過去一年，AI安防市場有實體經濟的掙扎、AI新秀的銳利、資產泡沫的瘋狂、相互之間的利益重構。
變革，顯然已經成爲AI安防行業的時代主題。
商業模式在變，盈利模式在變，行業參與者在變，消費者習慣也在變；大量新名詞、新公司的涌現讓傳統老人們無所適從，今天的新人在明天到來之時也遇到了上述所提困擾。
大背景下，賽道玩家們必須走一步看百步，瞭然新技術下產業的未來走勢，而這都將決定着企業產品的週期、產業競爭的最後勝敗。
藉由此，在即將過去的2019年，雷鋒網AI掘金志通過採訪數十位業內專家、企業高管，整合了他們的觀點與看法，記錄了他們認爲的過去一年來包括未來一年中，AI安防市場的八大技術趨勢與兩大行業走向。
AI安防“三維視覺化”
近五年的安防行業，一直處於被計算機視覺技術重新定義的階段，但它的發展，同時也受制於視覺的技術瓶頸。
CVPR 2022大會主席權龍教授曾談到，雖然計算機視覺對安防行業的推動作用很大，但應用範圍不外乎識別人、車、物等單一的應用，侷限在二維識別層面。而未來大規模城市級別的三維重建，將會成爲最重要的任務, 並重新定義智能安防。
三維視覺的最終目的，並不是當前部分AI公司所從事的在靜態場景完成對人臉的3D高精度識別，而是利用攝像機系統實現整個城市的實時三維重建，並在重建的實景畫面中，完成對萬物的識別、建模與決策。
“我們的終極目標是對圖像的理解，也就是認知，但當前的計算機視覺只處於感知階段，我們並不知如何理解，計算機視覺一直是要探索最基礎的視覺特徵，這一輪視覺卷積神經網絡CNN本質上重新定義了計算機視覺的特徵。但人類是生活在三維環境中的雙目動物，這使得人類生物視覺的識別不只是識別，同時也包括三維感知與環境交互。”
“因此我們要和三維打交道，二維識別所能做的事，在當前衆多複雜場景中，是遠遠不夠的。但三維重建不是最終目的，而且是要把三維重建和識別融爲一體。”
超寬場景“智能光場成像化”
一直以來，視頻監控系統中最難處理的問題之一便是如何解決清晰度與寬距之間的平衡問題。寬距越大，覆蓋面越大、遮擋越小，但清晰度也低；寬距越小，覆蓋面越小，但清晰度很高。未來，這一問題可能會得到有效解決。
此前，33歲的清華大學副教授方璐提出新一代智能光場成像技術，該技術面向大範圍動態場景的視覺感知與處理，實現了機器看的全、看的清和看的真，成爲智慧城市的重要利器。
方璐提出了結構自適應光場成像新原理，建立了大場景自適應光場感知新模型，研製出十億像素級陣列像感器成像裝備和智能處理平臺，在理論和技術上突破了大範圍動態場景成像中寬視場和高分辨的固有矛盾。
智能分析處理平臺的建立，使得機器在智慧城市等複雜現實場景中不再“管中窺豹”，或者“只見樹木不見森林”。
進一步，方璐還構建國際首個十億像素級動態大場景數據集 PANDA，率先實現單圖像下萬級物體檢測與識別，千組對象羣體關係分析，百倍尺度變化的長程跟蹤。
該動態大場景數據集爲視覺算法研究提供了重要基礎，有望實現更大的突破。
智能成像“去硬件化”
目前深度學習技術主要應用於模式匹配和圖像識別，例如人臉識別、車輛特徵提取、視頻結構化等。
而如果將這種深度學習技術應用到前端傳感器圖像增強處理技術領域，直接對前端圖像傳感器輸出的裸數據進行圖像恢復，可以最大化還原低照度環境下的實際圖像效果。
這種處理技術的好處是，它突破了傳統攝像機中ISP技術的侷限性。
目前ISP由數十個圖像處理模塊組成，數百個參數需要人工根據經驗進行調整，不僅費時費力，而且由於傳統算法的侷限性，難以在低照高噪聲的情況下顯示出圖像中有用的信息。
而AI超微光技術對傳感器數據直接進行處理，運用神經網絡完成輸入圖像到輸出圖像端到端的非線性映射。不僅如此，相對於增強補光，以及多目多光譜設計的硬件解決方案，獨創的深度學習圖像增強算法，可在大幅減少卡口對補光燈的依賴的條件下，提升圖像亮度，且充分還原物體顏色與紋理等細節信息。
某業內人士提到，目前鮮有聽聞用神經網絡做出商用的整個ISP pipeline。一般是替換部分算法模塊，比如demosaic、noise reduction，如果能夠做到上述所提，對於行業來說，無疑是重大突破。
同時他認爲，短期來看，還是傳統ISP加上神經網絡，協同工作可以實現更好的圖像效果。
在產品層，今年安博會上，科達便發佈了用於人員卡口、車輛卡口、及車輛電警夜間拍攝的超微光攝像機。與業界較爲主流的星光、黑光技術不同，除了科達多年在基礎ISP圖像調製技術上的積累，還採用了自主研發的深度學習圖像增強算法，來增強攝像機的拍攝能力。
大華也發佈了應用於夜間拍攝的是“極光攝像機”，它也是繼星光之後的升級版，採用更優的CMOS傳感器，及深度學習算法進行人臉優化。
海康同樣也是基於智能場景需求定義，展示了新推出的AI多攝、雷視一體機等，AI 多攝系列包括合智能多攝系列、AR立體防控體系、黑光系列、三維精準動線系列等。
華爲自然還是主打“軟件定義攝像機”，不過硬件方面，華爲發佈了業內首個系列化多鏡多芯複眼型攝像機，以及業界首款5G攝像機等。
城市大腦“數字視網膜化”
現階段，通過監控攝像頭讓城市變得更智慧，不僅僅是單一的視頻檢索和計算機視覺問題，而是在面臨海量信息和突發事件時，能否能迅速做出反應、能否降低計算量、能否有效識別和檢索等一系列龐大的系統工程。
現有視頻監控體系的弊病，使得很多複雜任務無法完成，即便是人工智能大規模滲入後，需求方也往往爲了一些特殊目的才加特定的智能攝像頭和處理系統。
有些專用攝像頭只是用來識別車牌號，有些攝像頭只用來識別人臉，這種打補丁式的方法實際會帶來很多問題，我們把它叫做“一對一模式”。
於是數字視網膜應運而出。
承載數字視網膜的攝像頭需做兩件事：首先做好編碼；其次爲後面的識別，提取出所需的信息。
數字視網膜與人的眼睛既具有影像重構（精細編碼視覺內容），又具備特徵提取（面向識別理解）的功能。
數字視網膜最終如何實現？
原則上這一部分把高效、監控視頻編碼（視頻特徵的緊湊表達）和特徵集合起來緊湊地給它表達出來。有了這些後，把它應用在其中，傳輸到雲端，從而擁有了數字視網膜功能。
整個數字視網膜實際上包含了三種核心技術：基於背景模型的場景視頻編碼、視頻特徵的緊湊表達、視頻編碼與特徵編碼的聯合優化。
未來當一對一模式變成一對多模式，與此同時，一對多模式中的技術標準就位後，可以把該技術標準進一步優化，然後嵌入在產品裏中儘快地實踐和應用，使得城市將更容易治理。
視頻算法“App Store化”
這個概念最早由華爲安防提出、踐行。
安博會期間，華爲推出了業內首個“智能視頻算法商城-HoloSens Store”，爲合作伙伴提供多種入駐模式和商業模式組合，實現用戶“隨意挑、快熟換、放心用”的效果，這可能給依靠AI算法（算法接口調用收費）的公司帶來生存挑戰。
算法商城，可以視爲華爲在軟件定義攝像機、連接合作伙伴上的進一步嘗試。
安防在各行業的需求無疑是多種多樣的。一家單一的公司很難快速滿足智能攝像機在各行業的智能化需求。
在各種場景上，攝像機與場景的組合十分複雜，傳感器性能、解析度大小、焦距遠近等，都能影響應用效果。但近年來，越來越多的智能硬件產品已在迭代跨越這些障礙。攝像機正從單一功能的終端，向多應用聚合的平臺轉變。
而華爲所做的，就是希望通過搭建HoloSens Store平臺，結合生態夥伴，共同賦能千行百業智能化。
這些智能攝像機可以根據不同的場景按需加載不同的軟件和算法，通過多特徵提取與識別、多攝像機間的協同、端雲間的協同成倍地提高智能分析效率。
當前AI安防的邊界，變得愈加模糊。以手機類比，當前安防市場還在從諾基亞的功能機時代，走向與蘋果、安卓系統的智能機分野的過程中。安防攝像機的身份，猶如手機從通信器材升級爲線上互聯網入口一樣，隨之突變爲線下城市畫像的入口。
華爲提出“算法升級”，依託其公有云，就是構建一個類似於App Store的模式，以微言之，是加速數據融合和算法開發；在更宏觀的層面上，就是夯實“軟件定義攝像頭”的概念，結合合作伙伴的能力，打造一個萬物互聯的紐帶。
數據隱私“聯邦學習化”
AI在安防行業的探索纔剛剛開始；同時，做好AI所必須的數據養料有限且質量較差，不同數據源之間存在難以打破的壁壘。
除了少數幾家擁有海量用戶、具備產品和服務優勢的巨無霸企業外，大多數中小型AI安防企業難以以一種合理、合法的方式跨越人工智能落地的數據鴻溝，或者需要付出巨大的成本來解決這一問題。
此外，隨着大數據的發展，重視數據隱私和安全已經成爲一種世界性的趨勢，一系列條例的出臺更是加劇了數據獲取的難度，這也給人工智能的落地應用帶來了前所未有的挑戰。
何解？針對這個問題，雷鋒網(公衆號：雷鋒網)同時採訪了六位學術界、工業界領頭人，得到的答案比較一致：從目前的研究進展來看，“聯邦學習”技術可能是解決以上問題的最佳選擇。
聯邦學習的概念最初由谷歌在2016年提出，之後包括微衆銀行、騰訊、平安科技、華爲、京東等在內的國內企業和機構推動聯邦學習進入了學術研究與行業落地新階段。
聯邦學習之所以能夠在如此短的時間裏迅速由一個構想變爲一門學科，主要因爲它可以讓參與各方在不披露底層數據的前提下共建模型，之後利用整個數據聯邦內的數據資源，提高每個成員的模型表現。
通俗來說，深度學習時代，每個AI企業的技術能力是單打獨鬥式的；而聯邦學習的出現，更爲緊密、安全地將各個AI企業聯繫在了一起，聯邦中的每個成員都可以用最快的速度提升自身能力的同時汲取別人的長處，最終獲得共同成長。
譬如A廠商有校園數據、B廠商有工廠數據、C廠商有社區數據，且這三家廠商都使用了聯邦學習技術。
從業務層面出發，A、B、C這三家廠商便直接獲得了兩種能力：1、最快速地優化自身業務；2、最快速地拓展新業務。
最快速地優化自身業務表現在，平臺每天會有若干個類似A廠商的企業向平臺輸入加密後的數據模型，而這些數據模型中有A廠商非常缺乏的其他數據信息，而A廠商便可根據這些數據去更新自己的算法模型。
最快速地拓展新業務表現在，A、B、C每家廠商都有各自構建好的模型，通過彙總去得到更大的數據模型，在不流通數據的情況下得到數據流通的最好效果，通過資源互補可以在最短時間內安全地獲得對方的能力，去拓展新業務。
從隱私保護層面來看，通常智能攝像頭產生的數據會被上傳到後臺服務器中，然後由部署在服務器上的神經網絡模型根據收集到的大量數據進行訓練得到一個模型，服務商根據這個模型來爲用戶提供服務。
這是一種集中式的模型訓練方法，這種方式很難保證數據隱私安全。
而聯邦學習就不再是讓數據發送到後臺，而是在每個企業自己的服務器上進行訓練，並加密上傳訓練模型，後臺會綜合成千上萬的用戶模型後再反饋給用戶改進方案。
相較傳統學習模式，聯邦學習的優點是顯而易見的：
1、在聯邦學習的框架下，各參與者地位對等，能夠實現公平合作；
2、數據保留在本地，避免數據泄露，滿足用戶隱私保護和數據安全的需求；
3、能夠保證參與各方在保持獨立性的情況下，進行信息與模型參數的加密交換，並同時獲得成長；
4、建模效果與傳統深度學習算法建模效果相差不大；
5、聯邦學習是一個「閉環」的學習機制，模型效果取決於數據提供方的貢獻。
在傳統的方法下，用戶只是人工智能的旁觀者——使用，但沒有參與；而在聯邦學習場景下，每個人都是“馴龍高手”，每個人都是人工智能發展的參與者。
AI芯片“專用化”
智慧城市的進一步發展必然需要三大技術的持續進步：物聯網、邊緣計算、通信，眼下常見的智慧城市方案大多在後端打通了數據，但受限於網絡等問題，僅能實現沙粒般的智慧化。
也就是說，唯有在前端完成智能分析，與後端相配合，才能將城市物聯網數據完整利用，打造感知城市。
遺憾的是，市場上現有的AI芯片方案難以滿足前端感知技術的切實需求。
一直以來，市場上大多都是通用型AI芯片提供人工智能計算所需的算力，而針對某些場景的專用AI芯片較爲匱乏，AI芯片發展後期，用戶關注的一定是真實場景下的綜合效果，而不僅僅是計算加速。
具體來看，通用型AI芯片在實際應用過程中，會遇到四個問題：
一、通用型AI芯片無法和數據產生高效、深度連接。專用AI芯片通常針對某些場景做定製化處理，對於數據的理解、分析、處理更爲透徹、精準。
二、通用型AI芯片無法與市場產生緊密耦合。通用芯片的作業模式是1對N，很難與部分市場環境產生強粘合關係，無法強聚焦。
三、通用型AI芯片缺乏優質算法。芯片是框架、算法是靈魂，沒有靈魂的框架難以產生足夠價值，必須藉助和算法強粘合的專用AI芯片才能實現潛在潛能。
四、通用型AI芯片功耗過大、對溫度等環境因素敏感度不夠。前端感知對功耗、散熱的要求很高，需要做到極致；另外，產品落地不僅僅是技術問題而是工程問題，比如外界氣候、溫度等都會成爲關鍵因素。
類比一條公路，AI芯片的集成好比是鋪上了柏油，但車輛通行時除了對於路面的高要求，還有對於路牌、路標、服務區的需求，而這些在實際過程中，都得不到很好滿足。
智能城市“數字孿生化”
2019年以來有兩次A股熱炒的概念，一是邊緣計算，另一個就是數字孿生，多支相關股票出現漲停。
數字孿生這一概念誕生在美國，時間在2002年，提出者是密歇根大學教授Dr. Michael Grieves。
他在一篇文章中首次提到“Digital Twin”，並認爲通過物理設備的數據，可以在虛擬（信息）空間構建一個可以表徵該物理設備的虛擬實體和子系統，並且這種聯繫不是單向和靜態的，而是在整個產品的生命週期中都聯繫在一起。
據預測，到2022年，85％的IoT平臺將使用某種數字孿生技術進行監控，少數城市將率先利用數字孿生技術進行智慧城市的管理。
佳都科技智慧城市業務羣副總裁張進飛此前在雷鋒網AI掘金志主辦的「全球AI芯片·城市智能峯會」上表示，我國的城鎮化發展特別快，但是這種快速也給城市帶來了諸多問題。
二元社會變成了三元社會——市民、農民、 移民(流動人口)，城市人口管理成爲難題。此外，交通事故、公共安全等城市病對城市發展提出新的挑戰。
因此，他提出，需要更高效的對現實世界進行全息的刻畫、深刻的洞察、智慧的賦能。
“基於對業務場景的全息感知、對動態事件實施動態的監控，在此基礎上，對業務進行實時的判斷，利用歷史數據做精準的預測。”
他認爲，隨着技術的發展，AI芯片不斷成熟、算力不斷提升，這件事情是可以做到的。通過打通底層數據，形成統一數據資源池，對底層數據深度融合、挖掘，實現各個業務系統數據互通、業務聯動，有效支撐新一代智能交通體系。
碎片市場“城市中臺化”
今年安博會上，宇視首次發佈了數據中臺、業務中臺的雙中臺戰略，包含IoT引擎、視頻雲引擎、視覺智能引擎和數據智能引擎。作爲阿里雲戰略合作伙伴，宇視集成阿里公共雲，強化了後端的軟件能力。
從戰略角度上，合作後宇視對業務的理解可以說從安防上升到整個城市級的高度。另外，更直接的一點是，宇視的方案可以直接賣給阿里，而且售價可觀。
而華爲作爲城市視頻物聯平臺的首倡者之一，也再次醒目的展出了自己的“一片雲海”。在“一片雲海”部分，可以看到其視頻雲平臺的“極速分析的解析系統”、及視頻結構化分析系統等。
值得注意的是，曠視也在安博會上，發佈了自己的城市級全棧解決方案，名爲“城市物聯網操作系統（CityIoT OS）”，目標是“成爲物理世界的Windows”。曠視平臺主打的幾項能力包含，基於自研的人工智能算法平臺Brain++的系列算法能力、雲邊端的產品體系，以及既往在城市安全管理、樓宇園區智能化等場景的落地能力。
談不上對標，但在城市級的舞臺上，各個廠家想實現的願景顯然是一致的。
與此同時，商湯，也首次定義“智能城市操作系統（AI City OS）”，爲城市的智能化建設提供全面、可靠、開放的架構參考，使SenseFoundry方舟城市級開放視覺平臺更完善。
今年安博會，雲從展出了鴻鈞智能網關，對接全國15億人像數據資源，能實現人員身份驗證及識別，人像數據更全、應用場景更廣；以及雲從大運火眼跨鏡追蹤系統，基於RelD行人再識別技術與大數據計算技術，從公安實戰業務出發，可實時掌握目標人物行蹤，預判目標人物時空範圍等。
作爲四小龍中第一個擁有自研芯片的公司，今年8月，依圖還承建了視覺計算國家新一代人工智能開放創新平臺。可以說，依圖研發求索芯片融匯聚合了在算法、AI芯片和軟硬件協同開發等方面的能力，承建國家開放創新平臺，還可以將這個效應擴大。
某業內人士提到，其實人臉、車臉分析、視頻結構化，以及方案，很多平臺功能上可能95%都是一樣的，但差異化在於特定環境下人臉的檢測、識別速度上的秒級差距等差別。
與此同時，海康和大華，都在原有架構上繼續提進一步的解決方案和落地，也將概念講的更清。
今年是海康發佈AI Clould兩週年，今年安博會，也看到了其展出的在連鎖、物流、社區等幾十個行業的解決方案。
海康還發布了AI Cloud軟件家族圖譜，包含57款典型軟件產品，覆蓋公共安全、交通、製造、零售等20餘個行業。
大華也展示了HOC新型智慧城市架構下的平安城市、智慧交管、智慧零售、智慧消防等幾大解決方案。
安防“去安防化”
2019年年初，雷鋒網AI掘金志率先提出了“去安防化”概念。
隨後在3月23日由雷鋒網 & AI掘金志聯合主辦的「第二屆中國人工智能安防峯會」中，衆多嘉賓也談到，去安防化的本質，是承載安全防範的物理介質，在AI的加持下，已超越了它原本的能力。
確實，自計算機視覺開始全面滲透安防行業後，安防的邊界，也就變得愈加模糊。
在人工智能、雲計算的加持下，整個安防產業價值迅速提升，帶有深度學習功能的前後端產品不斷推出，後端人像大數據平臺已然開始滲透。
大趨勢下，可以看到，在安防實際項目的解決方案應用過程中，固有玩家們的作業模式已經從此前的硬件服務轉向軟硬結合；他們享受到的不再僅僅是監控攝像頭的原生價值，還包括IPC背後的潛在金礦。
正如手機、電視等行業一樣，行業發展後期，硬件本身產品價值有限，利潤空間會被進一步壓榨，而硬件背後的數據增值服務纔是各個廠商殊死爭奪的贏利點所在。
單純銷售硬件產品的安防企業將不再風光無限，穩坐釣魚臺。他們在與摩爾定律瘋狂賽跑的同時，也倒逼着以前的狩獵者必須尋求產生質變的技術革新，促進信息產業的飛速發展。
新形勢下，傳統安防巨頭的企業定位也從此前的“安防廠商”轉變成今天的 “基於視頻監控的物聯網解決方案提供商”。
後安防時代，這個行業正從之前的傳統安防企業，快速進入到AI創業公司、ICT互聯網通信企業、傳統安防企業三雄爭霸的局面。
AI到來之前，安防行業的服務主體更多的是政府、是公安；AI來到之後，視頻監控的功能及市場被數百倍放大，帶來的是新的慾望、新的需求、新的方向。
“去安防化”大時代下，萬物再生，機會均等。
本文轉自雷鋒網，如需轉載請至雷鋒網官網申請授權。