如何成功部署人工智能？

1997年，IBM的电脑深蓝首次战胜国象棋冠军卡斯帕罗夫，但深蓝只会下国际象棋；随着数据和算力的支持，经过深度学习的快速训练，谷歌阿尔法狗在围棋领域取得了对人类的胜利，但我们问“晚上吃点什么”这样最简单的人类逻辑，它就不知道如何回答了。

人工智能的落地和应用，一项基本常识是不存在所谓的通用人工智能，AI无法解决多种多样不同类型问题；所有的智能都是应用于某一特殊领域的智能，擅长单一方面的技能，即弱人工智能。

因此只有AI和某个行业结合，才能向前发展；人工智能可能会改变几乎所有的行业，而且是”行业+ AI“，而不是”AI+行业“。我们已经处于弱人工智能的时代，在这一轮AI融入场景的浪潮中，最先落地的行业是安防，以视频前端（即室外的IPC网络摄像机，对应的后端指室内的存储和服务器）采集为特征的安防已经构筑了一张真正的物联网，成为AI、AI芯片应用的必争之地。

为什么是 安防+AI？

海量部署，需求强劲。2017年全球新增的摄像机大约在1.5亿只以上，使得视频监控由被动防御到主动预警的转变更为迫切。海量的摄像机会导致对类似于视频结构化、人脸、车牌、机动车、非机动车、人数、行为等人工智能的诉求会大大增加，人工智能在安防行业加速落地，海量的摄像机会对安防芯片以及带有AI功能的芯片有大量的需求。

更新换代，周期适度。电信行业的产品特点，基站研发周期5年，设备在网时长或固定资产生命周期5年；企业网行业的交换机研发周期1年以上，设备在网3年；而安防行业的产品研发周期短至3～9个月，设备在网2年。尽管也有因为产品质量优异而在网工作5年以上的佳话，但大部分安防产品比如IPC的行业惯例就是2年更新换代。这种换新速度，使得新技术的应用和迭代的最佳试验场景，当然也导致厂商竞争烈度大、洗牌快速。

图1：有着研发基因看似骄傲的队伍，在看似相近的行业，其实核心规律完全不同，过往经验往往是惯性和陷阱；在实践中能够从大流程到小快灵，脱下西装做泥腿子、走出实验室爬杆子才是技术落地的境界，是成功部署的真正骄傲

三个场景 成功在于需求和“地头力”

十年以前（2010年前后），安防的场景是平安城市，视频建设是看的见/网络化，联网标准从DB33标准到GB/T-28181，从 模拟、数字到网络。

五年以前（2013年前后），安防的场景扩展到智能交通，视频建设是看的清/高清化 ， 清晰度D1→1080P→4K， 编码从H.264到H.265，成像技术 低照度→星光→超星光（曾经的“黑科技”，被中国庞大工业能力所白菜化，在伸手不见五指的夜间对动态目标成像，90%的案件发生在夜间）。

当前（2016年以来），视频的技术方向就是看的懂/智能化 ，基于深度学习的机器视觉分析，广泛应用人脸、车辆、结构化 。不仅仅是安全的属性，在最新的项目部署中，视频已经成功处理着市民的日常琐事，涉及大数据信息管理、应急指挥调度、事件处置分析、智能预警布控、社会服务管理等功能——十年前电信、IT行业一度流行的以WiFi、无线为核心定义的“智慧城市”无疾而终，今天看来是仅仅铺垫了信息管道，而真正的智慧城市在以视频为中心后实现了突破，这是令人振奋的第三场景。

这三个场景是逐级演进的。一个逐渐富裕起来的群体唤醒了安全意识，就产生了平安城市，有了“深夜撸串”的保障；之后全球最大的汽车生产国、最大的新车消费市场在此诞生，我们的汽车社会就催生了智能交通，不再烦恼逃逸和套牌，并在尝试疏导拥堵；老城区人口的增加、卫星城市的建立，公民对于垃圾堆放、违停乱建甚至楼上楼下吵架的“琐事”更为敏感，就需要从管理到服务的第三场景。

这是大数据和弱人工智能一展身手的年代，不过环境也脱离实验室更为复杂，算法只是系统中的一部分，而且实践中的表现偏孱弱：从室内理论走向室外部署，任何在沙发上进行的AI打榜，都不如“脱下西装做泥腿子”，需要“深入田间地头”以业务流程不断对算法修正。商业模式可以有概率引来投资，但绝对无关企业持续经营的护城河，技术、产品和服务才是护城河。

人工智能在安防成功部署的六要素

众所周知，促成本轮人工智能高速发展的三要素是数据、算力、算法；而来自最新实践的结晶，则还要有产品、工程、方案，六要素齐备才能在安防行业持续规模部署。实验室里的完美指标，应用中表现笨拙；营销名词很重要，但在行动落地上需要摒弃唯指标论，建立全面、体系化的工勘指导，建立有效的AI工程质量评价体系。

数据。安装在各种场景中的安防摄像机能够实现24小时×365天式的全天候的采集，可以源源不断的输出海量的数据形成训练集，从这个角度来讲，安防行业以数据信息量最大、数据层次最丰富的特性展现了在人工智能应用方面先天的优势。但是，2016年以前并没有形成应用的分水岭，原因在于算法和算力在其后的突破。

算法。早期可能核心技术突破，首当其冲的是算法，AI首先要解决准确性的问题。随着深度学习的进展，相比传统的模式识别，这一瓶颈已经跨越。围绕着芯片和算法的讨论，已经成为安防业内探讨人工智能应用必备的说辞。然而基于开源的代码和网络架构，各家采用的芯片和算法大多类似，竞争之道在于如何在开源环境下塑造核心竞争力。

算力。GPU的出现把训练过程大大缩短。在中美贸易摩擦引发“技术战争”后，芯片从原本的资本市场毒药，变成了资本市场的宠儿。人工智能已然成为资本泡沐的重灾区，真正需要填补的CPU、GPU、FPGA技术空白却无人问津。笔者认同科普作者铁流的评论：“万众创芯”对于解决中国缺芯的困局意义有限，我们真正需要的是“万众用芯”。正确的方法，也需要十年之功。

产品。花式忽悠和实业落地的分水岭，做出来不难，但具备可靠、好用、便宜的特性则非常讲究积累。以摄像机为例，涉及电子、光学、机械、网络等专业，仅就机械部分而言，杭州夏天公路地表温度高达70℃，摄像机金属护罩则可以直接摊鸡蛋；在非洲因为电力供应不稳定，又要考虑宽压……笔者所在的企业，也是在每年500万台摄像机的海量部署上，在不同地域不断和老天爷战斗试错，才磨练出“精工之路”。

工程。有用户在部署AI摄像机后，效果不良，3个月都没有定位出原因，几乎当做普通摄像机使用。是产品技术本身还不够成熟么？用服现场排障表明，安装的时候有40%的比例工勘流于形式，点位不符合要求。因为摄像机一般安装在8米高的灯杆上，所以这项工作也被苦中寻乐，断章取义戏称作“爬杆子”。有别于电信、IT在机房内的部署，安防在采集端（即摄像机）需要适应环境天候的室外部署，爬杆子的水平是人工智能落地的关键。

方案。摄像机从管理、存储，到检索等等，都是方案的一部分。有的厂家完全靠前端智能；有的靠后端的智能，做NVR等设备；有的在存储方面做对应的智能，对应的GPU；有的靠中心做对应的服务器的集群再去做智能；还有的通过云端来做智能……这些都可以算为解决方案的一部分。有以上各部分，再加上AI六要素全面发力，最终的目的是交付给客户的系统TCO要低，并且性价比是最高的，这样的解决方案才是最优的。

图2：AI对安防监控系统全流程的挑战，图示室外和室内设备，具备AI六要素，可靠且TCO优秀，才是好的AI部署

后记：AI部署走出实验室 实战爬杆子

安防被认为是AI落地的最佳领域，但AI在安防领域的利用率不到1%，就技术本身来说，宣传的声音很大，其实离落地还非常漫长，因为从科学（从0到1）到工程（从1到N）都是很漫长的。安防行业AI工程化落地的挑战很大：比如在实验室里面做一个测试，图片质量非常高，但它只是实验室的一种结果；在街道上条件多变、人来人往，如果图片像素质量有差距的话，基本上连30%可用的水平都很难达到。所以从实验室90%的水平，到克服实际场景中30%的水平，其间是一个从科学到工程的过程。这过程可能很漫长，所以AI远远没有到一个非常乐观的大规模应用的时代。

人工智能是一个好故事，但更需要务实爬杆子，看到和得到之间，有两个字叫“做到”，做不到就是陷阱，做到了就是机会 。在产品成功的所有要素中，实战中经受磨砺并快速迭代居第一位，大方向正确即可切入，剩下看迭代能力和纠错机制。

对于产品和工程化的深度理解和实践，是一个国家在人工智能科技发展进程中的精神气质。在人工智能时代，能不被AI花式忽悠，实现产品和解决方案的迭代、升级和跨越式发展，最理性最有未来。