随着技术水平的不断提升以及在社会生活各个领域中的应用,人工智能已经不再被视为一种“魔法”,而成为赋能社会各行各业的生产力。百度创始人李彦宏坦言,现阶段“人工智能不再讲究酷炫,而是要讲究如何扎扎实实地推进和落地。”

 

如果说 AI 是蒸汽机与内燃机,那么 AI 算力则是“煤炭与石油”——AI 应用建立在算力之上,若没有算力可“烧”,AI 将是空中楼阁。OpenAI 的一份全球 AI 算力供需研究报告显示,AI 算力需求量每三个半月就会翻一番,从 2012 年到 2018 年,全球算力需求增长了 30 万倍。

 

算力缺乏阻碍智能摄像头发展

交通、零售、物流、智慧城市……传统的安防行业正因为人工智能而拓展到更多维度。然而,当下 AI 算力却捉襟见肘,无法满足特定计算需求。受到算力、算法和技术标准等因素的制约,安防监控视频的快速处理和深度利用仍需要大量使用人工分析。

 

算力的缺乏也导致智能安防摄像头普及速度低于预期。目前常见的智能摄像头大多应用于基本监控场景,要对复杂场景进行多目标的实时识别和分析,终端算力还无法支持。因此,目前的摄像头可以算作前端智能化,而非智能前端化。当然,也可以将视频送到云端去处理,但这样又会带来高延迟和数据安全性的问题。

 

“未来的市场必定是数据规模和计算能力的角逐。” 浪潮商用机器有限公司 OpenPOWER 产品营销部总监张琪表示。谁能够在解决算力不足问题的同时又能够更好降低功耗与成本,谁就能在 AI 浪潮下占领安防鳌头。

 

多技术结合缓解难题

AI 算力不足的问题正在不断被相关企业解决。例如集合了云端计算、边缘计算、端侧计算的一体化部署方案,能一定程度上缓解摄像头算力不足的难题。

 

AI 无论应用于消费还是行业场景,其未来的算力是多点协同性质的。这就要求针对不同问题场景提供不同解决方案,这些方案需要能够解决针对异构的适配能力和迁移能力,以便更好地前向兼容。

 

例如某些 To B 场景中,将摄像头额外叠加 AI 算力形成“胖终端”,通过外设将图像识别置于本地,一方面降低时延,一方面减轻了对于网络连接和容量的需求。

 

这些方案的设计本质上就是要解决一个问题——分配好终端和云端分别需要完成的任务。但业界对 AI 算力应更多部署在前端还是后台尚无统一意见。

 

将合适的算力放到合适的位置

要解决好算力问题,安防领域需要云边端协同发展,将合适的算力放到合适的位置。当然,算力并非孤立存在,其他因素也将影响算力的使用。例如若没有进行存储优化,那么芯片实际能够提供的计算力其实会大大低于理论值。

 

那么,如何分配算力并平衡好其他影响因素?海康威视的 AI Cloud 架构或许可以提供思路:利用云计算中心弹性分配计算服务器、存储服务器的资源,够按需调度智能算法和大数据算法。

 

由于人工智能技术整体发展还处于初级阶段,智慧安防行业也随之面临很大的不确定性,而这也为各种安防企业提供了巨大的舞台,舞台上将呈现怎样精彩的表演?令人期待!