機械思維驅動了工業革命，數據思維則引爆了智能革命。這是最壞的世界，也是最好的世界。當下，我們就身處一場智能革命之中，云計算、大數據、人工智能這些技術正在為各個行業邁向智能化而貢獻力量。

在智能技術的驅動下，我們的社會活動將會產生何種變化？我們的未來城市又會朝著哪個方向發展？以AI為代表的新技術，正在促進智慧城市的進一步發展。

AI+安防在智慧城市建設中應用瓶頸與疑難

隨著人工智能應用潮水般發展，AI+安防應用瓶頸和疑難也愈加凸顯

瓶頸一：“算法紅利”即將消失

作為人工智能領域里最為知名的算法比賽ImageNet是目前世界上圖像識別最大的數據庫。這個項目是美國斯坦福的計算機科學家，模擬人類的識別系統建立的。經過2010-2015年的發展，人臉識別算法已從淺層神經網絡向復雜的深度神經網絡算法發展，由最初的（2012年）8層神經網絡發展成為2015年的152層神經網絡。

而識別率也迅速提升，由淺層網絡的28.2%的錯誤率迅速降至3.57%。2010-2016年，人工智能的各類算法識別率節節攀升，核心原因在于：1.硬件算力迅速提升，特別是GPU的廣泛應用，允許神經網絡模型更加龐大;2.神經網絡算法本身也經歷演化與自身加持，算法效率與識別率進一步提升。時至今日，伴隨著動輒1000多層的超深度神經網絡模型的建立，神經網絡算法已達到數據飽和狀態，語音與圖像的識別率進入瓶頸區域，若無算法層級上的突破，未來識別算法的效能提升將迅速邊際遞減。

與此同時，以谷歌研究院、微軟研究院為代表的人工智能研究領軍機構在算法開源化做出的努力，軟件工程師可以迅速通過谷歌、微軟等公司提供的人工智能開發包進行“二次開發”，實現人工智能全新領域的應用。隨著人工智能研發的門檻迅速降低，全球各地打著“人工智能”旗號的創業企業如雨后春筍般的出現，并獲得了資本市場追捧，人工智能市場競爭越發激烈。國內人工智能領域創業者紛紛表示人工智能算法的優勢地位頂多只能維持6個月，谷歌、百度等一眾行業霸主在單個算法上也僅能保持6個月的領先。“算法紅利”即將消失，如何利用算法找到用戶核心痛點并付諸應用才是人工智能企業生存的法寶。

瓶頸二：三大壁壘日益顯現

人工智能的底層技術已經完成原始積累，無論從感知智能（弱智能）的各種識別算法超越人類感官，還是認知智能（強智能及半強智能）中AlphaGo戰勝李世石后，在2017年初化名為Master的升級版AlphaGo在圍棋網站上先后將聶衛平、柯潔等新老棋圣斬落馬下。人工智能現階段已將其核心的深度神經網絡算法打磨得無比鋒利。無數創業者和企業也迅速地組建了人工智能團隊，并企圖在人工智能時代分一杯羹。先是谷歌聘請深度神經網絡鼻祖GeoffreyHinton，Facebook聘請YannLeCun，百度則聘請AndrewNg。再有DeepMind公司成立并被谷歌收購，SenseTime、曠視科技等等企業開始創業，并在各自領域取得全球領先水平。然而這些企業面臨著同樣的一個問題——如何將自己的技術進行產業化產品化并得到市場的認可。

這些事件說明，互聯網龍頭開始意識到算法將越來越不具備稀缺性，算法的邊際改善將越來越小，這些龍頭企業紛紛通過人事變動來調整自己的AI戰略，并將其AI產品化作為戰略方向。在人工智能算法研發投入產出比變得不再具備經濟性，且算法本身性能已經達到成熟水平的時點，AI領域的“算法紅利”即將消失，我們認為數據稀缺性、產品化能力、渠道資源將構筑人工智能產業化的核心壁壘。

壁壘一：數據稀缺性

神經網絡算法模型的建立，需要用大量數據進行調優與完善，一定意義上講，進行訓練的數據量越大，數據質量越好，訓練得到的算法準確率越高，因此在特定領域內數據將成為稀缺資源及行業準入門檻。從價值上觀察，安防、金融、醫療這三類數據既有行業門檻，也具有極強的數據壟斷性。例如安防領域，如果要進行人臉比對和身份認證，算法公司必須得到政府相關部門的授權才可以進行身份證信息提取。再者，如果人工智能診斷影像識別公司需要大量醫學影像的原始數據，則需要大量懂得醫學專業知識的醫生或者技術人員進行前期數據標注，這樣才能保證數據質量的可靠性。

壁壘二：產品化能力

人工智能的應用涉及到較多工程性的產品化能力，這也將成為人工智能企業賴以生存的核心競爭力之一。例如支付刷臉的人臉識別系統中，算法公司通過不斷試錯，成功的將刷臉支付流程中加入了“活體驗證”（眨眼、轉頭等證明用戶是活人而不是照片）的過程。中國企業相比于海外公司具有更強的工程化、訂單制研發能力。產品化能力一方面能補全部分“后進”公司在算法效率上的微弱劣勢，另一方面可以極大提升垂直場景中的功能與效率。從技術上而言，幾乎所有人工智能創業公司均具有相關算法能力，但融入到具體場景應用中時，工程及產品化能力將成為企業繞開“路障”的一個法寶。

壁壘三：渠道優勢

我們認為，人工智能技術將率先應用于ToG、ToB端應用，而ToC端應用較為滯后。核心原因在于ToG、ToB領域的場景往往較為單純，業務重復度較高，因此人工智能有望迅速提升業務效率，減少人工投入。ToC端應用由于需要根據個人用戶進行個性化定制和調整，在人工智能早期，數據體量不足的情況下往往體驗較差，很難大規模推廣。ToG、ToB領域當中，人工智能技術已在安防、教育、金融等多個領域開始出現大規模訂單落地情況。初期訂單的落地將大大降低商業模式門檻，并形成“雪球效應”：大規模的應用也將積累大量數據，反過來迅速提升模型精確度。渠道優勢的這種“雪球效應”所帶來的先發優勢，將成為人工智能企業的核心優勢。

總體來說，我國的視頻監控行業經歷四個階段：1.起步階段，傳統模擬監控，國內自主知識產權落后，安防系統用戶局限于政府部門;2.發展階段，數字監控，安防用戶增多，監控規模擴大，圖像數字化儲存，分辨率邁入標清時代;3.提高階段，高清化監控，市場容量持續增加，視頻監控系統與用戶業務系統融合;4.智能化階段，逐步形成集數據傳輸、視頻、控制于一體的智能化安防綜合管理平臺。中國目前正處于高清化監控的提高階段，此階段的市場容量持續增加，視頻監控系統與用戶業務系統融合。隨著視頻監控技術的升級，安防行業的智能化也迅速到來。與此同時，硬件設備性能的提升也為人工智能應用提供了重要保障。圖像識別功能所采用的深度神經網絡算法是采用大量訓練集數據進行模擬和調優所構建的，這就意味著人工智能圖像識別技術的運算與應用離不開大量數據的支持，為模型提供的圖像信息越豐富、像素越高、清晰度更高，越有助于圖像識別準確率的提升。作為行業的重要發展方向，未來的安防行業必定是高科技云集的行業，AI+安防的組合模式為行業發展最終步入智能化階段提供動力。

AI+安防在智慧城市建設中的應用前景與趨勢

在智慧城市建設中，從智慧交通可見一斑，未來人工智能的警用機器人將取代交通警察，實現公路交通安全的全方位監控、全天候巡邏、立體化監管。當前，完善公路交通安全防控體系是全國公安交通管理部門的重大科技建設項目。公路交通安全防控體系實現對公路上車輛通行情況、交通違法情況和道路隱患及時監控、發現、取證、傳遞、處理、反饋、修正，進一步提升公路管控力度與水平，進一步增強勤務管理科學性與針對性，及時發現查糾各類交通違法行為，明顯改善了道路通行秩序，有效遏制了重特大交通事故。

公路交通安全防控體系涉及的核心技術是交通行為監測、交通安全研判、交通風險預警、交通違法執法，而這些技術現已與人工智能融為一體。實現公路交通運行狀態“看得見”、車輛通行軌跡“摸得透”、重點違法行為“抓得住”、安全隱患事件“消得了”、路面協作聯動“響應快”、交通信息應用“服務優”等目標，都離不開人工智能技術。

人工智能的未來應用，就是把現在交通管理人工做的事情慢慢都通過系統和設備來完成，智能化程度越來越高，初級和中級決策慢慢會被人工智能決策替代掉，現在所有的智能交通產品和技術無非就是為了實現這個目標。至于人工智能在交通領域的應用能不能理性發展還要看公司本身，但可以肯定的是——需求不可能推動理性發展。

未來的智能交通，一定是城市交通大腦連接和管理城市交通的所有智能化設施，所有交通數據都匯集到了一個“大腦”之中，有成千上萬的專家輔助決策方案，各個部門的管理模式都可以和系統相匹配，所作出的決策有跨部門聯動的都可以順利執行。要提醒的是，和其他很多技術一樣，人工智能也不可能解決所有問題，尤其是一些非技術的問題，交通運輸部公路科學研究院首席科學家王笑京就認為，需要避免過度“神化”智能交通技術應用效果，通過科學規劃和系統設計形成科學的交通發展結構仍然是城市交通發展的關鍵工作，智能交通技術的功能是支撐服務升級。

結語

人工智能是安防領域的未來，在通往未來的道路上，還有許許多多障礙和困難需要跨越和克服，但總體趨勢是樂觀的，我們堅信只有具備自主、個性化、不斷進化完善的人工智能大腦，才能解決安防領域日益增加的需求，成為廣大用戶的專家和助手，提升整個安防領域的智能化水平，推動安防產業的升級換代。