雷锋网按：有时候看AI安防，就像这一幅画，墨绿色的树林诉说着这幅画的寂静，中间那条笔直的小路遥遥地伸向了远处，不经意地看，你会觉得这条小路的终点就在不远处。而仔细看时，你就会发现，这条小路是没有终点的。
过去一年，有人说，AI安防之争即将结束；但大多数人还是笃定，AI安防这场战斗才刚刚开始。
三年前，滴滴自动驾驶公司COO孟醒谈到一个观点：人工智能行业，最缺的是顶尖产品经理。
三年后的今天，AI公司之争，本质上还轮不到拼产品，尤其是智能安防产品，仍旧停留在用单点技术满足客户要求和性能需求的阶段。
科技产业从萌芽到成熟，往往需要经历三个阶段：技术＞系统、系统＞产品、产品＞运营，互联网已走到第三阶段，而AI安防还处于第一阶段。
尚是“幼儿”的AI安防行业未来终会怎么走？入局者们如何才能避开大坑小墙正向迭代？
在即将过去的2019年，雷锋网AI掘金志从近百位采访对象中整理了十四位AI安防领袖采访语录，以洞悉他们的独特感想与体会。
现实和理想之间，不变的是跋涉；暗淡与辉煌之间，不变的是开拓。懂得奔跑很重要，奔跑途中，兼听思辨更重要。
项目今年多一点，明年少一点，不是特别重要的事情，也不用算得太清楚。不必太过沉迷数字、围着数字在转，把目光放长远些，这是我们应该要做的事。
—— 海康威视总裁胡扬忠
产业发展过程中，各有各的空间和玩法，做互联网的、做算法的、做产品的，都在寻找自己的机会。就安防市场来说，活下来容易，发展壮大很难，谁来了都能咬上一口，但过上舒服的日子可能性不大。
从视频监控产业来讲，原来大约有1000多 家厂商，现在应该不超过150 家，或者更少一些；以前一年做一千万的收入可以赚钱，现在一年做一个亿可能都会亏损。
未来的安防行业，一定会出现很多变化，但整合的方式还不确定。曾经中国安防行业有过大的资本整合，但最终变成了资本游戏、闹剧。
2000年前后，包括Tyco在内的五家公司大约进行了200次并购，而中国公司不一样，无论是海康还是友商，并购的行为比较少，更多的是市场上的厮杀。
在安防行业，如果想要依靠并购做大，挑战不小。
在业务层，项目今年多一些，明年少一些，不是特别重要的事情，也不用算得太清楚。我们不用太过沉迷数字、围着数字在转，把目光放长远，这是我们应该要去做的事。
安防不知不觉就从一条小溪汇入了大海，风会更大、雨会更大，遇到的挑战也会更大。在这个过程中，要清晰定义自己的业务逻辑和边界，并持续聚焦到这些领域。
—— 大华股份总裁李柯
任何企业都需要有产品、有客户、有渠道、有市场，客户永远不会只为技术买单。未来会有一部分技术公司能活下去，但也许不一定都是现在看到的这些。
从竞争角度考量，这两年市场的舆论过热了，现在的竞争关系不是简单的0和1的关系，未来的市场更多的还是竞合关系，产业链越长，亦是如此，优秀的企业需要有能力构建合理的技术生态和商业生态。
在这个过程中，当局者在考虑竞争的同时，更重要的是加强自身内力修炼，为客户创造价值从而增加客户黏性。
一个产业的格局演变取决于各个玩家的战略选择，战略是有时效的，当前安防产业的变迁对于各个厂家的战略选择都是一个挑战，战略决定方向，方向决定未来。对于大华来说，还是会坚定自己的步伐，持续在自己聚焦的领域进行投入，高筑墙、广积粮。
势如破竹的时候，你只是迎合了大势，而不是你出色。没有卓越的公司，只有赶上大势的公司。
—— 宇视科技总裁张鹏国
中国拥有世界上最大量且时间最长的数据，但大部分数据都在沉睡。现在很多社会管理部门会向BAT要数据，也许10年后，BAT会向各社会管理部门要数据。
未来十年、二十年将摄像头、传感器的数据利用起来，发挥应有的价值，降低社会管理成本，就会创造新的战场。
在创造新战场的过程中，人们总是倾向性高估自己的能力，其实自己没有想象中的那么强大，能否跳出自身之外客观看待自己的水平，对一个人来说非常重要。
一家厂商吃独食的时代结束了，华为安防不做到第一不会退出。
—— 华为智能安防产品线总裁段爱国
过去一年，传统安防头部厂商与华为安防的战略打法已然大相径庭，交战双方都在向对方的城池发起猛烈冲锋。
华为安防由后向前进军，全力推出涉及人脸、车辆、视频存储等一系列产品及解决方案；传统安防头部厂商则从前往后调兵，大举进攻云端，拼命往基础层、平台层和应用层行进。
事关城池与荣耀，守城者与破局者上演殊死博弈，这是多么美妙故事的经典开局。
这场史诗级争锋也让几乎全部安防人加入到了这场见证历史的时代辩论中，且辩题只有一个：华为做安防，究竟有戏吗？
目前来看，这个问题只有时间能够解答，拭目以待。
永远都没有固化的产业。不管大企业还是小企业，是不是能够在某个点上持续解决用户需求，如果能做到，小企业能一夜崛起；如果不能做到，大企业也将很快倒下。
—— 海鑫科金董事长刘晓春
社会的发展永远都是螺旋式上升的，一定会有一部分资源被浪费掉。
共享经济下，倒下几家公司就能证明共享经济不对吗？共享经济还是有它的价值，但不一定是什么都可以共享。
产业发展前期，大势未定，有一些泡沫存在是正常且必要的。创业者们应该学会在泡沫期里找商机，因为这个泡沫期不会太长，红海迟早会到来，市场依旧会是“胜者为王”。
很多时候，创业是否成功并不是从单一维度去考量的，战略投入的方向、力度、节奏、细节、覆盖面都至关重要。
一个企业方向对了，不见得能做成；方向错了，一定是失败的。至于很多人谈到的，某某初创公司是否撑得起多高的估值，资本市场自有评论。
数据已然成为了不可或缺的关键生产力，科学合理地获取、存储、分析以及利用数据成为抓住商机的最有效途径。
—— 希捷全球副总裁暨中国区总裁孙丹
从2015年到2025年，中国数据圈以14倍的速度扩张，如此规模庞大的数据对置身于该经济体的企业和政府等来讲，机遇与挑战并存。
与此同时，随着数据的爆发式增长，数据安全、实时性以及碎片化也成为企业需要特别关注的方面。
2018年，数据圈中56%的数据需要得到安全保护，而到2025年将增长至66%。碎片化给数据识别、分类、管理、安全以及应用带来的挑战也是企业需要面临的问题。
孙丹提到，数据已然成为了不可或缺的关键生产力，而科学合理地获取、存储、分析以及利用数据成为抓住商机的最有效途径。
作为数据生态产业链中至关重要的一环，存储对于企业实现其数据价值的重要性不言而喻。四十年来，希捷聚焦存储市场，能够为更多企业挖掘数据星球的潜力，获取更多的价值。
未来的大方向是，在算法精度不断提升的前提下，拓展智慧城市从1到N的业务边界、促进2D感知到3D世界的落地，以及场景现实到虚拟现实的融合。
—— 商汤科技联合创始人、研究院院长王晓刚
计算机视觉研究有几个比较重要的部分：
一是基础层，包括芯片、AI超算平台、深度学习平台等基础方面的研究，在这方面，中国还有很长地路要走，西方尤其是美国领先我们很多。
二是应用层，这一块中国是比较擅长的，我们有非常丰富的应用场景，这些应用场景可以给我们更多的反馈，驱动我们的算法不断地进步。
三是工具链层，人工智能赋能百业，当不同领域需要人工智能技术越来越多的时候，它对科学家或者研究员的需求是线性增长的。如何让普通的开发者、公测人员可以根据我们的工具链迅速开发出合适的人工智能解决方案，使其生产力充分释放出来，这是未来我们需要面临的重大课题。
大背景下，商汤以往、现在以及未来持续会做的是：在算法精度不断提升的前提下，拓展智慧城市从1到N的业务边界、促进2D感知到3D世界的落地，以及场景现实到虚拟现实的融合。
深度学习和传统机器学习最大的差别是，随着数据量越来越大，使用更大的神经网络就有可能超越人类性能。
—— 旷视首席科学家、研究院院长孙剑
深度学习发展到今天并不容易，过程中遇到了两个主要障碍：
第一，深度神经网络能否很好地被训练。在深度学习获得成功之前曾被很多人怀疑，相比传统的机器学习理论，深度学习神经网络的参数要比数据大10倍甚至上百倍；
第二，当时的训练过程非常不稳定，论文即使给出了神经网络训练方法，其他研究者也很难把结果复现出来。
这些障碍直到2012年才开始慢慢被解除。
孙剑认为，深度学习和传统机器学习最大的差别是，随着数据量越来越大，使用更大的神经网络就有可能超越人类性能。
而具体到计算平台上，目前包括云、端、芯上的很多硬件上都可以部署智能，技术发展趋势是如何自适应地根据计算平台做自动模型设计。
在这方面，旷视提出了Single Path One-Shot NAS的模型搜索新方法，它分为两步：
第一步是训练一个SuperNet，是一个超网络，包含我们想搜索的子网络，先训SuperNet所有的权重；
第二步是搜索Sub-Nets子网络，好处是第二步不需要训练，非常高效。整个模型搜索时间只是正常训练时间的1.5-2倍，但可以得到非常好的效果。目前在多个测试集上得到了领先的结果。
AI企业发展到后期，一定要聚焦、一定要做重、一定要控制好成本、一定要深入行业。如果还靠着不断招人、发论文，也许估值会越来越高，但后期也一定会跌得越惨。
—— 云从科技联合创始人温浩
目前行业有个通病：对于学术的看重好像胜于一切。
如果AI公司能够靠着科学家团队走出来，当年微软亚研基本覆盖了中国AI圈的大半壁江山，后面的结果大家也看到了；再比如Google X部门 ,全球技术大牛云集，后面的产品做得好吗？销售了几台？
通过微软亚研和GoogleX的例子可以表明：技术不是一切，通过大批学术人才去落地产品根本行不通，技术好不代表产品好，但产品好一定要求技术好。
在今天这一节点上，包括云从在内，或许并不应该太过关心技术的领先性，也非利用技术赚取多大的利润，而是在业务线和技术体系无限扩大、无限纵深时，如何管理好N个愈加独立的行业事业部和数千人团队，是我们需要过的第一道难关。
文明的变迁靠的是科技的推动，科技推动就是基础设施的革命；基础设施提升的关键在于：提升一个区域或者一个城市的智能密度。
—— 依图科技联合创始人朱珑
智能密度可以分为两个维度考量：
宏观上，要从单体的机器智能到群体的智能。比如说一个摄像头能够识别人脸的数量从100个到1000个、1万个。而且这1万个摄像头能够相互交流，互相对话，并且它们识别出来的信息是可决策的。
微观上，单个计算机能够支撑的智能算力要足够大，这里的智能算力不是简单的机器算力。
高级的算法可以用更少的机器算力实现更高的智能。总之：算力和算法两者决定了智能的密度，而提升智能密度是普及AI的关键。
从感知智能到认知智能，未来还会出现一个新物种：机器智能，它会慢慢地具备人类的智能。
机器智能的发展可以分成几个阶段：1、记录功能，没有任何的识别能力；2、可识别，比如说摄像头能够识别人脸；3、可关联，不同摄像头之间识别出来的信息之间的关系是什么？怎么判断？4、可预测、可预判；5、可规划。
随着数据、算法、存储、算力和传输等基础设施的不断提升，AI在未来几年会有更为革命性的发展，让智能文明社会加速到来。
唯有用“最有效的算法+最经济的软硬体”解决客户的刚需，才能在AI高速发展的今天形成敏捷而有价值的运营模式。
—— 澎思科技首席科学家、新加坡研究院院长申省梅
科技产业从萌芽到成熟，往往需要经历四个阶段：技术、系统、产品、运营。互联网已走到第三阶段，而AI还处于第二到第三阶段的过渡阶段。
在各个阶段转换的过程中，行业会发生非常大的变数，每一家公司都可能会赢，每一家公司也都可能会输。
AI技术还有很多空间需要提升，现在基本上还处于监督学习，依赖大量的标注数据，半监督无监督学习以及增强学习还没有看到成熟的应用，像大脑具有全面认智推理功能的技术还在研究当中。
而这些，都是后深度学习时代下，AI创业公司的机会所在。
AI芯片发展后期，客户关注的一定是真实场景下的综合效果，而不仅仅是计算加速。
—— 触景无限CEO肖洪波
通用型AI芯片在实际应用过程中，会遇到四个问题：
一、通用型AI芯片无法和数据产生高效、深度连接。专用AI芯片通常针对某些场景做定制化处理，对于数据的理解、分析、处理更为透彻、精准。
二、通用型AI芯片无法与市场产生紧密耦合。通用芯片的作业模式是1对N，很难与部分市场环境产生强粘合关系，无法强聚焦。
三、通用型AI芯片缺乏优质算法。芯片是框架、算法是灵魂，没有灵魂的框架难以产生足够价值，必须借助和算法强粘合的专用AI芯片才能实现潜在潜能。
四、通用型AI芯片功耗过大、对温度等环境因素敏感度不够。前端感知对功耗、散热的要求很高，需要做到极致；另外，产品落地不仅仅是技术问题而是工程问题，比如外界气候、温度等都会成为关键因素。
AI加速只是前端落地应用需求的一个点，经过长时间打磨的AI加速芯片产品，应用于前端后的效果依然不佳。
类比一条公路，AI芯片的集成好比是铺上了柏油，但车辆通行时除了对于路面的高要求，还有对于路牌、路标、服务区的需求，而这些在实际过程中，都得不到很好满足。
先活下去，再谈未来
—— 力维智联董事长徐明
不同于其他行业，安防行业有其自身独特性，需要全盘了解才能在这个行业更好地走下去。
对于大型企业来说，最终的竞争体现在机制体制的竞争，谁的机制体制更完善，谁就能在这场战争中获得胜利。
而对于大多数中小型企业来说，必须要有自己非常清晰的战略规划。很多时候，大人打架，遭殃的是小孩。
在徐明看来，安防产业链冗长且繁杂，纵横交错，唯有强强联手才能走得更远。
另外，一个企业在发展过程中难免犯错，力维要像顶尖互联网公司一样，对技术、市场、产品保持充分敏感，错了要赶快改，尽最大可能将技术与场景结合，为客户产生价值、尽最大可能打磨技术、落地产品。
做得好人脸识别技术，不代表人工智能解决方案就做得好，人工智能解决方案做得好，不代表智慧场景就做得符合用户的实际需求。
—— 千视通联合创始人、CTO兼首席科学家胡大鹏
很多人认为，人脸识别、大数据技术现在很多AI企业都可以做，并且准确率都很高，难度不大。这个说法并无大的逻辑错误，深度学习技术日益成熟的今天，识别技术对人脸的判断并不难实现。
但是，做得好人脸识别技术，不代表人工智能解决方案就做得好，人工智能解决方案做得好，不代表智慧场景就做得符合用户的实际需求。
初创型AI企业，要么不做，要做就得做好、做细。雷锋网雷锋网雷锋网(公众号：雷锋网)
。
原创文章，作者：Maggie-Hunter，如若转载，请注明出处：https://blog.ytso.com/73316.html