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
型号 | 品牌 | 询价 |
---|---|---|
CDZVT2R20B | ROHM Semiconductor | |
BD71847AMWV-E2 | ROHM Semiconductor | |
MC33074DR2G | onsemi | |
RB751G-40T2R | ROHM Semiconductor | |
TL431ACLPR | Texas Instruments |
型号 | 品牌 | 抢购 |
---|---|---|
ESR03EZPJ151 | ROHM Semiconductor | |
BU33JA2MNVX-CTL | ROHM Semiconductor | |
TPS63050YFFR | Texas Instruments | |
BP3621 | ROHM Semiconductor | |
IPZ40N04S5L4R8ATMA1 | Infineon Technologies | |
STM32F429IGT6 | STMicroelectronics |
AMEYA360公众号二维码
识别二维码,即可关注