数据驱动解析智能交通安防AI生态中的挑战与机遇
随着20多年的本土化发展，安防行业经历了模拟、数字、网络、高清4个时代，并现已迈入“安防+AI”智能化阶段。传统安防企业在不断前行的同时，“AI安防蓝海”市场吸引了众多AI公司参与其中，甚至包括BAT、华为等巨头。
5月27日，千方科技宣布获得阿里巴巴近36亿元参股，这一消息不仅让整个行业紧张猜测阿里在安防领域的布局意图，而且也凸显了阿里的智慧城市顶层应用平台——“城市大脑”，这是一套基于大数据应用的城市级管理平台，也是其在安防领域布局的一标志。
尽管如此，阿里需要投资一个拥有完整安防生态集成商，如千方科技，这至少说明其之前在此领域的进展并不顺利，而需要通过资源扩充来协助其AI技术在 安全领域内进行全面发展。
那么，在这个复杂而广阔的“安全+AI”生态中，又存在哪些痛点？即使面对众多知名企业围猎，它仍需依靠合纵连横来推进？
我们可以从四重生态出发来探讨这一问题。首先，从算法和芯片层面看，以宇视科技为代表的企业都开发有各自的人工智能算法；而商汤、旷视、依图等四大独角兽则是全球知名，可以说中国企业和中国的安全公司已经走到了世界前列。而芯片端，则主要有GPU、ASIC和FPGA三种类型产品，其中中国已能满足自身需求。
接着，我们分析中游，即各种硬件产品和解决方案。这也是宇视科技等一众安全企业强项，可以提供从端计算到边缘计算再到云计算的大量覆盖所有细分行业的大型产品和解决方案，其中包括人工智能、大数据等基础应用。
最后，我们关注下游，即政府、教育、医疗零售等各个行业场景应用，这涉及到的产业链及其相关企业种类繁多，不仅包括深耕安全设备商，还有运营服务商系统集成商软件定务商等。宇视黄攀指出，在 安全+AI产品落地时，最终面对用户的是这些产品变现过程中的“最后一公里”。
除了上述三个部分外，还需要考虑最底层核心架构，也就是最容易被忽略的一环。目前主流的人工智能底层架构如Caffe（卷积神经网络框架）、TensorFlow（第二代人工智能学习系统）掌握在谷歌Facebook这样的国际巨头手中，本土企业中，只有百度阿里巴巴以及少数几个其他玩家才开始构建自己的深度学习架构。
因此，为了理解为什么早期的人工智能技术并没有像预期那样爆发，那么我们就要分析两个关键因素：算法发展与硬件支持。在早期，由于图像清晰化成为首要任务，因此编解码算法及图像处理算法成了业界优先开发目标；随后，当车辆属性识别成为主流应用时，一些初步模式加浅层机器学习逐渐占据 安全领域；但直至2012年AlexNet出现后，大规模采用深度学习技术才真正将 安全带入了“深度”阶段，并且首次被广泛用于人脸识别领域。
同样，对于硬件方面来说，没有专门针对人工智能算法设计出的专用芯片，使得当深度学习算力需求增加时，没有足够有效的手段去应对。而英伟达作为游戏业务背景下的发现GPU分布式计算优势，以及推出针对深度学习特定的系列处理芯片，如Tesla GTX系列，加速了这一转变过程，为后续的人工智能快速增长奠定基础。此外，与原来的几月完成训练迭代相比，现在只需几小时便可完成相同任务，此事实上的速度提升极大地促进了新兴技术之所以能够迅速普及的情况。
