0
| 本文作者： 張棟 | 2020-09-09 18:33 | 專題：第三屆中國人工智能安防峰會 |
2020年9月5日，由雷鋒網& AI掘金志主辦的「第三屆中國人工智能安防峰會」在杭州正式召開。
本屆峰會以「洗牌結束，格局重構」為主題，會上代表未來新十年的15家企業，為現場1000余位聽眾和線上幾十萬觀眾，分享迎接安防新十年的經營理念與技術應用方法論。
峰會之上，大華股份先進技術研究院院長殷俊帶來了題為「AI 行業應用，產業升級」的精彩演講。
殷俊認為，AI經歷了理論研究的1.0、智能落地的2.0，目前處于行業智能的3.0階段。
AI 1.0時期是“兩耳不聞窗外事，一心只讀圣賢書”，計算力不夠，數據有限，算法不成熟；
2.0階段是“紙上得來終覺淺，絕知此事要躬行”，算法、算力有了突破，成熟的算法尋找落地場景；
3.0階段是“忽如一夜春風來，千樹萬樹梨花開”，行業最需要的不僅是一套算法、一套系統，而是企業解決客戶痛點和需求的能力。
在行業智能背景下，人工智能需要具備的基礎能力包括：一是AI技術泛化、快速遷移新應用的能力；二是應用牽引，快速適配新需求的能力。
殷俊認為在3.0階段是應用主導個性化和AI解決方案的敏捷交付。
在這個過程中，首先要構建人工智能解決方案的端到端體系化能力，大華已經在四個方向做了重點布局：系統架構、數據智能、智能工程化、智能技術。
除了構建以上核心能力，大華還開放全棧能力，賦能行業生態，并在實戰中持續積累人工智能核心技術，針對全場景理解、小規模數據、泛化能力、多任務學習和AutoML的人工智能五大技術挑戰，開展實踐探索，并已取得出色的實戰應用成果。
最后，殷俊強調，AI目前還是依賴人工為主，大華希望未來在行業共同努力下，能夠真正轉向AI的自我智能，推動行業智慧化落地。
大華股份先進技術研究院院長 殷俊
以下是殷俊現場演講全文，雷鋒網作了不改變原意的整理與編輯：
殷俊：大家好！感謝雷鋒網的邀請，在座的有很多都是老朋友了，非常開心每年都能夠和大家聚一次。
過去三年時間，我們一直在討論人工智能到底是什么？
如今，AI已經可以賦能各行各業，包括在很多碎片化場景中，也可以看到AI的身影了。今天我想跟大家分享的話題是：“AI行業應用，產業升級”。
過去兩年，數字經濟這個詞特別火熱，安防也被稱之為數字安防，數字安防實際上經歷了很多次的更新與迭代。
從最早的數字化、網絡化到今天的智慧化，AI的到來使得智慧化轉型成為可能，在踐行的過程中，我們首先需要思考：AI如何才能實現商業化，畢竟技術不可能一直投入，得不到產出。
2018年，在雷鋒網組織的第一屆人工智能安防峰會上，我們探討了AI如何去推動行業變革。
2019年，在雷鋒網組織的第二屆人工智能安防峰會上，我們談到了如何去提升場景化的應用體驗。
今年，我們將談談AI如何真正持續落地，產生商業價值，以實現智慧化轉型。
首先我們認為，AI已從1.0階段發展到了今天的3.0階段。
什么叫AI 1.0階段？這個階段大家都在研究各式各樣的算法，我們可以形象地稱之為“閉門思過”。
為什么會這樣？因為那時候計算力不夠、信任度不夠、算法不成熟，數據也很稀缺，所以也可以總結為：兩耳不聞窗外事，一心只讀圣賢書。
AI 2.0階段，算力得到了一定的突破，算法也可以階段性落地，譬如之前的車牌、人臉等識別，可以用AI進行部分功能替代，這個階段我們總結為：紙上得來終覺淺，絕知此事要躬行。
今天到了AI 3.0階段，我們要談的不是做出一套非常厲害的算法、也不是做出一套非常厲害的系統，而是需要弄清楚客戶究竟需要什么功能？而我們能夠提供什么樣的能力？
這個時候就會發現，真正的3.0階段可以稱之為：忽如一夜春風來，千樹萬樹梨花開，也就是真正到了萬紫千紅綻放所有的行業生態的階段。
面對這個階段，大量行業應用驅動人工智能需求的快速加載，為匹配智慧化的服務要求，兩大能力最為關鍵。
第一，AI技術要能夠泛化。不同行業會有很大的差異，但基礎的AI能力能夠快速遷移到新應用，比如大華以前做車牌識別做交通管控的應用，在民生服務領域，大華將這個技術快速遷移，應用到智慧停車場及綠色停車位等領域。
第二，面向一個新型、突發性的應用需求，能夠有快速適配的能力。正是因為具備這樣的能力，在今年疫情之初，大華在短短的7天時間實現研發并量產超高精度的測溫系統。
基去這個兩個點，以人工智能為工具，可以為包括政府端、企業端、To C端提供各類各樣的智慧化服務。
另外，AI 3.0階段還應該是應用主導個性化AI解決方案的敏捷交付。
在這個過程中大華認為，首先要構建人工智能解決方案端到端的體系化能力，重點構建系統架構、數據智能、智能工程化、智能技術四大基礎能力，保證我們做實智慧化的應用服務。
同時，不僅僅要聚焦人工智能本身，更重要的是通過物聯網與人工智能的融合，積極、高效響應各行業的應用需求。
幸運的是，身處AI 3.0階段，大華已經鍛造了三種能力：
第一，我們有一套完整的技術體系架構，基于豐富的硬件與軟件資源，大華已實現了以業務導向的快速定制體系，解決了AI加載、算力與資源調配、安全等實際問題，從而保證技術快速落地，實現高質量、高可靠性、彈性的穩定交付。
第二，我們有一套完整的數據智能閉環，在數據智能上，除了解決智能化本身的問題，還需要建立數據從“數據獲取、數據治理、數據管理到數據分析”的完整的數據鏈路閉環。大華利用長期積累的大量行業經驗、實踐經驗、數據經驗，建立了一整套從感知到智能到數據環境的數據智能的閉環。
第三，我們有一套完整的工程體系，大華已建立面向人工智能快速部署的完整工程體系，加快從技術到產品到商業落地的轉化效率。此外，在整體系統運行上，大華在端、邊、云的數據統一、系統調度和數據鏈路做了大量的工作，實現真正的端、邊、云數據協同，從而保證系統最優地運行效率和用戶體驗。
基于剛才所提的架構體系，我舉一個例子。
比如我們基于自身的感知能力做生態環保，可以真正面向客戶的作業管控需求，形成一個完整閉環；同時我們還會根據業務的不同實現快速加載，完成服務端可彈性的兼容，如標尺、污染物、水表、卡尺等方面的應用，以及未來在生態環保方面其他更多的業務應用需求，都可基于我們彈性的技術架構做到快速擴充。同時在中間能力方面，包括基礎設施、IoT物聯網等能力也可以無限拓展。
回到數據智能，我們認為在整個數據世界里面其實什么都沒有，唯一有的要素就是數據。
對于數據來說，從采集到應用，其實整個過程非常辛苦。通過人工智能等手段去做感知數據的真正結構化，這是一個層層遞增的緯度問題。基于此，去年安博會期間，大華提出了通過AIoT構建我們的四維數字世界，來構建智慧孿生的過程。
在這個構建過程中，我們認為人工智能不是一個點狀的問題，而是一個產業鏈的問題。
人工智能的應用不會是單一算法問題，而是以全鏈路的數據為基礎，強調的是通過數據智能與人機協同，用貼合業務的人工智能解決方案滿足智慧化的需求，這對在線系統的全網設備與計算能力管控與調度，人工智能的加載，多維度感知技術等提出了更高的要求。
所以大華在構建人工智能體系的過程中，考慮到了包括算力的構建、核心算法的構建、面向各個行業應用的構建，以及我們如何去覆蓋各個產品類型的邏輯。
當然，只是解決了數據智能化還不夠，還需要對數據進行挖掘、整合、分析。
所以我們構建了一條完整的數據鏈路，從數據管理、數據治理、數據知識加上人的經驗，來實現數據智能的閉環。
我們認為，此前的數據智能更多的還是基礎智能加上人工經驗輔助，還不能達到自我智能。
未來，從經驗式的數據智能，到自我決策的邏輯，需要通過大量的數據經驗、人為經驗，包括行業經驗，來滿足我們在數據智能這方面能力的提升。
另外一塊是工程化邏輯，就是如何能夠快速產生人工智能能力。
我們在構建這方面能力的時候，主要考慮到了兩個點：第一把整個平臺做好，這樣才能做到從數據到算法快速的生成。
第二需要滿足現場快速定制化的要求，包括數據隱私、數據安全性問題。
基于此，我們構建了一大一小兩大數據訓練平臺，包括大華巨靈人工智能開發平臺、大華巨靈人工智能開發工作站，以實現我們的AI快速標準化和定制化的過程。
同時，我們也發現，近幾年中國出現了很多芯片公司，我們會面臨更多芯片的選型問題。基于此，我們也構建了一套完整的供應鏈體系，來實現面向所有芯片的快速部署，加快我們從技術到產品，到商業落地的轉化效率。
另一方面，在整個系統中，我們還要完善端側、邊側、云側大小系統融合過程中數據連通、數據融合、數據一致性的問題，來優化全網資源配置、算力統一調配，保證數據一致性。
除此之外，我們還要和合作伙伴們去做互聯互通。
從云端到智能應用，從算法倉庫到硬件產品，我們在每一層都會提供開放能力，我們希望和所有合作伙伴一起開放共贏。
當然，AI雖然現在可以做到部分商業化落地，但未來還有很大的提升空間。
我們認為人工智能未來在五大方面可能會有比較大的提升，包括全場景理解、小規模數據、算法的泛化能力、多任務學習以及AutoML過程。
先來談談全場景理解。以前的交通路口AI應用，其實只能叫做半人工智能，因為很多規則需要提前部署，我們會劃出很多規則線，告訴相機哪個是斑馬線、哪個是紅綠燈、哪個是道路線，這個工程量其實很大。
后面我們把交通要素全部標識出來，做成了一個全域智能模型，也就是說不用再人工配置了。
對于產品解決方案來說，這是一個非常好的提升方向。我們認為，未來的AI發展趨勢，在于對全環境的感知，讓它能夠自適應理解全場景，而不用人為地告知目標對象屬性。
小數據這個問題，剛才楊教授也講到了，未來不會有大量的數據給到你，需要你通過數據生成和遷移學習快速實現新功能開發。
其實通過小量數據樣本，也可以得到一個比較好的數據模型，我們會做一些訓練模型，希望通過這些嘗試，幫助人們快速降低算法成本。
第三塊叫做泛化能力，視頻應用環境各式各樣，有白天、晚上、下雨、曝光，不同環境下的成像都不太相同。
這時候通過我們的系統能力去提升算法的魯棒性，來減少對場景的依賴至關重要。我們認為實戰是檢驗算法性能的唯一標準，而不是實驗室指標高一個點、低一個點。
再來，我們還要解決多任務問題。為了實現一個場景應用，現在一套算法做下來，可能有十幾二十個模型。未來，我們希望利用多任務學習技術，提升計算資源利用率，在有限計算資源的條件下，實現多算法融合，讓算法訓練更簡單。
最后一點，這也是我們的一個夢想，我們希望通過AI的設計語言，來實現編譯部署和編譯環境。大華內部有一套DAIL的編譯器和語言，雖然大部分的內容還是開源或者引入。但未來我們也希望能夠開發出一套國產化的EDA工具，來簡化整個行業智能算法的開發和部署過程。
今天講到了很多內容，總結一下，主要有三個點：
1、AI會長期處于第三階段；
2、應用會主導AI個性化發展；
3、AI目前還是依賴人工為主，未來會真正轉向自我智能，實現人工智能的快速落地與技術普惠。
最后，感謝雷鋒網給我這次分享的機會，謝謝大家。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
