算法商城，到底是不是偽命題？

“算法幾乎沒有什麼門檻了。”

有不少人如此認為。

當AI初創企業層出不窮，開放式平台日漸增多，幾年爭奇鬥豔下，算法的確不再是九天月，遙不可及。

算法、算力、數據的人工智能三要素中，算法逐漸被合力攻下，不再為少數人獨有算法，逐漸滲透進芸芸產業，落地至萬千場景時，新的市場模式誕生：

不少企業做起了“算法商城”的生意，打造計算機視覺領域的APP Store。

算法是否真的沒有門檻？像下載APP一樣購買算法的算法商城模式，真的可行嗎？

這是催生視覺算法商城的沃土。

AI等技術日趨成熟，AI正從安防、交通等領域走向全域。

未來5-10年，AI市場將達千億、萬億級別已是不爭事實。

人臉識別和車輛識別金字塔尖底下，藏着一個巨大的腰尾市場。

海量的碎片化市場裏，存在着萬千被忽視的小場景。

火焰識別、吸煙識別、樓道障礙物識別、快遞爆倉識別、疲勞駕駛檢測......

無數散落在全國各地區、各行業的AI需求，像潺潺流水的小溪，正流淌、貫穿出一副山河鉅製。

它碎片化、客户體量小、項目規模小，營收小，但勝在數量多，如毛細血管般的市場，正成為腰尾部市場走上台前的重要砝碼。

但，不僅紮根於AI腰圍部的市場少之又少，也沒有一家公司能涵蓋所有算法。

由此，不少人認為，計算機視覺算法平台，是AI發展的必然未來式。

主張軟件定義的華為便是其中之一。

強勢入圈安防的華為不斷亮出新的底牌，包括2019年的算法商城。

算法商城，可視為華為軟件定義攝像頭、連接合作夥伴上的進一步延續。

在華為看來，線下場景千千萬，一個硬件一種算法將成為過去。

• 算法快速發展的需求。AI時代算法、軟件更新換代的速度遠遠快於過去，每月乃至每週都有版本升級。

• 需求多樣性。單一算法需要精準度會不斷提升，未來更需要人臉、人體、姿態等多維度數據輔助。

• 運維管理智能化。未來算法多樣性，場景多樣性，以及全網攝像機的管理，需要一個可視、可管理、可遠程控制的產品，與雲端互動，實現在線加載、升級、管理。

智能攝像機根據不同的場景按需加載不同的軟件和算法，通過多特徵提取與識別、多攝像機間的協同、端雲間的協同成倍地提高智能分析效率。

通過算法平台，結合生態夥伴，賦能千行百業。

不難發現，這與華為對安防碎片化場景的理解一致。

華為一直嘗試重新整合安防的碎片化，又或者，重新定義安防市場。

段愛國曾接受雷鋒網AI掘金志的專訪時提到，碎片化是傳統安防的思維慣性和遺留問題，歷史時期，數據的確是碎片化的。

但傳統時代，數據不是關鍵；智能時代，數據堪比石油，需要聯通、共享、匯聚，方能產生更多價值。

進入新的時代，碎片化已經是一個偽命題。

安防需要擁抱雲和大數據，大聯網、大數據、大平台、大生態。

但不少人對此持觀望態度。

算法商城模式或者軟件定義的成立，需要考慮幾個必要問題。

1、細分場景是否有高頻的交互和算法需求。

To C 市場，APP Store或者算法商城也許遊刃有餘，以手機為例，人與產品不停地交互，聽音樂、看視頻、打遊戲等，切換、升級、卸載軟件非常頻繁。

但To B/P市場，場景需求差異較大，用户選擇某一產品，是基於其特定的需求和產品的功能。

人與產品沒有也不需要頻繁交互，軟件升級迭代頻率也不高。

比如超市攝像頭，目的是巡店、貨品管理、輔助結算等功能，切換算法的需求存在，但並不高頻和迫切，也無需人與產品長時間交互。

2、算法隨意切換的前提是硬件的高配置或標準化。

要實現設備承載不同的算法運行，要麼設備參數配置高，要麼標準化。

但即使同為某一品牌，幾百款不同產品，具備不同的芯片、傳感器性能、解析度大小、焦距遠近等，高配置和標準化似乎都難以實現。

跨越這些障礙，承載多算法、多應用也許需要時間和技術，算法商城提供商需要考慮的問題。

3、市場大小和成本考量。

正如前文所述，海量的腰尾部市場中，碎片化、客户體量小、項目規模小，營收小，單個細分領域市場並不大。

這對算法商城的算法開發、研發成本提出極高要求。

算法的成本在於開發和驗證，目前的算法模型訓練，是否收集到足夠多的場景數據是關鍵。

針對AI視覺算法商城話題，雷鋒網AI掘金志採訪了數位業內專家、企業高管，對於AI視覺算法商城模式，企業家們有着共識，也有各自不同的選擇和看法。

業內某高管 1：邊際成本、客户能力、行業知識是關鍵

體量大的市場被頭部企業瓜分，細分場景的市場容量小，而算法投入大，研發成本要足夠低，邊際成本足夠低，且平台能力、客户能力在線，這個理論才有實現的可能，否則業務難以實現閉環。

以現在深度學習的技術，初步素材積累的工作量驚人。

算法平台的技術可以攻克，核心是客户的整體能力，否則平台的意義不大。

更重要的是，在垂直領域，關鍵的門檻不是AI算法能力，而是行業知識。

算力、算法、數據技術壁壘之外，「場景、應用、知識」成了決定算法能否真正落地的關鍵點。

比如識別天氣，需要了解不同類別的雲，生成原理，演變過程，還需要模擬測試環境和測試集；再比如識別豬，需要了解豬的全生長週期，每個週期具體情況。這些都需要長期深耕行業。

這些都需要深入到一線，與客户溝通交互，獲得具體場景的認知，但這些是單個開發者不具備的。

業內某高管 2：軟件定義不是一個趨勢，是一種可落地的方式

軟件定義不是一個趨勢，是一種可落地的方式。

1、在成本面前，海量算法需求並非都能被挖掘且落地。

首先，算法的豐富性需要達到一個量級。

其次，算法研發需要巨大的成本投入，比如，可落地的算法需要訓練海量的樣本，但樣本積累的工作量巨大：

需要10萬量級的樣本，才能訓練出80%的精確度，且抓取數據後，需要以張為單位的甄別樣本，並標定。比如寵物識別，就需要上百萬級別的數據和標註工作量。

根據目前深度學習能力，小樣本難以實現高精度。市面上買來小量樣本訓練，可能只達到70%精確度，誤報率非常高，難以落地。

目前為止，之所以AI在人、臉、車落地效果較好，是因此類頭部領域積累的樣本足夠豐富。

另外，客户羣體、渠道等問題是變現的核心環節，並非算法單維度。

手機的軟件定義之所以成功，一是足夠多的應用，二是手機APP本身的研發非常輕量化，且研發完後變現很快。

只有那些掌握了客户羣體，掌握了產品，掌握了渠道，有實力的公司，慢慢去運營，才有可能。

2、攝像機本身的碎片化，讓大規模應用難度大。

與手機僅有兩個系統，任何應用都能運行不同，攝像機內在芯片和硬件都不同。

比如海思的芯片，從幾美金到幾百美金不等，不同芯片上的算法並不兼容。

有些算法需要2T的算力才能運行30幀，有些算法可能只需要0.5T就夠了。把高算力的算法放到低算力的產品上，難以得到想要的效果。

而且算法落地後受攝像機的成像影響很大，即使是同一品牌的產品，不同產品型號之間，鏡頭廣角、傳感器等的質量都不一樣，最終對算法的效果都有影響，所以大規模產品應用較難。

業內某高管 3：算法商城需要經歷教育市場的過程

每個新的行業，會先經歷供給創造需求，再需求拉動供給的階段。

正如蘋果迭代幾代後，才開始在To C市場大面積普及，人工智能落地時也如此，在教育中得到反饋並不斷迭代。

算法商城需要經歷一個教育市場的過程。

智能安防攝像機的應用程序並不是一個新概念。

隨着深度學習技術的進步，基於應用程序的生態系統與視頻分析的同步興起，更多基於深度學習視頻分析的應用，將被更多攝像機所兼容，算法應用的角色也變得更為突出。

在各種場景上，攝像機與場景的組合十分複雜，但近年來，越來越多的智能硬件產品已在迭代跨越這些障礙。攝像機正從單一功能的終端，向多應用聚合的平台轉變。

當基礎設施完成後，依託雲，構建一個類似於APP Store的模式，於用户，只需要下載算法，就有新的AI支持。

對於大公司來講，這也是持續發展的優選，硬件敲門，軟件做增值服務。

在更宏觀的層面上，大廠可利用體量和品牌優勢，結合合作伙伴的能力，加速數據融合和算法開發。

初創企業，以完全獨立的第三方平台的角度切入，是能幫助智能化能力不高的企業在智能化時代立足。

大華股份資深算法工程師：深入業務場景，構建算法全鏈路技術研發和高質量交付能力

無論是行業算法還是算法商城本質還是希望通過智能化技術讓客户能快速、精準解決他的業務痛點。

但隨着數字化轉型的不斷深入，各行各業對於智能化的需求越來越多，需要產業提供在更細分場景下的定製算法，導致了需求越發“碎片化”，並且市場對算法交付要求也不斷提升，需要開發者在深入理解行業痛點前提下，進行定製、精準、快速、可控的算法開發。

當前主流算法商城普遍上還是基於圖片識別，有一定可行性，但普適性不高；同時，對於部分通用的成熟型算法，由於應用場景差異較小，基礎模式即可滿足需求。

因此，我們在實現人工智能產業化落地中，始終貫徹“場景牽引”、“可商用”、“快速定製交付”的理念，聚焦從數據管理、算法訓練、人工智能應用開發、跨平台部署、產品仿真驗證、發佈交付的全鏈路技術研發和閉環管理，在此基礎上我們自研了巨靈一站式人工智能開發平台，為各行業提供一站式算法及方案開發交付支撐能力，從而實現算法高質量的定製化敏捷交付，大幅提升算法產業化落地效率。

以交通行業為例，杭州的綠色停車方案（早餐店、便利店等附近車位20分鐘內免費停車）緩解了杭州市民短時停車難的問題，所以一經推出，廣受好評。

這背後是開發人員切實理解從違章處罰到便民管理的行業需求，有針對性的開發定製，最終提供真正滿足客户需要的算法方案。

非現場違章審核算法更是如此，由於不同地區判罰標準不一，需要開發人員重新梳理需求，打磨算法，才可真正降低交警人工複核工作量。

目前，通過深耕行業核心業務，大華股份已開發20餘個細分行業算法方案，100多類場景化算法功能，後續也將持續加強端邊雲算力協同，加快算法靈活加載到全產業鏈，滿足成本與性能的行業智能差異化需求。 

曠視高級副總裁陳雪松：初期先有算法後有商城，可用度是關鍵

算法商城應該是有算法之後才有商城，而不是有商城後再有算法。

與其説是生態的問題，不如説是行業發展階段的問題。

算法商城應該在整個算法行業相對穩定和固化的背景下成立。

比如APP Store，是在有了很多可用的APP之後才開始出現和繁榮，最早大家都是直接在對應的網站下載，是APP的大量產生，催生了Store，這是初期階段的一個關鍵因素。

另外，算法的可用度是商城的關鍵。

目前用户對算法（無論是主流算法還是長尾算法）關注的焦點在可用度上，而非數量規模。

只要它可用，用户可以接受，就能快速應用。反之，快速迭代出來的算法不可用，對於用户來説價值為0。

目前算法提供商應該將精力放兩個方面：核心算法的可規模化、可用度上，長尾算法的快速生產能力和可用度。

細分領域有很多細碎的產品，比如城管有36類大的管理事件，共2230個產品。

佔道經營、車輛違停、垃圾溢出、道路基礎、井蓋位移等需求均具備不同環境，需要不同的產品。

快速迭代的生產能力和可用性是關鍵，且有一定瓶頸。

目前，在城管領域，垂直行業的小樣本快速訓練可取得很好的效果，但要賦能全行業，還有很長的路要走。其中涉及方法、訓練平台，數據標定工具和模型生產，這是一個系統化的工程。

其次，計算模型的優化，目前算法商城的提供商在算法的優化和匹配上難以達到落地效果。

業務有過一次大測試，結果顯示，算法商城的單一算法運營效率比算法獨立運營效率的慢三倍，也就是説，算法商城需要三台服務器才能實現後者效果，這意味着用户要為硬件多付3倍的錢。

雲從科技聯合創始人姚志強：AI通用化和開發門檻程度不足，可考慮把算法集成到操作系統中

AI算法商城不是一個偽命題，但目前看來前景有限，因為人工智能的通用化、開發門檻與成本還沒到降到一定程度，所以最理想的做法是把AI算法工廠集成在操作系統中，操作系統提供基礎算法+行業場景+產品模塊。

以雲從為例，雲從人機協同操作系統，簡稱CWOS（Cloudwalk Operating System），是運行在通用操作系統或雲操作系統之上，提供人機協同相關算力、算法和數據管理能力和應用接口的底層軟件系統，專為人與計算機之間進行自然交互、協作完成複雜業務而構建，同時為開發者設計研發人機協同智能應用提供全面支持，旨在降低人工智能應用門檻、提升人類與機器智能進行協作的效率和體驗。

CWOS目前將研發方向劃分到七個技術板塊，其中涉及的算法工廠包含了一系列持續保持業界領先的基礎AI能力，包括：泛人臉識別、視頻理解、場景化OCR、語音識別與語音合成、自然語言處理等。

另一方面，通過一站式的模型服務，為人機協同操作系統提供基礎AI技術的生產能力，可以管理全生命週期的AI建模過程，對人工智能生產效率有數量級的提升，同時顯著降低了人工智能技術門檻。

杉地科技 CEO 傅劍輝：共性不是痛點，安防不存在太多模式，靠的是產品和服務

算法商城很難做到手機的APP Store，下載就能用。

它能夠解決一些場景30-50%的共性需求，但不能解決行業的特性需求，需要定製化。

目前人和車的算法基本能滿足絕大多數需求，但很多領域不具備共性，比如工業、水質、環保等等。

短期看，在這種體系中，商城滿足不了用户的核心需求。正如目前很多AI攝像頭具備了一定的AI功能或算法，但行業客户真正用的時候，不會選擇。

長遠看，AI+場景不斷垂直領域化，即行業化，垂直行業的算法商城模式是可行的，前提是其長期專注某個領域，聚焦行業場景算法。

即使算法商城與行業頭部企業合作，也需要經歷較長時間的打磨。

共性不是痛點，AI不能顛覆性解決問題，只能在效率提升和流程優化上加速。

比如AI+醫療就是一個門檻極高的行業，截止目前全球範圍內，AI在醫學只是輔助，而不能決策。

對於AI算法公司，基礎模型算法開源，但核心競爭力算法不會開放，這些付出了AI企業巨大是AI企業的核心競爭力之一。

另外，硬件平台和操作系統平台都是對開發者巨大挑戰，即使具備了平台能力，硬件和芯片等難以統一，真正用起來比較難。

安防行業不存在太多商業模式，靠的就是產品和服務。

極視角 CEO 陳振杰：「算法商城+開發者生態」的模式適合90%的碎片化市場

根據Gartner發佈的2020人工智能技術成熟度曲線，計算機視覺技術已趨於成熟，相關產業正在經歷洗牌。

人工智能視覺領域已經由技術萌芽階段、頭部場景落地階段，發展到大規模工程化應用階段。

在這一階段，市場對於人工智能技術落地提出了兩大核心訴求：

算法品類的豐富度與算法的高性價比。

未來會有10萬種以上的算法，每個垂直行業有幾十種算法需求將成為標配。去到行業會發現，僅僅交通場景，就有近100種算法。

與遊戲行業類似，AI賽道未來必然有兩個方向：一是專業化分工，一是平台的出現。

頭部客户的頭部需求，將由頂級科學家供應；頭部客户的場景需求和行業客户全鏈條需求，將由初級、中級、高級開發者供應。

公安、交通、金融等頭部場景的需求，將由頂級科學家供應，而90%的腰尾部市場需求則更加適合利用“算法商城+開發者生態”的模式進行供應。

極視角想要建立的AI算法平台，將連接算法開發者和算法需求方，提高視覺算法開發者效率。

極視角的商業模式，連接了算法需求方與算法開發者，通過為開發者提供人工智能底層開發平台，與開發者共創海量視覺算法；B端算法需求方則可以根據所需場景，在算法商城中自由選擇算法進行部署應用。                    雷鋒網雷鋒網雷鋒網