数据驱动揭秘中国智能交通安防AI生态中的挑战
数据驱动：解密中国智能交通安防AI生态中的挑战与痛点
在20多年的本土化发展后，安防行业经历了模拟、数字、网络、高清4个时代，现在已经迈向“安防+AI”智能化阶段。传统安防企业正不断前行，而广阔的AI安防市场吸引了众多AI公司加入，甚至包括BAT、华为等巨头。
5月27日，智能交通集成商千方科技宣布获得阿里巴巴36亿元的参股，这一消息迅速激起了行业对阿里未来安防布局的猜测。事实上，在此之前，阿里巴巴就已经推出了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，也是阿里的另一项重大布局。
以阿里的能力，再次投资一家拥有强大安防生态的集成商至少表明，其之前在这个领域的进展并不顺利，并需要通过资源扩充来支持其AI技术在安防领域的地位建立和拓展。
那么，我们来探讨一下为什么一个看似具有强大潜力的市场仍然存在着如此多的问题，以及这些问题如何影响整个行业？
四重生态：从算法到芯片再到解决方案和行业应用
我们首先要理解的是，整个 安全+人工智能（AI）生态通常由四个部分组成：
基础算法与芯片
在这一层面上，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、大疆等知名独角兽则提供全球领先的人工智能解决方案。
芯片端，由于国际巨头如英伟达掌握核心架构，如Caffe和TensorFlow，所以国内企业如百度、阿里巴巴、中兴通讯等正在努力构建自己的深度学习架构。
软硬件产品与解决方案
中游则是各种软硬件产品和解决方案，这也是宇视科技等安全企业强项所在，可以提供从端计算至云计算覆盖所有细分行业的大型产品系列，其中包括了人工智能、大数据存储基础应用。
行业场景应用
下游涉及政府、教育、医疗、零售等各个行业场景应用，是最终用户体验的一环，也是产品变现过程中的“最后一公里”。
核心架构
最底层，即核心架构，由于谷歌（Caffe）和Facebook（TensorFlow）的深度学习框架主导，本土企业中只有少数玩家如百度、高新技术产业园区进行自主研发或采购使用外部开源框架，如OpenCV，它们对于提升系统效率尤为重要。
两大因素阻碍早期人工智能爆发
尽管历史上人们一直对人工智能抱有期待，但它真正被普遍接受并融入生活之中还远未达到。这主要受限于以下两个因素：
算法演进速度慢
安全业早期主要关注图像清晰化问题，因此编解码算法及图像处理成为重点。而随着深度学习技术突破，对车辆属性识别需求增加，使得浅层机器学习逐渐成为主流。直到2012年AlexNet模型出现，深度学习才开始快速发展并被广泛采用。
硬件配备不足
AI需要大量运算能力才能实现复杂任务，大量依赖专用处理芯片。在没有针对特定任务优化过的人工神经网络处理器时，只能借助GPU进行分布式计算，大幅提高训练效率。当英伟达发现GPU适用于分布式运算时，他们便转向推出针对深度学习的人类设计专用处理器，从而极大地加快了整体操作速度。
总结来说，不同年代不同阶段的人脸识别技术进步不仅仅反映了人类社会文化价值观念上的变化，更是科学研究方法论上的演变。这意味着无论是在过去还是现在，无论是在理论还是实际操作方面，都有许多挑战待解决。
