《中国安防》：经过这几年的市场培育、推进，您觉得当前AI与安防各个业务场景的融合落地应用处于怎样的阶段？
孔庆新：分析AI在安防行业的落地速度和应用情况，我认为需要从行业自身与技术特点两个角度来看。
首先目前安防行业处于良性的发展状态，从上游的芯片、硬件厂商，中游的产品、软件厂商，到下游的集成商、用户，界限清晰。上中游的芯片、硬件、产品厂商一直在寻求新的技术突破点，进而创造新的商业价值，因此对AI算法厂商采取了积极接纳的态度，促进了AI技术的落地。下游的集成商、客户，在多年传统安防积累后，积累了大量的音视频数据，传统的事后查验机制已经无法满足要求，更多的期望安防解决事前预防、预测的效能，这是AI落地最好的土壤。同时，近些年国家对安防也提出了主动识别的政策性要求，成为了AI在安防落地最有效的推动力。
其次，人工智能是一个涉及广泛领域并且发展多年的技术，但最近十几年得到突飞猛进发展的是其中基于神经网络的机器学习技术。从我的角度理解，它的核心过程是针对大量数据(训练数据集)进行共性或差异的分析(特征提取)，将分析结果形成可量化的规律和原则(建模-模型)，进而应用这一组规律和原则，对实际场景进行分析或解决实际问题。因此，大量训练数据集、特征提取是这一过程的两个关键环节，建模-模型-应用的硬件基础是这一过程的保证。根据行业的特点，大量的视频数据以及用户明确的需求用例场景，为这一技术提供了落地的土壤；目前国内安防行业齐全的产业链结构，使得从芯片支撑、应用快速实现、需求明确收敛提供了落地的保障。
薛超：目前，安防的发展方向必须与AI深度融合已成为业界的一个普遍共识，安防企业在AI方向上融合的意愿也愈发强烈。在融合落地的过程中，虽然大家都有广泛认识，但安防类的场景多样化，每个场景下的落地状态快慢不一。像AI与智慧城市的结合已规模化，是属于落地较快的场景。但AI与安防可实现具体结合的场景有数十个，大多数还处于摸索阶段，结合的效果欠佳。不过各家安防企业的意识都在朝着这个方向转变，相信后面落地转型的速度会变得很快。
郑强：随着新一代人工智能技术的崛起，这几年安防人脸识别技术获得了广泛快速的落地应用，为用户带来了真正的应用价值，促进了AI+安防的发展。从应用细分领域来看，现阶段交通仍是Al最成熟的应用细分领域，这一领域有成熟的产品形态与解决方案，产业链条分工明确清晰。另外一个是公安领域，目前也在慢慢往成熟化过渡。人脸识别应用热潮是在2013-2014年开始起来，经过四五年的发展，公安应用也已经基本上分层，一些独立的AI企业在公安的应用逐渐找到了自己的定位。
古超：人工智能在安防行业并不是一个全新的技术，过去那么多年行业其实也一直在发展。这几年由于技术上的突破，人工智能进入了新的发展阶段。通过这两三年火热发起来之后，现在进入到了平稳期，因为短期内技术上再实现很大的突破比较难。在市场方面，企业更多的是在现有的基础上，把目前的技术进行更好地吸收消化，然后推进技术产品在更丰富的场景里面应用。人工智能带来的影响还会持续，但会有一个过程。
《中国安防》：当前人工智能在安防已经进入场景应用落地的重要发展阶段，但AI+安防的深度融合应用与规模化应用仍是行业的重要命题。您认为现阶段AI+安防落地的主要难点是什么？
薛超：从我们的实践经验来看，遇到的主要难点表现有：
第一，场景需求的个性化。安防场景多样化带来了AI诉求个性化，不同的场景下根据关注点的不同，AI应用的侧重点也会不同。如智慧城市中关注人的场景下，AI技术会更偏重于针对人身份的识别；政法行业中，除身份识别更多地是关注人的行为识别；等等，具体场景里个性化的需求很强烈。
第二，算法指标的准确度。当前阶段，AI在人脸识别方面的准度和精度比较高，但行为识别、特征识别方面精准度提升之后才能够满足行业的需求。举个例子，审讯过程中对于被审讯人员微表情的识别目前来看是达不到可用程度的，仅能用来参考。
第三，如何有效降低成本。AI与安防结合后可以提高效率、解放人力，但是在做AI升级的过程中需要付出成本，可现阶段某些行业还不能接受AI的成本问题，这也在一定程度上影响了AI的推广。
孔庆新：蓝色星际主要关注在金融、军队、教育、司法四个领域，我们内部一直在讨论、尝试AI落地的问题。
一是技术与成本。现在很多产品都具备算法效果、功能表现非常不错的智能功能。比如针对高密度场所(如地铁、广场)的高精度、快速的人脸识别，再比如针对街道场景，将行人、非机动车、机动车的分类，而且往往这种分类可以细化到行人的衣着特点、机动车的品牌、车型、颜色。并且，针对上面的分析，还会配合进一步的数据过滤、数据挖掘，进而展现一个数据统计的结果。但当我们被这些产品、技术所吸引的同时，又会因为成本、价格叹一口气。因为配合此类应用的后台服务器，在民用级别也会高到3-5万元，如果考虑到专业级别肯定更高，核算下来的单路成本都会很高。
二是需求落地。针对用户的智能化需求，厂商往往会给出重建、新建的技术方案，利旧率很低，这无疑对多数客户都是一个难题。只有刚需性项目比如反恐、政策性项目才有可能执行，但此类项目的特点往往是宏观上完成合同标准，对真正使用上的便利性考虑甚少。谁都明白“一张白纸好画画”的道理，但真正的项目肯定不是白纸。
三是工程化支撑。在项目工程上，我们经常遇到这样的难题：购买的人脸识别摄像机完成了智能功能，却在成像、低照或自动对焦等方面表现较差；又或者购买的智能服务器产品无法稳定运行在某些环境，无法适应现场相对恶略的网络部署条件，无法适应现场众多品牌设备的集成；再例如智能平台产品无法实现用户的非智能化功能；此类智能产品工程化支撑的问题很多。
上述问题是安防行业在智能化应用中遇到的普遍问题，也是我们“落地”的重点。
郑强：人工智能的发展会给行业带来巨大的影响，但它不是万能的，人工智能技术的应用会受场景的条件限制，应用条件需要用户自己解决。不适应的地方如果用户无法协调或者妥协，AI的落地就很困难，即使应用那最多也是一两个案例。
反观为什么AI能在交通、公安领域中能应用起来，我认为最主要的是这两个政府市场，政府看到AI应用带来的价值之后，能够做一些适应AI应用的调整。当前有些用户会理想化AI，但任何新技术都是利弊并存，“弊”的一面是不是用户能接受，我认为这是现在AI应用的一个门槛，是AI应用需要克服的课题。因此，我认为用户需要客观理解技术应用的环境、条件，理解接受之后才能更好地推广，更快地落地。
古超：我觉得主要有两个方面，一是数据的问题。现在人工智能的自我学习对数据的要求比较高，需要有大量的数据，它不仅仅局限于视频领域，而更多包括了语音、物联感知等更广泛的一些领域。对企业来说，要获取更多维度的数据是比较困难的事情。获取不到丰富的数据企业很难通过各种人工智能算法去打磨场景运用。二是场景的应用问题。安防行业的应用场景多样化，场景千变万化，而且场景应用需要和用户的业务要结合起来，现在用户对应用的期待不再局限于简单的层面，而是要实现深度应用，如果不能做好这些，AI也将无法很好地落地。
《中国安防》：场景碎片化是安防行业的重要特点，碎片化带来的主要影响是什么？在推进安防AI落地应用中您认为目前有哪些比较好的方式可以解决这个问题？
薛超：场景碎片化也就是场景多样化，场景多样化所带来的主要问题就是如何满足个性化的算法需求。目前我觉得可以从两个方面缓解这个问题。
第一是技术层。关于个性化需求的算法指标问题，目前各家使用的都是深度学习算法，深度学习算法的精度依赖于训练库，要么是视频库，要么是图像库，所以说如何将类似这样需求的训练库快速的传递至训练系统，进而建立起来一个通道和链路实际上是一个有效解决的方法。每个行业都有对应的场景，每个场景都有个性化的需求，可将场景对应的图像信息上传至云平台，在平台上利用这些信息数据进行训练。这便是业界有些公司正在做的AI训练云平台。关于如何实现数据与云平台的对接，需要拥有此类平台的公司提供一个终端，终端与云平台是相通的，通过终端即可实现训练库的上传。
第二是应用层。通过AI产业化的扩大，搜集到的图片信息或视频信息会越来越多，可用于参与训练的训练库越来越多，进而从技术层面上促进AI的发展，形成一个正向循环的过程。在这个过程中，如何做一个阶段性的嫁接很重要。安防AI的落地相当于是总目标是100分，首先要找到一个阶段性提升的点，比如说60分，让用户能够先进行使用，使用之后数据就多了，这时准确度就可以提升至80分，进而不断的提升分值。
郑强：碎片化场景会带来碎片化的应用。碎片化的应用不是AI技术就能够完全解决的，它需要与物联网、AI、大数据、云计算等技术统合在一起，才能够给用户带来完整的体验。这样的趋势下没有一家全能的企业可以满足行业的所有需求，现在一些新兴的领域分层以及互相的衔接还没有完全形成，没有达到协调统一，形成价值闭环。目前交通、公安在这方面做得比较好，但是其他的领域场景仍需要探索打造价值闭环。
古超：我认为场景碎片化不是大家要回避或抱怨的一个问题，场景的多样化对安防行业的市场商业竞争而言是好事。丰富多样的场景其实给我们带来了更多的机会。现在技术框架基本都是统一的，企业需要有耐心踏踏实实在某一些或者某几类场景中沉淀下来，把自己的技术能力真正融入到场景中，才能解决场景存在的一些问题，给客户带来价值。
《中国安防》：目前在标准化场景中，人脸识别、车辆结构化描述等AI技术应用已经比较成熟，非标准场景AI应用有哪些提升与突破？
薛超：非标准场景实际上讲的是一个场景里面没有AI嫁接到有嫁接的过程。在这个过程中，第一是要找到这个场景内的痛点问题，思考通过AI与产品、方案的融合能否解决问题，也就是技术突破点和商业逻辑，这是非常关键的。
如果AI能够解决痛点问题，它便产生了价值，不管对于算法企业还是产品化企业都会加大相应的投入，甲方因存在痛点问题也会有相应的采购意愿，进而这个过程实现循环，AI在这个场景下也就实现了发展。但是，在这个过程中，要避免进入进入误区，比如说亮点、酷炫的感觉，AI在解决问题、工作提效的基础上才能大面积复制，进而实现产业化。而科技化的感觉，它的复制率很低，很难实现规模化，这样的需求在非标准场景AI应用嫁接的过程中做得越少越好。
古超：现在业内也一直在推进这方面的发展，比如Re-ID(行人重识别、 跨境追踪)等正逐渐得到越来越多重视与研究，这一两年技术取得一定的进展，但要达到非标场景的精准识别还需要一定的时间。另外，我认为在解决非准化场景应用中，除了视频以外，可以考虑把AIoT的技术有机结合起来，尽可能的从cv的圈子里面跳出来看非标准的应用问题，这样我们的思路会更开阔，也将能够找到更好地方法解决某些非标准场景的应用问题。
《中国安防》：您对未来两三年内安防AI的落地应用有怎样的预期或判断？安防行业的发展趋势将是怎样的？
薛超：目前以智慧城市、雪亮工程为代表的安防场景是国家大力鼓励发展的。同时，AI是中国制造2025很重要的一个方向，这也是国家的战略方向，现阶段这些安防场景比较成熟，所以这两个场景未来的前景肯定是乐观的。而且我认为安防应该是AI落地的TOP3的支撑点。因为AI一定是需要一个入口资源，入口资源无非是你看到的、听到的、触摸到的，实际上目前我们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视频信息，因此我们认为安防与AI的结合会有很好的未来。
而未来的发展趋势一定是结合AI走数据化的方向。安防行业发展至今已经建了大量的视频资源、存储资源，而且覆盖面将越来越全，视频信息量越来越大，目前行业的核心痛点是数据已经读不过来，而且存不过来了，为此安防的发展需要AI。在视频采集的基础上加上AI，将其数据化会产生大数据。大数据碰撞产生业务可以解决一些行业的痛点问题，同时大数据的运营能为企业、城市、园区提供一些附加值的判断和决策依据，未来安防行业内应该会出现一批大数据公司、数据运营公司，这也是未来发展的必然趋势。
孔庆新：现阶段，新兴的AI公司逐步在和传统安防中的芯片、产品厂商合作，甚至自己主动出击，利用已有的人才优势和技术优势，将机器学习手段应用于现有的安防产品中，很大程度上解决了原有的精度低、场景适应性差的缺陷。尤其是在人脸识别、车牌识别、视频结构化这几个方面，完全达到了可落地应用的阶段。
但从另外一个角度谈，抛开安防独立谈AI是行不通的，传统安防的核心概念和技术是要得到保障的，比如夜间成像、网络环境适应性，这些都存在技术积累。所以我们也看到，很多客户在AI落地的过程中过分关注新增的智能，忽视了传统安防的稳定、清晰、适应性强的基础要求，走了一些弯路。
另外，安防行业中的一些龙头企业，也将AI技术与大数据、云平台相结合，提出更大规模的产品形态。我觉得这个领域还是有很好的前景，但挑战也是非常巨大。
郑强：随着行业的发展，我认为公安的人脸识别应用会进一步深化，人脸是带动AI在公安应用的一个切入口，但今后不仅仅是人脸，会有一些新的AI技术在公安行业里出现，带来新的机会。另外我认为在生产安全以及提高生产效率方面的行业应用，比如电力、化工等也会有一些机会。这些大型企业对安全和提高生产效率上都很重视，在安全上要求防患于未然，它的需求并不仅止于人脸识别，还包括行为、车辆分析等，它实际上是一个生产支援系统。目前文安在这方面有一些探索。
古超：对于未来两三年，我认为从技术上短期内不会有质的提升。从其它的方面来看，除了人脸识别，今后会涌现出新的人工智能技术应用，比如声纹。另外，我认为各种多维度数据结合在一起，包括各种维度的场景产品结合在一起，在某一些场景会给用户带来更加综合性的解决方案，这种方案可能是很多用户以前没有体验过的。
整体来说，人工智能会像催化剂，它与行业的融合使得各领域的智能化会达到一个新的水平。未来我们的产品、解决方案会不断的更具AI基因，最终产品与方案会融合到某一个或某几个细分场景中，和用户的各种业务有机结合，将给用户带来真正的价值。目前我们看到一些和人们结合起来比较紧密的场景，比如社区，在未来两三年将会得到比较大的发展。
《中国安防》：这几年各安防厂商都积极拥抱智能化浪潮，可否与我们分享贵公司在安防AI落地方面积累的一些项目经验或思考？
孔庆新：先前提到的客户的四个痛点：技术、成本、需求、工程化，一直以来是我们项目落地的重点。通过我们的开发、产品、集成、销售团队的积极努力，已经取得了非常不错的成绩。
首先，我们的开发团队积极关注跟踪国内外深度学习、神经网络进展，发挥自身优势，将人脸、人体的跟踪与识别过程进行深度的优化，解决、优化了高密度人群相互干扰、物体人体相互干扰等场景的算法表现，无论是精度还是准确度都能够达到实用效果。
第二，智能算法后端化解决了多数的应用需求，但成本问题在目前的服务器方案中还没有有效的解决办法。针对这个问题，蓝色星际利用现有的成熟算法技术以及前端嵌入式芯片的智能算子，提供支持深度学习的智能IP Camera，核算成本降低到原有后端智能方案的1/3，我相信经过几轮的硬件、芯片优化迭代，可以将现有的智能应用的成本降低到更好的水平。
第三，我们始终认为，用户的目标是解决问题，不是简单的技术展现，单一的智能分析系统，不配套用户广泛的传统安防监控需求是无法真正落地的。我们要给用户提供的是一套完整的技术解决方案，AI或者智能在其中的附加价值是针对特殊事件的处理流程，它应该包含事件前期的预测、事件中期的跟踪、应急，事件后期的应对与快速定位。单纯的AI达不到这个目标，不结合AI的产品或平台也很难达到这个目标。
第四，我们在金融和高校这两个行业已经应用我们的解决方案和AI技术，解决用户的实际问题。例如今年，我们在北京某金融机构，利用视频结构化技术，针对一启境外人员ATM安装读卡器的事件，将传统50+警力、2-3个月的排查周期，成功缩短到了3天。再例如北京某高校，我们配合公安机关，在利旧的现有项目中，通过人脸识别技术，配合平台的地图轨迹跟踪功能，有效的预防了多次学生的不理智行为，得到了甲方客户的好评。
一次次的项目上线和一次次的用户好评体现了我们的价值。成熟、稳定的研发团队，对新技术、新领域的积极拥抱态度，深厚的安防经验的积累，以及100%贴近用户、为用户定制解决问题，是我们的原则与理念，更是我们赖以生存的根本与优势。
薛超：天地伟业从2016年就开始在全线做产品+AI、行业+AI。如果提及更早一些的诉求的话，我们从2010年开始研究交通方面的车牌、车型识别时，就已经成立了自己的算法团队。所以我们真正是从10年前开始做AI，2016年开始全线战略支持产品+AI、行业+AI两条路子。
对于项目的经验思考，主要从三个方面分享：一是追求算法更高指标。指标越高满足的业务场景才会越全，这也是目前我们AI的一个优势。算法指标越高能满足的需求也将越多，所以安防与AI结合算法的指标越高越好，这一定是一个方向。二是成本越低越好。在品质的基础上具有成本优势将能满足更多的用户。
三是找痛点需求。AI落地的时候需要关注指标和成本，这两点是最核心的关键项。然后再找结合点，一定要找痛点需求，不要做太多的炫酷类的亮点需求。
郑强：文安智能的根底是做人工智能，经过这么多年的发展，我们的优势主要有：一是在技术上，我们的技术团队都是做AI算法出身的，拥有比较深的技术底蕴，针对用户的需求，对于算法技术如何优化、更新等理解比较透。二是在市场方面，文安深耕智慧交通、商业零售、政府、城市精细化运营等领域多年，对这些领域业务有深刻理解，因此能够很快地把AI应用于行业业务上。这两块的结合我认为很重要。
未来我们会持续推进这几个行业的深化发展，比如交通领域会从包括架构设计以及能更低成本、更高效的把价值呈现的这种产品上持续深化打磨。在商业领域，将从前端的感知AI网、数据AI上持续挖掘。另外我们也在开拓新的市场，比如城市的精细化治理等。
古超：力维智联是在安防行业摸爬滚打十几年的一家公司，在视频AI发展上一直有积累。随着技术的革新与演变，我们发现仅仅依靠简单的集成与连接已经不能为客户带来更大的价值。因此，ZNV力维基于公司在连接以及人工智能、分析增强等技术上的积累，提出了AIoT战略，将公司定位为AIoT产品与解决方案提供商。公司基于泛在数据连接与泛在数据融合、分析、使能的技术能力以及复杂系统组网与集成能力，加大AIoT核心技术研发，并推进AIoT技术在公共安全、生产安全、社区治理、智能运维等行业场景中的落地应用。
18221259202