Page 62 - 安防19年12月刊_150dpi
P. 62
A 人工智能
Artificial Intelligence
工智能的识别能力甚至超过了人眼。算力方面，国内外 证。那么，训练出来的模型并不如厂商直接提供的好多
虽然也有众多的互联网巨头和创业企业参与其中，但英 少。另一种方法是让模型自己具备一定的自学习能力，
伟达在数据中心芯片方面、海思在前端芯片方面分别有 并不显性的要求用户进行模型训练，而是在使用过程中
绝对的领先优势，其他企业都属于新进入者，竞争远不 增加一些确认环节，通过用户确认结果的好坏巧妙的
像算法那样激烈。那么相较于算法的迭代速度，算力的 实现自动标注。这种方法的问题在于模型完全离线，处
提升就显得比较缓慢。拿安防行业举例，一台200万像 在客户的环境，只对特定的用户本身有价值，而无法提
素的摄像机已经非常便宜，但如果同时要叠加人脸、车 升厂商的原始算法。用户环境下的算法模型和厂商环境
辆、行为分析功能，则智能芯片的成本可能已经超过了 的模型各自独立提升，逐步成为两个不同的分支。当用
摄像机本身，如果考虑算法的开发成本，则端到端的建 户希望使用厂商的新模型时，客户的模型会被覆盖，前
设成本每路超过万元。这极大限制了人工智能的在安防 期的训练努力很可能就付之东流。可以预见，算法的进
领域的普及。 入门槛已经显著提升，在人工智能没有新的颠覆性技术
人工智能面临的另外一个困难就是样本数据。样 出现之前，很难有新企业进入。
本数据对算法的作用就像儿童学习知识，在没有充分
的学习和训练之前，虽然人脑有很大的潜能，但是无法 实战为本
发挥作用，连一些简单的数学题也不会做。人工智能超 算力和样本数据是目前人工智能的最大束缚，如何
过人类的地方在于学习的速度非常迅速，只要样本数 在有限的资源下做最有用的事情，是当前人工智能进一
据足够多，短时间就可以掌握人类一生都无法企及的知 步普及的关键。一个现实的途径就是像盖楼一样，使用
识。而不如和类的地方在于，当前的人工智能还是分门 工程化的思维对场景进行分类，形成一套相对标准的
别类，人工智能系统只能做相对单一的事情，视觉智能 方法。宇视在实践探索中，归纳了一套工程方法中，并
模型只能做图像识别，声音智能模型只能进行声音的 与中科院自动化所联合进行了优化，公开发布以供业界
识别，虽然也有迁移学习等理论存在，但本质上还是限 参考和完善。在宇视的AI工程化顶层设计模型中，把人
于特定领域。训练的过程和人类接受教育的过程一样， 工智能应用的整个链条分成三类能力，分别是基础技
主要以监督学习为主，需要人工介入进行各种标定，完 术能力、产品架构能力、实战业务保障能力。
全独立自主的自学习还做不到。按照安防行业人脸标定
的经验，一个熟练的标定工程师每天人脸样本标定量
（用于识别的样本）大概在40张人脸图片，这就意味着
AI企业在训练过程中需要投入大量的成本。目前互联
网龙头、四小龙在金融等领域，安防龙头在视频监控领
域都已有多年的数据积累。
近两年，样本数据训练也涌现出一些新的解决方
法。一种方法可称之为人工智能开发平台，做法是把训
练中心搭建在公网上，让合作伙伴和终端用户介入到样
本训练之中。这种方法的问题是模型训练需要较大的 上面所说的AI三要素划分为基础技术能力。为什
训练量，客户很难有机制保障持续的投入。另外，数据 么要引入其他两个能力呢？ AI算力的成本是人工智能
的训练标注也需要专业指导，用户的标注质量得不到保 普及的一个约束，如果能把算力在整个系统中进行合
44 第九届深圳国际智能交通与卫星导航位置服务展览会(2020年深圳会展中心)www.its-expo.com
ದ۽ᇆି JOEE ྒ௹ඹ
