人工智能想要落地安防行业，算力还远远不够？
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！
在线留言询价
- 一周热料
- 紧缺物料秒杀
| 型号 | 品牌 | 询价 |
|---|---|---|
| TL431ACLPR | Texas Instruments | |
| BD71847AMWV-E2 | ROHM Semiconductor | |
| RB751G-40T2R | ROHM Semiconductor | |
| MC33074DR2G | onsemi | |
| CDZVT2R20B | ROHM Semiconductor |
| 型号 | 品牌 | 抢购 |
|---|---|---|
| IPZ40N04S5L4R8ATMA1 | Infineon Technologies | |
| TPS63050YFFR | Texas Instruments | |
| BU33JA2MNVX-CTL | ROHM Semiconductor | |
| BP3621 | ROHM Semiconductor | |
| STM32F429IGT6 | STMicroelectronics | |
| ESR03EZPJ151 | ROHM Semiconductor |
AMEYA360公众号二维码
识别二维码，即可关注
