过去一年，AI安全市场经历了实体经济的挣扎，AI菜鸟的锋芒，资产的疯狂泡沫，以及共同利益的重建。变革显然已经成为AI安全行业的时代主题。商业模式在变，盈利模式在变，行业参与者在变，消费习惯也在变；大量新名词、新公司的出现，让传统的老人无所适从。说麻烦。大背景下，赛道玩家必须一步一个脚印，了解新技术下行业的未来趋势，而这将决定企业的产品周期和行业竞争的最终胜负。于是，在即将到来的2019年，雷锋网AI掘金采访了数十位行业专家和企业高管，整合了他们的观点和看法，记录了他们认为过去一年包括来年发生的事情。、AI安防市场的八大技术趋势和两大行业趋势。AI安防“3D可视化”过去五年安防行业一直处于被计算机视觉技术重新定义的阶段，但其发展也受到视觉的技术瓶颈。CVPR2022大会主席权龙教授曾表示，虽然计算机视觉对安防行业有很大的推动作用，但其应用范围无非是识别人、车、物等单一应用，仅限于二维识别。未来大规模城市级3D重建将成为重中之重，重新定义智慧安防。3D视觉的最终目标并不是目前一些AI公司所从事的静态场景中人脸的3D高精度识别，而是利用摄像头系统实现对整个城市的实时3D重建，并在重建实景图像，完成对一切事物的识别、建模和决策。“我们的最终目标是理解图像，也就是认知，但目前的计算机视觉只处于感知阶段，我们不知道如何去理解。计算机视觉一直是探索最基本的视觉特征。这一轮视觉卷积神经网络CNN本质上重新定义了计算机视觉的特性。与环境的互动。”“所以我们要处理3D，在很多复杂的场景中，2D识别能做的还远远不够。但3D重建并不是最终目的，需要将3D重建和识别结合起来。”超大场景“智能光场成像”一直是视频监控系统中最难解决的问题之一，就是如何解决清晰度和大距离的平衡。宽度越大，覆盖范围越大，遮挡越小，但清晰度越低；宽度越小，覆盖范围越小，但清晰度高。未来，这个问题可能会得到有效解决。此前，33岁的清华大学副教授方璐提出了新一代智能光场成像技术。该技术面向大型动态场景的视觉感知和处理，实现机器视觉的完整、清晰、真实。它已成为智慧城市的核心。重要武器。方璐提出了结构自适应光场成像新原理，建立了大场景自适应光场感知新模型，研制了十亿像素阵列图像传感器成像设备和智能处理平台，在理论和技术上取得突破。远距离动态场景成像中宽视场与高分辨率的内在矛盾。智能分析处理平台的建立，让机器在智慧城市等复杂的现实场景中，不再是“管中窥豹”、“只见树木不见森林”。更进一步，方璐还构建了全球首个十亿像素级动态大规模场景数据集PANDA，率先实现了单幅图像万级物体的检测识别、关系分析数千组物体之间，100倍尺度变化的远距离追踪。这一动态大场景数据集为视觉算法的研究提供了重要基础，有望取得更大的突破。智能影像“去硬件化”目前，深度学习技术主要应用于模式匹配和图像识别，如人脸识别、车辆特征提取、视频结构化等。但如果将这种深度学习技术应用到前端领域，端传感器图像增强处理技术，可直接对前端图像传感器输出的原始数据进行图像复原，在弱光环境下可最大限度还原实际图像效果。这种处理技术的优势在于突破了ISP技术在传统相机中的局限性。目前ISP由几十个图像处理模块组成，需要根据经验手动调整上百个参数，不仅费时费力，而且由于传统算法的局限性，难以实现在低光和高噪声条件下显示图像中的有用信息。AI超弱光技术直接对传感器数据进行处理，利用神经网络完成从输入图像到输出图像的端到端非线性映射。不仅如此，相比增强补光和多眼多光谱设计硬件方案，独创的深度学习图像增强算法在提升图像亮度的同时大大降低了卡口对补光的依赖，充分还原物体颜色等细节信息和质地。一位业内人士提到，目前很少听说将神经网络用于商业用途的整个ISP流水线。一般会更换一些算法模块，比如去马赛克、降噪等。如能实现上述目标，无疑将是行业的一次重大突破。同时，他认为短期内，传统ISP加上神经网络可以协同工作，实现更好的图像效果。在产品层面，在今年的安博会上，柯达发布了一款用于人员卡口、车辆卡口、车载电警夜拍的超低光相机。不同于业界较为主流的星光和黑光技术，科达除了在基础ISP图像调制技术上的多年积累外，还采用了自主研发的深度学习图像增强算法来提升相机的拍摄能力。大华还发布了用于夜拍的“极光相机”，这也是星光之后的升级版，使用更好的CMOS传感器和深度学习算法进行人脸优化。海康也基于智能场景需求定义，展示了新推出的AI多摄、乐视一体机等。AI多摄系列包括智能多摄系列、AR立体防控系统、黑光系列、三维精准动线系列等等。华为自然主打“软件定义相机”，但在硬件方面，华为发布了业界首款系列化多镜多核复眼相机，以及业界首款5G相机。在城市大脑“数字视网膜化”的现阶段，通过监控摄像头让城市变得更智慧，不仅仅是单纯的视频检索和计算机视觉问题，而是面对海量信息和突发事件时能否快速做出决策。响应，是否能减少计算量，是否能有效识别和检索一系列庞大的系统工程。现有视频监控系统的不足，导致许多复杂的任务无法完成。即使在人工智能大规模渗透之后，需求方也往往会为了一些特殊的目的而添加特定的智能摄像头和处理系统。有的专用摄像头只用来识别车牌号，有的摄像头只用来识别人脸。这种打补丁的方法实际上会导致很多问题。我们称之为“一对一模式”。于是数字视网膜应运而生。搭载数字视网膜的相机需要做两件事：第一，做好编码工作；其次，提取后续识别所需的信息。数字视网膜和人眼都具有图像重建（视觉内容的精细编码）和特征提取（面向识别和理解）的功能。数字视网膜最终是如何实现的？这部分原则上结合了高效、监控视频编码（视频特征的紧凑表达）和特征来紧凑地表达。有了这些之后，应用在里面，传输到云端，就??可以具备数字视网膜的功能。整个数字视网膜其实包含了三个核心技术：基于背景模型的场景视频编码、视频特征的紧凑表达、视频编码和特征编码的联合优化。未来，当一对一模型变成一对多模型时，同时，一对多模型中的技术标准到位后，可以进一步优化技术标准，并尽快嵌入到产品中实践应用，让城市更容易治理。视频算法“AppStore化”的概念最早由华为安全提出并实践。安博会期间，华为推出了业界首个“智能视频算法商城-HoloSensStore”，为合作伙伴提供多种入口模式和商业模式组合，让用户“随心选择，快换，用得放心”。可能会给依赖AI算法的企业带来生存挑战（算法接口调用是收费的）。算法商城可以看作是华为在软件定义相机和连接伙伴方面的进一步尝试。各行业对安全的需求无疑是多种多样的。单一企业难以快速满足各行业对智能相机的智能化需求。在各种场景中，相机和场景的组合非常复杂，传感器性能、分辨率、焦距等，都会影响应用效果。但近年来，越来越多的智能硬件产品迭代跨越了这些壁垒。摄像头正在从单一功能终端向多应用聚合平台转变。华为所做的，就是搭建了HoloSensStore平台，联合生态伙伴，共同赋能千行百业的智能化。这些智能相机可以根据不同的场景，按需加载不同的软件和算法，通过多特征提取和识别、多相机协同、端云协同，将智能分析效率翻倍。当前人工智能安全的边界越来越模糊。拿手机类比，目前的安防市场还处在从诺基亚功能机时代向苹果、安卓系统智能手机时代过渡的过程中。安防摄像头的身份就像手机从通讯设备升级为线上的互联网入口，再变异为线下的城市人像入口。华为提出“算法升级”，依托其公有云，是构建类似AppStore的模式，简单来说就是加速数据融合和算法开发；在更宏观的层面上，就是巩固“软件定义相机”的概念，结合合作伙伴的能力，打造万物互联的链接。安全行业对数据隐私“联邦学习”AI的探索才刚刚开始；同时，做好人工智能所需的数据养分有限且质量较差，不同数据源之间存在难以打破的壁垒。除了少数拥有大量用户和优质产品和服务的巨头公司外，大多数中小人工智能安全公司难以以合理合法的方式跨越人工智能的数据鸿沟，或者需要付出代价解决这个问题的巨大成本。此外，随着大数据的发展，重视数据隐私和安全已成为世界性趋势。一系列法规的出台加剧了数据获取的难度，这也给人工智能的应用带来了前所未有的挑战。挑战。为什么？针对这个问题，雷锋网（公众号：雷锋网）同时采访了六位学术界和工业界的领军人物，得到的答案比较一致：从目前的研究进展来看，“联邦学习”技术或许可以解决上述问题。问题的最佳选择。联邦学习的概念于2016年由谷歌首次提出，此后国内包括微众银行、腾讯、平安科技、华为、京东等在内的企业和机构推动联邦学习进入学术研究和产业的新阶段执行。联邦学习之所以能在这么短的时间内迅速从一个想法变成一门学科，是因为它允许所有参与方在不公开底层数据的情况下共同构建模型，然后在整个数据联邦中使用数据资源，提高每个成员的模型性能。通俗地说，在深度学习时代，每个AI公司的技术能力都是独立的；但是，联邦学习的出现将各个AI公司更紧密、更安全地联系在一起，联邦的每个成员都可以用最快的速度提升自己的能力，同时吸取他人的长处，最终实现共同成长。比如A厂商有校园数据，B厂商有工厂数据，C厂商有社区数据，三个厂商都使用了联邦学习技术。从业务层面出发，A、B、C三个厂商直接获得了两个能力：1.以最快的速度优化自身业务；2、以最快的速度拓展新业务。优化自身经营业绩最快的方法是每天在平台上，有几家类似A厂商的公司将加密的数据模型输入到平台中，这些数据模型中包含了A厂商缺少的其他数据信息，A厂商可以使用这些数据用于更新自己的算法模型。拓展新业务最快的方式是A、B、C各厂商都有自己构建好的模型，可以聚合得到更大的数据模型，在不流通数据的情况下获得数据流通的最佳效果。通过资源互补，我们可以在最短的时间内安全获取对方的能力，拓展新的业务。从隐私保护的角度来看，通常智能相机产生的数据会上传到后台服务器，然后部署在服务器上的神经网络模型会根据收集到的大量数据进行训练，得到一个模型。用户提供服务。这是一种中心化的模型训练方式，难以保证数据的隐私和安全。而且联邦学习不再是向后台发送数据，而是在每个企业自己的服务器上进行训练，并将训练模型加密上传。后台会综合上千个用户模型，然后反馈给用户改进。与传统的学习模式相比，联邦学习的优势是显而易见的：1.在联邦学习的框架下，每个参与者的地位是平等的，可以实现公平合作；2、数据保存在本地，避免数据泄露，满足用户隐私保护和数据安全要求；3.可以保证参与各方在保持独立性的同时可以加密交换信息和模型参数，同时实现增长；4.建模效果与传统深度学习算法无差异。5、联邦学习是一种“闭环”的学习机制，模型的效果取决于数据提供者的贡献。传统方式下，用户只是人工智能的旁观者——使用，但不参与；在联邦学习场景下，人人都是“训龙高手”，人人都是人工智能发展的参与者。AI芯片“专业化”智慧城市的进一步发展，必然需要物联网、边缘计算、通信三大技术的不断进步。目前常见的智慧城市解决方案大多在后端打通了数据，但受限于网络等问题。只有沙子的智慧才能实现。也就是说，只有在前端完成智能分析，配合后端，才能充分利用城市的物联网数据，打造感知城市。遗憾的是，目前市场上现有的AI芯片方案无法满足前端感知技术的实际需求。长期以来，市面上的通用AI芯片大多提供人工智能计算所需的算力，而面向特定场景的专用AI芯片则相对稀缺。AI芯片开发后期，用户一定要关注真实场景下的综合效果，而不仅仅是计算加速。具体来说，通用型AI芯片在实际应用过程中会遇到四个问题：1.通用型AI芯片无法与数据产生高效、深度的连接。专用AI芯片通常针对特定场景进行定制化处理，对数据的理解、分析和处理更加透彻和准确。其次，通用AI芯片不能与市场紧密耦合。通用芯片的运作模式是1对N，很难和一些市场环境形成牢固的联系，不能强聚焦。3、通用AI芯片缺乏优质算法。芯片是框架，算法是灵魂。没有灵魂的框架很难产生足够的价值。它必须依靠与算法紧密结合的专用AI芯片才能发挥其潜力。第四，通用AI芯片功耗太大，对温度等环境因素不够敏感。前端感知对功耗和散热要求高，需要做到极致；此外，产品落地不仅是技术问题，更是工程问题，外部气候、温度等都将成为关键因素。类比一条路，AI芯片的集成就像铺沥青。但是，除了对路面的高要求外，还有车辆通过时对路标、路牌、服务区的要求。这些在实际过程中是不会遇到的。如此令人满意。2019年以来，智慧城市“数字孪生”概念在A股两度被炒作。一个是边缘计算，另一个是数字孪生。多只相关个股出现涨停。数字孪生的概念于2002年诞生于美国，由密歇根大学教授MichaelGrieves博士提出。他在一篇文章中首次提到“DigitalTwin”，认为通过物理设备的数据，可以在虚拟（信息）空间构建一个能够代表物理设备的虚拟实体和子系统，而这种联系就是不是单向和静态的，而是在整个产品生命周期中捆绑在一起。预计到2022年，85%的物联网平台将采用某种数字孪生技术进行监控，少数城市将率先采用数字孪生技术进行智慧城市管理。嘉都科技智慧城市事业群副总裁张劲飞在雷锋网AI掘金主办的“全球AI芯片·城市智慧峰会”上表示，我国的城市化发展非常快，但这个速度也给城市带来了很多问题。二元社会变成三元社会——公民、农民、移民（流动人口），城市人口管理成为难题。此外，交通事故、公共安全等城市病对城市发展提出了新的挑战。因此，他提出，需要更高效的对现实世界的全息描绘、深度洞察、智能赋能。“基于对业务场景的全息感知和对动态事件的动态监控，在此基础上进行实时业务判断，并利用历史数据进行准确预测。”他认为，随着技术的发展，AI芯片的不断成熟和计算能力的不断提升，这件事情是可以做到的。通过打通底层数据，形成统一的数据资源池，对底层数据进行深度融合和挖掘，实现各业务系统的数据互通和业务联动，有效支撑新一代智能交通系统。碎片化市场的“同城化”在本届安博会上，宇视首次公布了数据中心和业务中心的双中心战略，包括物联网引擎、视频云引擎、视觉智能引擎和数据智能引擎。作为阿里云的战略合作伙伴，宇视整合了阿里公有云，加强了后台软件能力。从战略的角度来看，合作之后，宇景对业务的理解可以说从安防上升到了整个城市的层面。另外，更直接的一点是，宇视的解决方案可以直接卖给阿里，价格也很可观。作为城市视频物联网平台的发起者之一，华为再次突出展示了其“云海”。在“云海”板块，可以看到其视频云平台的“极速解析分析系统”，以及视频结构化分析系统。值得注意的是，旷视科技还在进博会上发布了自己的城市级全栈解决方案，名为“CityIoTOS”，目标是“成为物理世界的窗户”。旷视平台的主要能力包括基于自主研发的人工智能算法平台Brain++的一系列算法能力、云边产品体系，以及之前在城市安防管理、智能楼宇园区等场景的落地能力。谈不上对标，但在市级舞台上，各家厂商想要实现的愿景显然是一致的。同时，商汤科技还首次定义了“智慧城市操作系统（AICityOS）”，为城市的智能化建设提供全面、可靠、开放的架构参考，使SenseFoundry方舟成为城市级开放视野平台更加完善。在本届安博会上，云从展出鸿骏智能网关，连接全国15亿人像数据资源，可实现人员身份核验识别，人像数据更全，应用场景更广；而云从大运火眼十字镜跟踪系统，基于RelD行人重识别技术和大数据计算技术，从公安实战业务出发，实时掌握目标人员行踪，预测行人行踪目标人物的时空范围等作为四小虎中第一家拥有自研芯片的企业，依图在今年8月还承担了国家新一代人工智能视觉计算开放创新平台的建设工作.可以说，依图搜索芯片的研发集算法、AI芯片、软硬件协同开发于一体。承接国家开放创新平台建设，也可以扩大这种效应。一位业内人士提到，其实人脸、车脸分析、视频结构化、解决方案在很多平台上可能95%都是一样的，区别在于在特定环境下对人脸的检测和识别速度。级差。同时，海康威视和大华在原有架构的基础上，继续提供进一步的解决方案和实现，也让概念更加清晰。今年是海康威视AICloud发布两周年。在今年的安博会上，我们也看到了其在连锁门店、物流、社区等数十个行业的解决方案。海康威视还发布了AICloud软件家族图谱，包括57款典型软件产品，涵盖公共安全、交通、制造、零售等20多个行业。大华还展示了HOC新型智慧城市框架下的平安城市、智慧交管、智慧零售、智慧消防等几大解决方案。安全“去安全”2019年初，雷锋网AI掘金率先提出“去安全”的概念。随后，在3月23日雷锋网&AI掘金联合主办的“第二届中国人工智能安全峰会”上，不少嘉宾也提到，去安全的本质是承载安全防护的物理介质。在AI的加持下，已经超越了原有的能力。的确，自从计算机视觉开始全面渗透到安防行业，安防的边界就越来越模糊。在人工智能和云计算的加持下，整个安防行业价值快速提升，具有深度学习功能的前后端产品不断推出，后端人像大数据平台开始落地穿透。大趋势下可以看到，在实际安全项目的解决方案应用过程中，固有玩家的运营方式已经从之前的硬件服务转变为软硬件结合；他们享受的不再只是监控摄像头原有的价值，还包括IPC背后潜在的金矿。就像手机、电视等行业一样，在行业发展的后期，硬件本身的价值有限，利润空间会被进一步挤压，而硬件背后的数据增值服务才是盈利点各个厂商都在拼命争取。单纯卖硬件产品的安防企业，将不再有光明的前途，稳坐钓鱼台。他们在与摩尔定律疯狂赛跑的同时，也迫使昔日的猎手们寻求产生质变的技术革新，推动信息产业的快速发展。新形势下，传统安防巨头的企业定位也从之前的“安防厂商”转变为如今的“基于视频监控的物联网解决方案提供商”。后安全时代，这个行业正快速进入AI创业公司、ICT互联网通信公司、传统安全公司与传统安全公司争霸的局面。在AI到来之前，安防行业的服务主体是政府和公安；AI到来后，视频监控的功能和市场被放大了数百倍，带来了新的欲望、新的需求、新的方向。“去安全”时代，万物再生，机会均等。
