早在2016年安博会前夕,宇视科技便早早将“智慧物联”作为智能时代的重要战略方向,在近年来人工智能信息不断轮番“轰炸”中,宇视依然保持着自己的节奏,朝着AIoT厂商角色转型,将关注点放在解决AI项目真实痛点上(AI应用成本高昂、工程化布点困难、算法场景局限大、缺乏深度应用、缺乏系统性顶层设计、缺乏满足实战应用的行业标准与评估体系等方面),取得不错的进展,本次邀请宇视科技智慧云产品总工王利彬为我们探讨目前AIoT智慧物联落地中存在的问题。
Q:a&s总经理、总编辑 关玉娟
A:宇视科技智慧云产品总工王利彬
关玉娟:AIoT智慧物联的落地目前遇到哪些问题?
王利彬:一是随着应用部署的规模化,平均每路的成本虽然有所降低,但总成本仍然过高;二是落地比预期的困难,一些用户发现花了巨大的成本代价却得不到预期的效果,许多产品与方案在演示或者PK的阶段都处于相对理想的环境中,但到了实际的环境中,用户便会发现较大的差异。三是安全问题,在行业进入智能化之后,视频的数据都经过高度浓缩,价值远超于前,犯案的频率大幅提升,对社会的影响也更大。针对这三个问题,以宇视为代表的AIoT智慧物联企业都有自己的思路,共同推动产业的发展。
以解决成本的问题来说,安防企业智能分析都偏后端,在前端传统摄像机上保持不变,在后端架构更多的服务器或者软件,这种模式成本相对较高,同时服务器的选型受限。而以计算机视觉CV公司为代表,他们则以高性能服务器+英伟达解决方案的模式,成本也同样不低。早在2017年,宇视就发现这些问题,认为不能一味地要建中心大系统,应该往边缘侧迁移。让摄像机带有智能功能,把人脸感知、抓拍图片等相对简单的计算放到摄像机上,这样同样算力下后端性能成倍的提升。但存量摄像机的改造不能一蹴而就,因此很多场合还需要通过边缘计算的智能设备,降低传输和计算成本,让人工智能解决方案有合理的价格进行推广。链式计算、云边端协同计算、边缘计算很多这样的说法出现,说明这种理念逐渐成为业界的一种共识。
以解决落地难的问题来说,宇视这两年来一直在强调“AI工程化”,例如通过摄像机的科学化布点、科学化安装便能极大的提升图像分析的效果,准确率发生质的变化。而仅依靠算法的提升,可能也就1、2个点的空间,对实际应用几乎没有影响。再比如说网络问题,在人流密集的场景下进行结构化业务,如果一秒钟有40个对象需要进行结构化处理,这对于带宽的压力很大,会出现丢包与延时现象,因此我们也会建议提升网络带宽或者进行后端分析。
在应对安全问题上,宇视除了提升设备的算法算力之外,也针对AI推出相应的安全准入设备,将中心防护起来,就算犯罪分子进入到数据中心之后,也不能轻易地盗走数据。智能时代数据的价值密度远远高于纯视频时代,过去十几GB的数据也就一天的录像,现在可能就是几十万人的人脸库。
宇视在智能化应用的实践中,通过不断的总结,形成1套系统化、工程化的理论和操作指南,让客户的智能系统发挥出最大的价值。
关玉娟:宇视在AI领域的核心竞争力主要体现在哪些方面?
王利彬:在产品方面,宇视有“六山两关”战略,发布了系列化的智能产品,满足不同行业、不同规模的应用。比如,从2016年发布明星产品昆仑,去年是第二代,可以并发处理640张/秒的人脸识别,今年7月底发布的昆仑三代将提升到4000张/秒,一台设备可以满足区县以下公安的需求,相较于当前的主流设备而言,有将近四倍的差异。同时这台设备不仅仅是只做智能识别,而且可以把大数据业务(后期检索分析)、管理软件融合进来,简单地说一台设备便是完整的超融合设备。减少机房占地面积、功耗和单路购置成本,让客户享受更好的TCO。当需要更多算力时,多台昆仑设备可形成一个集群,实现算法和任务的统一调度和管理。
在调度方面,宇视可以实现将算力调到芯片级别,业界通常的做法是把智能算法进行固化,每块GPU板卡有自己的固定功能。但真实场景下,需求并不是固定不变的,比如随着前端摄像机的改造,后端原有的算力出现盈余,就要把算力腾出来作为其他用途。再比如在智能交通中,上下班高峰和正常工作时段需要的算力相差也很大,采用固定的算力和算法是很大的浪费。昆仑允许多种算法跑在一个芯片,能根据不同任务场景进行动态切换,实现算力的充分利用。
在大数据方面,我们采用流式内存计算的模型,提高实时比对和检索的效率。以国内某大型机场为例,里面有大量的人脸识别数据,除了安全需求之外,更大部分是用来做旅客服务,比如广播寻人,传统的做法比较简单就是全机场广播。但机场由于面积广、客流大,全机场广播这样的做法会干扰正常的航班提醒,因此需要进行定点广播。航班管理人员可以根据人脸信息,在数十亿的记录中秒级检索出旅客的运动轨迹及位置,从而进行定点广播。如果检索时间过长,定点广播就无法实现,因为旅客可能在行走、坐电梯过程中,几十秒位置就可能发生很大的变化。宇视的大数据系统第一个通过公安部万亿数据秒级检索认证。
关玉娟:您如何看待业内兴起的合作生态方式?
王利彬:生态是个很流行的模式,需要客观的看待。从好的方面讲,生态扩充了一个公司业务的边界;从不足的方面讲,多个厂商做同一个业务,由于人员配合问题、模块效率不匹配的问题会造成系统的不稳定或者性能过低。建议企业应静下心来把自己的核心业务做好,把模块的分层和分解在实践中进行过验证,厘清楚开放的边界,之后才是开放和构建生态。如果只是拿来主义,简单把一些模块堆砌就形成所谓的核心平台,自己也没有在上面做过安防业务,或者缺乏规模化应用的检验,就匆忙的作为平台开放给生态合作伙伴,可能是不太负责任的做法。例如人脸的以图搜图应用,如果大数据技术是一家,算法和应用逻辑是另外几家提供,最后数据都汇总在一个表中。这样的结合虽然也可以实现业务功能,但由于厂商间的特征值并不相同,原本可以通过增加索引提升效率的,现在可能变成了逐条比对,便会显著影响效率。如果换一种做法,每个厂商打通应用算法与底层大数据,都能做的更快更准的识别。然后上层有一个多引擎平台,把结果综合呈现,效率就高的多,厂商间也不需要复杂的接口和磨合。两者都是生态,但带给客户的效果截然不同。
关玉娟:今年AI厂商的声音似乎有减弱的趋势,你如何看待这样的现象?
王利彬:今年虽然AI看起来没有去年那么火,但从我们自身的角度看AI产品的出货量是成倍的在增长。出现这种现象也有可能是客户的接受度高了,市场不需要再像之前那样宣传,当前在公安、雪亮、智能交通工程项目中,已经不需要我们去过多宣传AI带来的价值,过去几十路与几百路的规模现在已经上升到上千路,智能应用开始逐渐进入到成熟的阶段。
关玉娟:如何看待行业碎片化的需求?
王利彬:每个行业、甚至每个客户都会有自己个性化的需求,对于企业而言,是没有办法完全靠自己及时地满足所有的碎片化需求。因为采集足够多的素材,进行训练需要较长的周期,又或者是用户的视频数据本身有保密性,不允许被带出网络。面对碎片化的需求,业界也都在做一些好的尝试。比如一些厂商提出人工智能开放平台,开放在互联网上,让用户自己去完成标注和训练,然后生成新的算法模型,用户可以自行下载,从而实现算法迭代。但这种模式最大的问题是,用户是否有足够的时间、技能去完成模型训练。另外既然是互联网,数据仍然要上传,是否厂商真的不会获取用户的数据也是存在疑问的。目前并没有看到较好的成功案例。
目前市场上有两种AI开放平台,一种是我们上面说的真正的开放平台,另外一种可称之为“虚假”的开放平台。虚假的AI开放平台主要解决的是厂商自身人力成本投入的问题,通过在网上设置平台,以比较低廉的价格雇人帮忙数据训练,本质是降低成本,并不是立足于解决碎片化需求。
宇视目前的做法有两种。第一种是将算法的共性抽像出来,然后在企业内部对其进行标注和训练,然后对于非共性部分放在用户现场去训练,最后生成模型。当然这种做法成本仍然比较高。未来希望通过算法的自学习实现自动化,也就是用户的使用过程就是算法训练的过程,实现无感知的训练。现在GPU的算力越来越强,有这样的闲置算力做这件事情。第二是将自己的算力贡献出去,让用户结合自己的算法进行应用。前一种是针对没有算法能力的用户,后一种则是自己拥有算法团队的用户。
关玉娟:公安或者交通用户在智能化时代有哪些新的需求?
王利彬:可以从三方面来讲。首先是与之前的高清时代类似,最开始都是基础的功能,然后慢慢开始走向技战法。从识别、检索、布控这样的简单业务,发展到同行分析、落脚点分析、跨镜追踪、人脸人体关联分析、多维数据碰撞等。第二是对环境的需求也越来越苛刻,虽然现在1080p的摄像机已经很普及,但在存量市场中也存在大量的720p或者标清的产品,还有就是夜晚的黑白场景,用户也希望在这些场景下能够实现较高水平的智能识别。第三点,现在大家所讲的智能都是视频的智能分析,未来要做数据的智能决策,或者说是智能大数据。后者在互联网企业已经有一些成功应用,将来在安防行业是一定会成为一种重点。
关玉娟:除了人脸之外,其他的人体的数据是否也在公安的业务中开始应用?
王利彬:由于人脸识别与人们的生活密切相关,所以获得的关注度更高。但其实目前业内结构化产品,包括人体的识别产品,其出货量要远远高于人脸产品,这是大家所忽视的一点。因为结构化产品的可用度更加广泛,毕竟不是每个场景下都能抓拍到有效的人脸数据,而结构化产品抓拍到的人体其他数据的适用性更强。
关玉娟:在公安行业,大数据融合必然涉及到数据库之间互通的问题,是否会影响业务的开展?
王利彬:公安用户有两张网络,视频专网与公安信息网,虽然公安业务警种较多,但是在视频业务上,它的数据库还是高度聚焦的,在公安行业也有标准称为视图库,它对人、车、物体等都有自己的定义分类,数据属性也比较明确。上下级视图库之间、业务和数据库之间都已经有标准接口定义,也就是说解决了互通和共享的问题。但在信息网中,数据种类就非常丰富,公安部也在牵头制定相关的标准。个人认为标准是很重要的一件事情,在没有标准前,就试图把所有数据放在一起,一个是没有太大的价值,因为当数据的种类和属性不能标准定义,还在时刻的发生变化,上层业务就不可能有效的使用这些数据。一个数据所有权不清晰,会带来非常的大的安全风险。另外一种观点是,与其做集中的大数据,不如做数据交换中枢。因为集中的大数据规模非常庞大,需要的软硬件设施毫无疑问会导致很高的建设成本。而数据交换中枢,本身并不保存数据,只是定义和交换数据,不需要大规模的存储设施。通过叠加权限控制和计费功能,还可以实现数据追踪和有偿使用等业务,遇到的阻力会小的多。也存在其他一些观点,都还在探讨和博弈的过程中。
关玉娟:阿里入股千方科技,会给宇视带来怎样的影响?
王利彬:阿里有自己擅长的技术领域,而宇视科技也是,双方在软硬件技术方面互补性较强,如何发挥更好的协同性正在积极探讨中,但对于宇视的产品创新以及构建更完善的云边端解决方案必然产生重要的推动作用,所以对于未来我们同样充满期待。
关玉娟:借助这次访谈,想给行业带出什么样的资讯?
王利彬:第一宇视作为AIoT智慧物联行业领导者,我们希望能够聚焦我们的核心产品,让产品优势更强;第二是在商业模式上,现在不少企业涉及集成,甚至公有云运营,商业模式在发生很大的变化,利益链变得更为复杂。宇视还是坚持踏踏实实做好产品供应商的角色,把自己的事干好。
编后语:
在浮躁的社会中,能不忘初心的企业自然能形成一股清流。智慧物联时代涌现出许多的新的面孔,无论是想通过以硬件产品为载体,与算法、软件系统关联形成整体解决方案,还是以技术创新为突破口,纷纷在推动着AI在行业的落地。宇视科技认为作为产品和方案提供商,重点在于降低AI的应用成本、简化工程部署、强化算法在应用场景中的适应性,这种“接地气”的出发点也让我们看到AI不仅仅是诗与远方,也可以是田间地头,显然百花齐放才是智能时代的真实写照。