日新月異的AI技術揭開了智能視頻網的新篇章。在海量視頻監控數據中，非結構化與半結構化占據了九成，其數據形式以及處理方式與結構化數據也存在較大差異，給智能視頻監控網絡應用帶來了應用困境，那么，這個困境該如何解決？

云邊融合大行其道

數字化背后的基礎技術是云計算，隨著物聯網應用和智慧城市的發展，幾乎所有數據都需要連接到云，安防視頻監控圖像即使被壓縮后也包含巨大的數據量，但如何傳輸和處理這些數據，已成為當前云計算技術架構的挑戰。 而人臉、車牌識別這一類較復雜的視頻分析技術要求前段設備具有很高的計算能力，因此云端大數據計算全局性的優勢還要配合邊緣計算的敏捷性，云邊融合大行其道。

提到云邊融合，就不得不提海康威視。海康于2017年下半年發布AICloud框架，AICloud由云中心、邊緣域、邊緣節點三部分構成，通過對云端和邊緣資源進行統一配置、管理、調度，實現從端到中心的邊緣計算＋云計算的結合，使系統的功能更為強大。

胡揚忠認為：“只談云計算不全面，只談邊緣計算也不全面，最后還是要云邊融合，云邊融合才能更好地解決問題。”

云端＋邊緣＝云邊融合？

云邊融合不是云端與邊緣簡單相加，也不是將“大云”分解成一個個“小云”。具體來說，邊緣側重點存儲以及處理終端設備所提供的多維感知數據，并將處理后的結果上傳至云，云端中心側重數據融合以及大數據多維分析應用。其中，邊緣側負責決定在什么時候、將什么類型、處理到什么程度的數據發送到云中心，實現“按需匯聚”，解決從邊到云所帶來的應用、數據處理、管理等一系列問題。

安防行業的多個領域都有此類需求。以智能交通為例，無論何種場景，安全都是最為重要的因素。如同人類對于危險的“下意識”反應一樣，當出現突發災害、信號干擾或技術故障等事故時，云端處理顯然不能滿足及時響應的需求，智能依靠邊緣端進行“下意識”反應，將危險降低到最小程度。云中心雖不必進行實時處理，但需要對各種事件進行收集、分析、預測，以提供優化解決方案，乃至為管理者提供決策參考。這其中“云計算”就相當于智能設備的大腦，處理相對復雜的進程；而“邊緣計算”就相當于智能設備的神經末梢，進行一些“下意識”的反應。

結語：由此可見，云邊融合不僅是對算法結構的優化，還可以從本質上改善現實困境。值得一提的是，在落地方面，無論是BAT，還是海康大華和華為，面臨的最大問題不在于技術，而在于如何不斷協調不同部門的不同利益和需求。