人工智能技術發展概述
人工智能作為計算機科學行業的頂尖技術之一，自1956年達特茅斯會議正式提出以來，一直受到各行各業的關注。 在圖靈測試中，人工智能的識別和評價是唯一的參考，基本的思維起點仍然是仿生學。 這是一個推論，人的人工智能無限接近，但永遠達不到天花板。 但事實上，在人工智能問世后的幾十年里，它似乎沒有沿著這條道路發展。 正如我們今天所看到的，在某些細分領域，人工智能的能力完全超出了人類的能力。
i. 難點探索：功能簡單，經驗寶貴
實際上，在2016年初甚至更早的時候，有大量具有潛在需求的行業和巨大的空白市場，智能作為前沿命題已經出現在許多大大小小的安全公司ppt甚至特定的產品中。 但受顯示芯片計算能力，采集終端技術，后端算法技術以及整體方案成熟度等因素的限制，在此時間段推廣的算法大多屬于早期荒廢使用，效果不理想時大部分算法落到實際部署。 本期算法大多以對象/人體模型檢測為主，基本功能為最簡單的周界入侵，線路混頻報警，逆行檢測等事件類檢測，業務功能及實現機制較為簡單。
現在看來，這一時期的大多數算法、業務功能和支持方案都不容易使用，甚至相對落后。 然而，這一時期對智能算法的探索為安防行業深度學習算法的蓬勃發展提供了大量的工程經驗。
二。 時代潮流：安全是AI最好的栽培土壤
20對于人工智能行業來說，十六年注定是不平凡的一年。 今年，GPU行業的絕對領導者Vida推出了基于人工智能深度優化的新型Pascal架構，GTC2016正式發布了一系列基于完整核心的特斯拉顯卡TeslaP40和TeslaP4，同年推出了嵌入式芯片NVIDIAJetsonTX1。 設計用于深度學習的神經網絡是否作為服務器級GPU卡P4/P40，作為TX1的芯片嵌入長老，在引入這兩個GPU后，在人工智能的快速發展中提供了大量的計算支持，甚至在今年，也可以在許多項目中看到。
谷歌于2016年初開放了TensorFlow源代碼，首次將深度學習訓練系統公開，引爆了整個人工智能算法產業。 Tensor Flow僅在出版的第一年就幫助了100多萬名研究人員、工程師、藝術家、學生和其他專業人員取得了巨大的進步。 在包括伯克利和微軟CNTK網絡在內的TensorFlow和caffe的基礎上，大量人工智能算法如雨后春筍般涌現，點燃了新一輪人工智能探索的高潮。 人臉識別，行為分析，圖像結構化分析，OCR識別等復雜的圖像信息處理與提取技術和算法得到了質的提升，由原來的探索前進逐漸演化為成熟可靠的方案，并通過大量的實際應用部署獲得大量的樣本訓練，逆向為算法本身的演化提供海量支持。
任何人工智能算法都希望成為一個成熟的方案，并能得到廣泛的應用 推廣離不開海量的數據培訓和實踐經驗。 當其他行業資源不足需要進一步完善時，也是2016年，國家正式發布“十三五”規劃，要求在“十三五”期間基本完成視頻圖像基礎設施和應用系統建設，全面建設視頻圖像資源綜合應用系統，整合各類視頻圖像資源和智能分析處理，安全有效利用社會視頻資源，實現視頻圖像匯聚，共享，分析和應用，使安全和運維能力大大提高，為公安機關各部門，公安部門，其他政府部門和社會提供全面的視頻和圖像信息服務。 同時，在視頻圖像信息分析系統中，明確提出了大量的分析需求，包括視頻內容的結構化分析（實時流視頻流）、信息提取和視頻圖像信息根據預定的策略比較、碰撞、深度、大面積、多維數據挖掘和研究。
由于“十三五”規劃對視頻圖像分析算法有明確的要求，在“十三五”期間出現了無數的算法。 根據各級用戶需求，包括基于人工智能的人臉，視頻結構，ReID等深度學習算法及相關應用落地“測試場”進行現場部署和演練，通過大量協同作戰實驗室等方式獲得堅實的資源支持。 隨著“十三五”建設的深入，除了傳統的安防企業，越來越多的互聯網公司加入了人工智能的浪潮，因此人工智能也得到了爆炸性的增長。
得益于底層的堅實支撐，開源架構和探索者提供的技術基礎以及國家“十三五”的有利政策，在當今時代，安防行業無疑是人工智能最好的“培育土壤“。 在這段時間里，涌現出了無數的算法公司，只要你能想到，任何智能分析需求都會得到答案。 同時也在算法應用上，依靠人臉識別算法實現了“刷臉”登錄、“刷臉”開門甚至情感、疲勞識別等一系列應用在整個安防行業得到了衍生。 用戶愿意花錢，廠家愿意投資研究，這是人工智能最好的時代。
三.建議。 困境：人工智能重新定義安全
好的AI=算法/樣本，這是傳統對人工智能的理解。 對于AI本身來說，具有足夠正負樣本的海量計算能力，再加上大量的訓練和調優算法，基本上可以交出一份滿意的答卷。在第一輪人工智能建設浪潮中，每個人都在追求更高的指標、更多的標簽和更高的績效，為極端指標投入了大量的人力物力。 而隨著項目開始落地，當算法付諸實踐，當整個安防行業正式向前推進時，人們逐漸發現一個無法繞過的問題：人工智能是簡單的組件產品還是系統的解決方案？ 在回答這個問題之前，我們先回顧一下深度學習算法本身。 從“智能”的角度來看，人工智能可以簡單地分為弱人工智能、強人工智能和超人工業智能。
人臉識別要想成功落地，為用戶提供最優解決方案，面臨的挑戰比這更大。 人工智能落地需要端到端系統中各類組件的適配。 人工智能重新定義了安全性，并對每個節點上的設備提出了新的挑戰。 回到前面的問題，人工智能應該是一個簡單的組件產品還是一個系統的解決方案？ 答案顯而易見，在安防行業，無論落地產品都是空中樓閣。人工智能算法是對前端，存儲，大數據，算法算力調度乃至協議標準等方面有嚴格匹配要求的系統方案，在機房，電力，人工等一系列產品的安全行業實施配套要求，對人工智能TCO的成本無疑提出了更高的要求。
四。 重新訪問：專注于著陸和應用
如今，人工智能仍然是業界最熱門的話題。 但用戶不再像第一次遇到人工智能時那樣迷信。 在許多情況下，用戶更愿意讓算法驗證其可行性，或者簡單地與算法制造商合作，以確定算法是否可用。而各廠商和算法公司也在項目實踐中發現，僅僅依靠人工智能，深度學習，大數據，如“場景定義算法”，“人工智能工程”等更注重算法落地和實際應用的概念。 同時，通過新一輪算法的不斷PK和“十三五”建設的模式洗牌，實力雄厚、經驗豐富的制造商逐漸改變了探索方向，不斷投入到算法的落地、智能分析總體方案的拉通、用戶應用的完整閉環和流程簡化等方面。
人工智能算法作為核心技術仍需不斷投入和探索，這才是永恒的真理。 另一方面，各算法廠商不再把算法指標作為最重要的競爭力，而是把多算法解決方案，應用生態匹配作為最關鍵的亮點。 原本單一的算法可能無法實現業務，現在通過不同的算法協同檢索比較可以輕松實現，這種結合應用的整體方案已經成為新的建設重點。
v.未來：制度剝削
未來，隨著算法和服務的高度融合，各行業將形成具有行業屬性的特殊服務和解決方案。 人臉識別的建設和發展將逐步調整各行業的業務場景。 另一方面，該算法正在向標準化組件發展。 正如當年的IP攝像機所經歷的那樣，包括人臉在內的各種深度學習算法最終將成為標準的交付品，管理算法的多算法服務框架平臺必然成為下一波平臺建設的新高潮。