0
雷鋒網按：有時候看AI安防，就像這一幅畫，墨綠色的樹林訴說著這幅畫的寂靜，中間那條筆直的小路遙遙地伸向了遠處，不經意地看，你會覺得這條小路的終點就在不遠處。而仔細看時，你就會發現，這條小路是沒有終點的。
過去一年，有人說，AI安防之爭即將結束；但大多數人還是篤定，AI安防這場戰斗才剛剛開始。
三年前，滴滴自動駕駛公司COO孟醒談到一個觀點：人工智能行業，最缺的是頂尖產品經理。
三年后的今天，AI公司之爭，本質上還輪不到拼產品，尤其是智能安防產品，仍舊停留在用單點技術滿足客戶要求和性能需求的階段。
科技產業從萌芽到成熟，往往需要經歷三個階段：技術＞系統、系統＞產品、產品＞運營，互聯網已走到第三階段，而AI安防還處于第一階段。
尚是“幼兒”的AI安防行業未來終會怎么走？入局者們如何才能避開大坑小墻正向迭代？
在即將過去的2019年，雷鋒網AI掘金志從近百位采訪對象中整理了十四位AI安防領袖采訪語錄，以洞悉他們的獨特感想與體會。
現實和理想之間，不變的是跋涉；暗淡與輝煌之間，不變的是開拓。懂得奔跑很重要，奔跑途中，兼聽思辨更重要。
項目今年多一點，明年少一點，不是特別重要的事情，也不用算得太清楚。不必太過沉迷數字、圍著數字在轉，把目光放長遠些，這是我們應該要做的事。
—— 海康威視總裁胡揚忠
產業發展過程中，各有各的空間和玩法，做互聯網的、做算法的、做產品的，都在尋找自己的機會。就安防市場來說，活下來容易，發展壯大很難，誰來了都能咬上一口，但過上舒服的日子可能性不大。
從視頻監控產業來講，原來大約有1000多 家廠商，現在應該不超過150 家，或者更少一些；以前一年做一千萬的收入可以賺錢，現在一年做一個億可能都會虧損。
未來的安防行業，一定會出現很多變化，但整合的方式還不確定。曾經中國安防行業有過大的資本整合，但最終變成了資本游戲、鬧劇。
2000年前后，包括Tyco在內的五家公司大約進行了200次并購，而中國公司不一樣，無論是海康還是友商，并購的行為比較少，更多的是市場上的廝殺。
在安防行業，如果想要依靠并購做大，挑戰不小。
在業務層，項目今年多一些，明年少一些，不是特別重要的事情，也不用算得太清楚。我們不用太過沉迷數字、圍著數字在轉，把目光放長遠，這是我們應該要去做的事。
安防不知不覺就從一條小溪匯入了大海，風會更大、雨會更大，遇到的挑戰也會更大。在這個過程中，要清晰定義自己的業務邏輯和邊界，并持續聚焦到這些領域。
—— 大華股份總裁李柯
任何企業都需要有產品、有客戶、有渠道、有市場，客戶永遠不會只為技術買單。未來會有一部分技術公司能活下去，但也許不一定都是現在看到的這些。
從競爭角度考量，這兩年市場的輿論過熱了，現在的競爭關系不是簡單的0和1的關系，未來的市場更多的還是競合關系，產業鏈越長，亦是如此，優秀的企業需要有能力構建合理的技術生態和商業生態。
在這個過程中，當局者在考慮競爭的同時，更重要的是加強自身內力修煉，為客戶創造價值從而增加客戶黏性。
一個產業的格局演變取決于各個玩家的戰略選擇，戰略是有時效的，當前安防產業的變遷對于各個廠家的戰略選擇都是一個挑戰，戰略決定方向，方向決定未來。對于大華來說，還是會堅定自己的步伐，持續在自己聚焦的領域進行投入，高筑墻、廣積糧。
勢如破竹的時候，你只是迎合了大勢，而不是你出色。沒有卓越的公司，只有趕上大勢的公司。
—— 宇視科技總裁張鵬國
中國擁有世界上最大量且時間最長的數據，但大部分數據都在沉睡。現在很多社會管理部門會向BAT要數據，也許10年后，BAT會向各社會管理部門要數據。
未來十年、二十年將攝像頭、傳感器的數據利用起來，發揮應有的價值，降低社會管理成本，就會創造新的戰場。
在創造新戰場的過程中，人們總是傾向性高估自己的能力，其實自己沒有想象中的那么強大，能否跳出自身之外客觀看待自己的水平，對一個人來說非常重要。
一家廠商吃獨食的時代結束了，華為安防不做到第一不會退出。
—— 華為智能安防產品線總裁段愛國
過去一年，傳統安防頭部廠商與華為安防的戰略打法已然大相徑庭，交戰雙方都在向對方的城池發起猛烈沖鋒。
華為安防由后向前進軍，全力推出涉及人臉、車輛、視頻存儲等一系列產品及解決方案；傳統安防頭部廠商則從前往后調兵，大舉進攻云端，拼命往基礎層、平臺層和應用層行進。
事關城池與榮耀，守城者與破局者上演殊死博弈，這是多么美妙故事的經典開局。
這場史詩級爭鋒也讓幾乎全部安防人加入到了這場見證歷史的時代辯論中，且辯題只有一個：華為做安防，究竟有戲嗎？
目前來看，這個問題只有時間能夠解答，拭目以待。
永遠都沒有固化的產業。不管大企業還是小企業，是不是能夠在某個點上持續解決用戶需求，如果能做到，小企業能一夜崛起；如果不能做到，大企業也將很快倒下。
—— 海鑫科金董事長劉曉春
社會的發展永遠都是螺旋式上升的，一定會有一部分資源被浪費掉。
共享經濟下，倒下幾家公司就能證明共享經濟不對嗎？共享經濟還是有它的價值，但不一定是什么都可以共享。
產業發展前期，大勢未定，有一些泡沫存在是正常且必要的。創業者們應該學會在泡沫期里找商機，因為這個泡沫期不會太長，紅海遲早會到來，市場依舊會是“勝者為王”。
很多時候，創業是否成功并不是從單一維度去考量的，戰略投入的方向、力度、節奏、細節、覆蓋面都至關重要。
一個企業方向對了，不見得能做成；方向錯了，一定是失敗的。至于很多人談到的，某某初創公司是否撐得起多高的估值，資本市場自有評論。
數據已然成為了不可或缺的關鍵生產力，科學合理地獲取、存儲、分析以及利用數據成為抓住商機的最有效途徑。
—— 希捷全球副總裁暨中國區總裁孫丹
從2015年到2025年，中國數據圈以14倍的速度擴張，如此規模龐大的數據對置身于該經濟體的企業和政府等來講，機遇與挑戰并存。
與此同時，隨著數據的爆發式增長，數據安全、實時性以及碎片化也成為企業需要特別關注的方面。
2018年，數據圈中56%的數據需要得到安全保護，而到2025年將增長至66%。碎片化給數據識別、分類、管理、安全以及應用帶來的挑戰也是企業需要面臨的問題。
孫丹提到，數據已然成為了不可或缺的關鍵生產力，而科學合理地獲取、存儲、分析以及利用數據成為抓住商機的最有效途徑。
作為數據生態產業鏈中至關重要的一環，存儲對于企業實現其數據價值的重要性不言而喻。四十年來，希捷聚焦存儲市場，能夠為更多企業挖掘數據星球的潛力，獲取更多的價值。
未來的大方向是，在算法精度不斷提升的前提下，拓展智慧城市從1到N的業務邊界、促進2D感知到3D世界的落地，以及場景現實到虛擬現實的融合。
—— 商湯科技聯合創始人、研究院院長王曉剛
計算機視覺研究有幾個比較重要的部分：
一是基礎層，包括芯片、AI超算平臺、深度學習平臺等基礎方面的研究，在這方面，中國還有很長地路要走，西方尤其是美國領先我們很多。
二是應用層，這一塊中國是比較擅長的，我們有非常豐富的應用場景，這些應用場景可以給我們更多的反饋，驅動我們的算法不斷地進步。
三是工具鏈層，人工智能賦能百業，當不同領域需要人工智能技術越來越多的時候，它對科學家或者研究員的需求是線性增長的。如何讓普通的開發者、公測人員可以根據我們的工具鏈迅速開發出合適的人工智能解決方案，使其生產力充分釋放出來，這是未來我們需要面臨的重大課題。
大背景下，商湯以往、現在以及未來持續會做的是：在算法精度不斷提升的前提下，拓展智慧城市從1到N的業務邊界、促進2D感知到3D世界的落地，以及場景現實到虛擬現實的融合。
深度學習和傳統機器學習最大的差別是，隨著數據量越來越大，使用更大的神經網絡就有可能超越人類性能。
—— 曠視首席科學家、研究院院長孫劍
深度學習發展到今天并不容易，過程中遇到了兩個主要障礙：
第一，深度神經網絡能否很好地被訓練。在深度學習獲得成功之前曾被很多人懷疑，相比傳統的機器學習理論，深度學習神經網絡的參數要比數據大10倍甚至上百倍；
第二，當時的訓練過程非常不穩定，論文即使給出了神經網絡訓練方法，其他研究者也很難把結果復現出來。
這些障礙直到2012年才開始慢慢被解除。
孫劍認為，深度學習和傳統機器學習最大的差別是，隨著數據量越來越大，使用更大的神經網絡就有可能超越人類性能。
而具體到計算平臺上，目前包括云、端、芯上的很多硬件上都可以部署智能，技術發展趨勢是如何自適應地根據計算平臺做自動模型設計。
在這方面，曠視提出了Single Path One-Shot NAS的模型搜索新方法，它分為兩步：
第一步是訓練一個SuperNet，是一個超網絡，包含我們想搜索的子網絡，先訓SuperNet所有的權重；
第二步是搜索Sub-Nets子網絡，好處是第二步不需要訓練，非常高效。整個模型搜索時間只是正常訓練時間的1.5-2倍，但可以得到非常好的效果。目前在多個測試集上得到了領先的結果。
AI企業發展到后期，一定要聚焦、一定要做重、一定要控制好成本、一定要深入行業。如果還靠著不斷招人、發論文，也許估值會越來越高，但后期也一定會跌得越慘。
—— 云從科技聯合創始人溫浩
目前行業有個通病：對于學術的看重好像勝于一切。
如果AI公司能夠靠著科學家團隊走出來，當年微軟亞研基本覆蓋了中國AI圈的大半壁江山，后面的結果大家也看到了；再比如Google X部門 ,全球技術大牛云集，后面的產品做得好嗎？銷售了幾臺？
通過微軟亞研和GoogleX的例子可以表明：技術不是一切，通過大批學術人才去落地產品根本行不通，技術好不代表產品好，但產品好一定要求技術好。
在今天這一節點上，包括云從在內，或許并不應該太過關心技術的領先性，也非利用技術賺取多大的利潤，而是在業務線和技術體系無限擴大、無限縱深時，如何管理好N個愈加獨立的行業事業部和數千人團隊，是我們需要過的第一道難關。
文明的變遷靠的是科技的推動，科技推動就是基礎設施的革命；基礎設施提升的關鍵在于：提升一個區域或者一個城市的智能密度。
—— 依圖科技聯合創始人朱瓏
智能密度可以分為兩個維度考量：
宏觀上，要從單體的機器智能到群體的智能。比如說一個攝像頭能夠識別人臉的數量從100個到1000個、1萬個。而且這1萬個攝像頭能夠相互交流，互相對話，并且它們識別出來的信息是可決策的。
微觀上，單個計算機能夠支撐的智能算力要足夠大，這里的智能算力不是簡單的機器算力。
高級的算法可以用更少的機器算力實現更高的智能。總之：算力和算法兩者決定了智能的密度，而提升智能密度是普及AI的關鍵。
從感知智能到認知智能，未來還會出現一個新物種：機器智能，它會慢慢地具備人類的智能。
機器智能的發展可以分成幾個階段：1、記錄功能，沒有任何的識別能力；2、可識別，比如說攝像頭能夠識別人臉；3、可關聯，不同攝像頭之間識別出來的信息之間的關系是什么？怎么判斷？4、可預測、可預判；5、可規劃。
隨著數據、算法、存儲、算力和傳輸等基礎設施的不斷提升，AI在未來幾年會有更為革命性的發展，讓智能文明社會加速到來。
唯有用“最有效的算法+最經濟的軟硬體”解決客戶的剛需，才能在AI高速發展的今天形成敏捷而有價值的運營模式。
—— 澎思科技首席科學家、新加坡研究院院長申省梅
科技產業從萌芽到成熟，往往需要經歷四個階段：技術、系統、產品、運營。互聯網已走到第三階段，而AI還處于第二到第三階段的過渡階段。
在各個階段轉換的過程中，行業會發生非常大的變數，每一家公司都可能會贏，每一家公司也都可能會輸。
AI技術還有很多空間需要提升，現在基本上還處于監督學習，依賴大量的標注數據，半監督無監督學習以及增強學習還沒有看到成熟的應用，像大腦具有全面認智推理功能的技術還在研究當中。
而這些，都是后深度學習時代下，AI創業公司的機會所在。
AI芯片發展后期，客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。
—— 觸景無限CEO肖洪波
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制化處理，對于數據的理解、分析、處理更為透徹、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系，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，必須借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、溫度等都會成為關鍵因素。
AI加速只是前端落地應用需求的一個點，經過長時間打磨的AI加速芯片產品，應用于前端后的效果依然不佳。
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于路面的高要求，還有對于路牌、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。
先活下去，再談未來
—— 力維智聯董事長徐明
不同于其他行業，安防行業有其自身獨特性，需要全盤了解才能在這個行業更好地走下去。
對于大型企業來說，最終的競爭體現在機制體制的競爭，誰的機制體制更完善，誰就能在這場戰爭中獲得勝利。
而對于大多數中小型企業來說，必須要有自己非常清晰的戰略規劃。很多時候，大人打架，遭殃的是小孩。
在徐明看來，安防產業鏈冗長且繁雜，縱橫交錯，唯有強強聯手才能走得更遠。
另外，一個企業在發展過程中難免犯錯，力維要像頂尖互聯網公司一樣，對技術、市場、產品保持充分敏感，錯了要趕快改，盡最大可能將技術與場景結合，為客戶產生價值、盡最大可能打磨技術、落地產品。
做得好人臉識別技術，不代表人工智能解決方案就做得好，人工智能解決方案做得好，不代表智慧場景就做得符合用戶的實際需求。
—— 千視通聯合創始人、CTO兼首席科學家胡大鵬
很多人認為，人臉識別、大數據技術現在很多AI企業都可以做，并且準確率都很高，難度不大。這個說法并無大的邏輯錯誤，深度學習技術日益成熟的今天，識別技術對人臉的判斷并不難實現。
但是，做得好人臉識別技術，不代表人工智能解決方案就做得好，人工智能解決方案做得好，不代表智慧場景就做得符合用戶的實際需求。
初創型AI企業，要么不做，要做就得做好、做細。雷鋒網雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
