平、柯洁等新老棋圣斩落马下。人工智能现阶段已将其核心的深度神经网络算法打磨得无比锋利。无数创业者和企业也迅速地组建了人工智能团队，并企图在人工智能时代分一杯羹。先是谷歌聘请深度神经网络鼻祖GeoffreyHinton，Facebook聘请YannLeCun，百度则聘请AndrewNg。再有DeepMind公司成立并被谷歌收购，SenseTime、旷视科技等等企业开始创业，并在各自领域取得全球领先水平。然而这些企业面临着同样的一个问题——如何将自己的技术进行产业化产品化并得到市场的认可。

这些事件说明，互联网龙头开始意识到算法将越来越不具备稀缺性，算法的边际改善将越来越小，这些龙头企业纷纷通过人事变动来调整自己的AI战略，并将其AI产品化作为战略方向。在人工智能算法研发投入产出比变得不再具备经济性，且算法本身性能已经达到成熟水平的时点，AI领域的“算法红利”即将消失，我们认为数据稀缺性、产品化能力、渠道资源将构筑人工智能产业化的核心壁垒。

壁垒一：数据稀缺性

神经网络算法模型的建立，需要用大量数据进行调优与完善，一定意义上讲，进行训练的数据量越大，数据质量越好，训练得到的算法准确率越高，因此在特定领域内数据将成为稀缺资源及行业准入门槛。从价值上观察，安防、金融、医疗这三类数据既有行业门槛，也具有极强的数据垄断性。例如安防领域，如果要进行人脸比对和身份认证，算法公司必须得到政府相关部门的授权才可以进行身份证信息提取。再者，如果人工智能诊断影像识别公司需要大量医学影像的原始数据，则需要大量懂得医学专业知识的医生或者技术人员进行前期数据标注，这样才能保证数据质量的可靠性。

壁垒二：产品化能力

人工智能的应用涉及到较多工程性的产品化能力，这也将成为人工智能企业赖以生存的核心竞争力之一。例如支付刷脸的人脸识别系统中，算法公司通过不断试错，成功的将刷脸支付流程中加入了“活体验证”（眨眼、转头等证明用户是活人而不是照片）的过程。中国企业相比于海外公司具有更强的工程化、订单制研发能力。产品化能力一方面能补全部分“后进”公司在算法效率上的微弱劣势，另一方面可以极大提升垂直场景中的功能与效率。从技术上而言，几乎所有人工智能创业公司均具有相关算法能力，但融入到具体场景应用中时，工程及产品化能力将成为企业绕开“路障”的一个法宝。

壁垒三：渠道优势

我们认为，人工智能技术将率先应用于ToG、ToB端应用，而ToC端应用较为滞后。核心原因在于ToG、ToB领域的场景往往较为单纯，业务重复度较高，因此人工智能有望迅速提升业务效率，减少人工投入。ToC端应用由于需要根据个人用户进行个性化定制和调整，在人工智能早期，数据体量不足的情况下往往体验较差，很难大规模推广。ToG、ToB领域当中，人工智能技术已在安防、教育、金融等多个领域开始出现大规模订单落地情况。初期订单的落地将大大降低商业模式门槛，并形成“雪球效应”：大规模的应用也将积累大量数据，反过来迅速提升模型精确度。渠道优势的这种“雪球效应”所带来的先发优势，将成为人工智能企业的核心优势。

总体来说，我国的视频监控行业经历四个阶段：1.起步阶段，传统模拟监控，国内自主知识产权落后，安防系统用户局限于政府部门;2.发展阶段，数字监控，安防用户增多，监控规模扩大，图像数字化储存，分辨率迈入标清时代;3.提高阶段，高清化监控，市场容量持续增加，视频监控系统与用户业务系统融合;4.智能化阶段，逐步形成集数据传输、视频、控制于一体的智能化安防综合管理平台。中国目前正处于高清化监控的提高阶段，此阶段的市场容量持续增加，视频监控系统与用户业务系统融合。随着视频监控技术的升级，安防行业的智能化也迅速到来。与此同时，硬件设备性能的提升也为人工智能应用提供了重要保障。图像识别功能所采用的深度神经网络算法是采用大量训练集数据进行模拟和调优所构建的，这就意味着人工智能图像识别技术的运算与应用离不开大量数据的支持，为模型提供的图像信息越丰富、像素越高、清晰度更高，越有助于图像识别准确率的提升。作为行业的重要发展方向，未来的安防行业必定是高科技云集的行业，AI+安防的组合模式为行业发展最终步入智能化阶段提供动力。

AI+安防在智慧城市建设中的应用前景与趋势

在智慧城市建设中，从智慧交通可见一斑，未来人工智能的警用机器人将取代交通警察，实现公路交通安全的全方位监控、全天候巡逻、立体化监管。当前，完善公路交通安全防控体系是全国公安交通管理部门的重大科技建设项目。公路交通安全防控体系实现对公路上车辆通行情况、交通违法情况和道路隐患及时监控、发现、取证、传递、处理、反馈、修正，进一步提升公路管控力度与水平，进一步增强勤务管理科学性与针对性，及时发现查纠各类交通违法行为，明显改善了道路通行秩序，有效遏制了重特大交通事故。

公路交通安全防控体系涉及的核心技术是交通行为监测、交通安全研判、交通风险预警、交通违法执法，而这些技术现已与人工智能融为一体。实现公路交通运行状态“看得见”、车辆通行轨迹“摸得透”、重点违法行为“抓得住”、安全隐患事件“消得了”、路面协作联动“响应快”、交通信息应用“服务优”等目标，都离不开人工智能技术。

人工智能的未来应用，就是把现在交通管理人工做的事情慢慢都通过系统和设备来完成，智能化程度越来越高，初级和中级决策慢慢会被人工智能决策替代掉，现在所有的智能交通产品和技术无非就是为了实现这个目标。至于人工智能在交通领域的应用能不能理性发展还要看公司本身，但可以肯定的是——需求不可能推动理性发展。

未来的智能交通，一定是城市交通大脑连接和管理城市交通的所有智能化设施，所有交通数据都汇集到了一个“大脑”之中，有成千上万的专家辅助决策方案，各个部门的管理模式都可以和系统相匹配，所作出的决策有跨部门联动的都可以顺利执行。要提醒的是，和其他很多技术一样，人工智能也不可能解决所有问题，尤其是一些非技术的问题，交通运输部公路科学研究院首席科学家王笑京就认为，需要避免过度“神化”智能交通技术应用效果，通过科学规划和系统设计形成科学的交通发展结构仍然是城市交通发展的关键工作，智能交通技术的功能是支撑服务升级。

结语

人工智能是安防领域的未来，在通往未来的道路上，还有许许多多障碍和困难需要跨越和克服，但总体趋势是乐观的，我们坚信只有具备自主、个性化、不断进化完善的人工智能大脑，才能解决安防领域日益增加的需求，成为广大用户的专家和助手，提升整个安防领域的智能化水平，推动安防产业的升级换代。