观察者网

人工智能如何成功部署:脱下西装做泥腿子,还要会爬杆子

2018-09-20 07:47:04

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。

参考文献:

[1]谢会斌,宇视研究院院长,谢会斌:跨越安防AI大规模落地的裂谷,亿欧:2018-05-30

[2]铁流,中国芯片发展需要“万众用芯” 而非“万众创芯,科工力量:2018-07-03

[3]Raj Reddy,图灵奖得主,Raj Reddy:不存在通用AI,但未来会出现超智能,新智元:2018-06-09

[4]张鹏国,深圳安防展浅见一二三,宇视科技微信号:2017-10-31

杨正

杨正

工业党,宇视品牌部部长

分享到
来源:观察者网 | 责任编辑:孙武
专题 > 人工智能
人工智能
作者最近文章
人工智能如何成功部署:脱下西装做泥腿子,还要会爬杆子
风闻·24小时最热
网友推荐最新闻
相关推荐
切换网页版
下载观察者App
tocomment gotop