從國企平台到 AI 公司這 4 年，曠視副總裁陳雪松眼裏的 AI 安防之變
曠視科技Face++副總裁 陳雪松
雷鋒網AI掘金志曾與曠視副總裁陳雪松有過一次談話， 彼時他剛退身國企單位，加入AI公司曠視。
他曾談到，AI在安防行業的這把火，火得燎原，且不易滅。
幾年過後，當AI掘金志再次與其交談時，AI安防已經在時間車輪中飛快地運轉許久。
那麼，在這位傳統安防與AI的雙重浸潤下的安防老兵看來，四年裏，AI這把火，在安防行業燎了哪些原？
AI 安防的“果實”四年前，陳雪松曾説：
“我在安防行業工作了17年，切身感受到人工智能對作業模式、作業流程、作業效率的改變。雖然AI在安防中的落地過程中屢屢遇到阻礙，但不得不説，這一次，它對傳統安防地改變是徹頭徹尾的。”
四年後，陳雪松對“徹頭徹尾”進行了更詳細的解釋：
規模效應和業務邏輯。
這幾年，AI應用規模出現指數級上升。
2017年，“百路適用和建設”是主體。
陳雪松回憶，當時部裏的一個文件，要求各地建設攝像頭，試點試用AI，第二年發文要求保底建設100路。
2018年，千路建設已初現規模，不少區縣級城市建設起千路級規模。
2019年，萬路建設成為主要城市的常態，萬路的匯聚和計算成為中大型城市標配。
規模的梯度遞增意味着什麼？
百路規模時，AI安防只能處理大家所熟知的人臉，節點處於出入口，後台顯示的是離散的點上數據。
千路規模時，在城市的主幹道或關鍵節點和環節上覆蓋，形成圈層概念。
萬路規模時，形成整個社會面的活動態勢，各行業的邊際效應開始顯現。
以交通為例，百路時，後台只能呈現簡單的點路信息，只能反映實時的車流量和車輛運營狀態，連所謂的非機動車、機動車混行和車輛違規停放等應用都難以實現。
而達到十萬億信息規模時，後台能夠掌握海量信息的權威視角。
陳雪松笑稱，這就是“管中窺豹”和“看圖知曉天下”的區別。
而行業需求和行業積累是規模效應的內因。
安防的智能化途徑有二，前端的智能攝像頭和後端的智能化平台。
其中不可避免面臨的一個關鍵環節是，解析到底在哪裏發生？
陳雪松指出，一個城市至少有幾十萬攝像頭，以視頻為核心的網絡架構實際是在邊緣匯聚，到中心節點時，是點播和瀏覽模式，它並沒有真正實現全鏈路的拉通，如此一來，鏈路帶寬對AI企業來説，將是天價成本。
而因用户的智能化訴求，驅動着AI從端和中心計算的改造向邊緣側計算發展。
在邊緣側部署計算節點過程中，實際上進行了網絡改造和網絡升級。
邊緣計算與網絡改造工程量並不小，從用户建設的成本看，一個完整的工程建設中，網絡改造成本可能遠高於智能化成本。
所以邊緣計算、端計算和中心計算三者結合，規模效益才得以顯現。這從而也驅動了整個行業的標準化。
同時，平安城市、雪亮工程等政策更是功不可沒，讓十幾年的安防產業逐漸積累起一個個萬路級城市。
陳雪松預測，目前一二線城市的智能前端覆蓋率已達到一定規模，未來更多是縱深發展，在行業上往下深化沉澱，區域上往區縣級城市發展。
在業務邏輯上，傳統安防的管理邏輯以人防為主，技防為輔。
無論是社會安保，還是園區安防管理，亦或重大活動，人的發現、決策和管理是核心體系。
“這幾年的一個重大變化，以人羣和人防為主體變成了人防與技防結合。”
“人防和技防”在目前概念橫飛的市場早已不是新鮮詞，卻是這位在安防行業摸爬滾打20年老兵的切實感受。
“目前在安防的執行層面，機器還不能完全代替人，但是發現層面的業務邏輯基本上被技防替代，這是最大的根本性的變化。”
陳雪松提到，疫情防控上，目前依然有大量人在一線巡防和駐點，但他們更多是臨時的應急響應和處置力量，以加強現場執法和治安管理的影響力。而要形成社會面的常態化布控，需要依靠AI等技術。
在社會治理層面，如今的AI安防基本以後台分析為主，後台數據驅動前端的執行。
公安領域，在執行處置環節，AI主要基於後台的視頻大數據和人像大數據，以及人的行為模式軌跡大數據等幫助執法人員進行分析與決策，從而更精準、更有效的處理業務。
算法精度高峯的山腳“AI安防正呈現邊界溢出效應。”
人臉不再只是唯一核心，以AI視覺為核心，輔以大數據，AI在社會面的綜合管理和城市的管理領域逐步拓展。
一來，AI的附加值極高，能夠從本質上推動，甚至拉動一些傳統產業的變革；二來，從投資利用層面，解析視頻成本固定，公共性設施領域，為不同行業賦能時，效益增倍。
同時，市場對AI的理解和嘗試變得更加清晰和聚焦。
從企業運營上看，不管是AI公司還是傳統公司，都逐漸聚焦到真正的可持續發展戰略和經營的質量上，AI企業也少了份噱頭與泡沫，多了份沉穩與紮實。
“是否可用，是否好用，最終關注的還是用户的價值體現，這一點大家更加務實。”
從用户層面看，認知價值的邊界更加清晰，效能的呈現，將成為更主流的發展趨勢，客户關心的不是技術，而是技術帶來的價值。
與此同時，算法精度已經從單一維度向橫縱兩個維度快速發展。
“對我們來説，在算法精度的追求上，不管你哪次爬到峯頂的時候，你都會發現你還在珠穆朗瑪峯腳下。”
陳雪松強調，最初簡單的1:1、1:N的人臉識別精度已達到一定高度，隨着前端智能化規模化發展，人體、人和車、人和人、人和環境、車輛本身、各種行為的識別催生了多維算法的應用。
亂搭亂建亂放，佔道經營，井蓋位移，老人跌倒，整個社會治理層面需求全面爆發，這些，是基於海量攝像頭，而非所謂的卡口攝像頭。隨着AI規模化應用，一個城市每一天新增的視圖數據可多達十幾億。
在這個維度，要求多個算法精度同步提升，這對算法多維度的高精度要求極高。曠視在聚類一條以人、車為核心的數據時，也挑戰了之前從未有過的精度要求。
“以前即使是上億的識別，也只是單一人像維度的檢索和驗證，現在做聚類，是包含人像、人體、車輛等多維數據的碰撞，量級高達幾百億，不僅歸檔率、分類度要求很高，而且都是基於自然攝像頭產生的（數據質量也參差不齊）。”陳雪松補充：
“這個維度的計算和以前單一點狀計算完全不是一個維度，目前真正達到可用程度的技術提供商，中國不超過2.5家。”
這也是AI行業的下一個珠穆朗瑪峯。
2017年，陳雪松曾擔憂於行業發展的三大阻礙：前端智能化不理想，各部門之間數據難打通和業務流程難改變。
在他看來，這些問題已經得到極大地改善。
前端智能化
2020年，相關部門下發文件對前端智能化覆蓋率提出了更高要求。這將通過端設備、邊緣計算和中心計算三者的智能化共同實現。陳雪松認為，目前還在建設階段，但從萬路規模看，發展非常快速。
數據打通
“如果單從信息化角度來説，它難以本質性的改變數據打通問題，而這恰恰是AI的價值所在。”
陳雪松感慨，從前的智慧城市建設，最難的一件事情就是數據孤島。公安、城管、交通，不同的系統不能共享資源，不能交付和訪問，形成了資源孤島和信息孤島。
而如今，各部門所掌握的傳統大數據只佔數據總量的5%，95%則是等待AI挖掘的視頻數據。
基於AI產生的海量數據，價值足夠大，也促使各系統將自身的結構化數據與與視頻數據碰撞，產生數據關聯，以及更高維的數據價值。
“你有了一個黑洞，能夠吸引其他星球向你靠攏，”他強調，“這比單純的行政命令促進數據融合效果更快。”
行政體制的推進也在促使資源逐步實現共享。目前在北京、上海等地的政府均在推動社會資源和解析資源的匯聚，併為各行業提供應用。
“這是下一步的發展方向和模式，同時也是投資效益比最大、最能充分發揮前端感知能力和後端計算的創新價值的關鍵。”
業務流程
越來越多的視頻大數據被指揮體系和執行體系關注，甚至由指揮決策體系牽頭進行視頻大數據應用建設，流程改造逐步得到推動和完善。
陳雪松表示，其中也有不少困難，建設以信息化部門為核心，應用部門的參與度和業務能力提升任重道遠。
當AI作為基礎效能工具，整合進流程裏，被常態化部署時，即是AI成為生產力時，意味着流程改造基本完成，但這是一個逐步深化的過程。
目前，AI已經將110電話接警、網絡接警、微信接警等能力整合進流程中，成為制度化的、被認可的體系。
陳雪松認為，AI公司本質是基於行業進行變革。AI公司在算法能力之外，必須要提供行業能力，而這個行業能力是現有業態的補充和提升，是做增量後拉動更多合作伙伴分潤的問題。
“AI行業賦能安防時，並非是將原來的業務再重做一遍，而是基於AI，賦能、補充原有流程，做增量。”
他舉例，城管領域傳統通常是人巡模式，隨着數字城管向智慧城管的轉型，我們也助力很多城管客户將視頻分析模式補充進來，並進一步將自動發現和處理流程整合到處置流程中。
他還提到，AI公司之前，視頻領域本質上只有視頻建設，AI之後，邊緣計算、中心計算、視頻大數據等等應用，在既有技術上進行深化和提升，同時也拉動了前端能力建設。
當前公安體系裏的分層解耦，本質上是去適應和解決過多的碎片化帶來的問題，這也是未來大規模建設的趨勢。
陳雪松總結，在一些垂直新的領域裏，AI公司都在努力向業務上做一些延伸去探索閉環價值。他認為隨着市場教育逐漸成熟，用户的關注、需求一定遠超目前實際能提供的。
“在這個基礎上，AI公司還需要低頭努力，在垂直賽道上發力狂奔。”雷鋒網雷鋒網雷鋒網