数据驱动智能交通新闻解密安防AI生态中的痛点
经过20多年的本土化发展，安防经历了模拟、数字、网络、高清4个时代，目前已经进入到“安防+AI”智能化阶段。就在传统安防企业砥砺前行之时，广阔的AI安防蓝海市场吸引了众多AI公司纷纷参与围猎，就连BAT、华为等巨头也参与其中。
5月27日，智能交通知名集成商千方科技宣布获得阿里巴巴近36亿元参股，一时竟引得行业纷纷竞猜阿里巴巴的安防布局意图。其实在此之前，阿里巴巴就已经推出了布局智慧城市顶层应用的“城市大脑”，这是一套基于大数据应用的城市级管理平台，也是阿里布局安防的标志。
以阿里之能，仍需投资一家拥有安防生态的集成商，这至少说明阿里的安防布局进展并不顺利，更需要扩充资源来协助其AI技术在 安全领域中实现全面部署和有效运作。
那么，我们究竟了解多少关于 安全+AI 的行业特性？它又存在哪些难题，以及为什么即便面对来自各路知名 AI 企业强势围剿，它仍然必须寻求合作伙伴呢？
四重生态：每一环节都有独特的声音
我们首先要理解的是，“安全+AI”的整个生态系统由四部分构成：
基础算法与芯片
设备制造与解决方案
行业应用生态
最底层核心架构
最上层是基础算法和芯片，以宇视科技为代表的大型 安全企业都开发有自己的高级人工智能算法；而商汤、旷视等著名 AI 独角兽则是在全球范围内享有一席之地，可以说中国企业在算法端已走在世界前列。而芯片端，由于国际巨头如 NVIDIA 等主导市场，使得国内虽然具备自给自足能力，但依旧未能完全摆脱对外国产品依赖。
中游则是各种软硬件产品和解决方案。在这里，我们可以看到宇视科技等几家领军企业提供从端计算——边缘计算——云计算覆盖大型 安全产业链以及细分行业的一系列产品和解决方案，其中包括了人工智能、大数据等基础应用。
下游涉及政府教育医疗零售各个行业场景应用，其产业链和企业类型繁杂，不仅包含深耕 安全设备商，还包括运营服务商系统集成商软件定务商等多种类型的人员。此时，最终面向用户的是这些产品落地过程中的最后一步，即变现过程中的“最后一公里”。
除了上述三部分生态，还有一个被忽略但至关重要的地方，那就是最底层核心架构。这通常由 Caffe（卷积神经网络框架）TensorFlow（第二代人工智能学习系统）这样的国际标准支撑，而掌握这些技术的人主要集中在谷歌 Facebook 等国际巨头手中，本土只有百度 阿里 巴斯 汤旷 视少数公司试图打造自己的深度学习架构体系。
2大因素制约早期 AI 爆发
人们往往认为 人工智能 在 安全领域始终存在，但直到脸部识别技术普及后才被广泛认知。事实上，在安全领域，是先天具有使用人工智能进行车辆识别的人群，如车牌识别车辆品牌颜色属性检测。而近年来逐渐扩展到了其他诸如人脸行为事件步态物品识别等多种形式。但这是历史发展规律使然，有着两方面原因所限：
算法维度分析：
早期首要问题是图像清晰化编解码与图像处理。
随着2012年AlexNet表现出惊人的结果，对 深度学习带来了爆炸式增长，并迅速成为新时代 智能视频监控设备研发方向之一。
硬件维度分析：
没有专门针对 人工智能 的专用处理器。
英伟达发现GPU分布式计算优势，并推出针对深度学习处理器，如Tesla GTX系列，为后续深入研究奠定坚实基础。
随着算力的大幅提升，从几个月完成迭代训练，现在只需几小时即可完成同样工作。这也是当前 智能视频监控设备研发趋势所致，同时也反映出如何更好利用机器学科方法提高效率是一个迫切需求。
