99
3.0 階段體現在應用主導個性化和 AI 解決方案的敏捷交付。
2020 年 9 月 5 日，由雷鋒網& AI 掘金志主辦的「第三屆中國人工智能安防峰會」在杭州正式召開。
本屆峰會以「洗牌結束，格局重構」為主題，會上代表未來新十年的 15 家企業(yè)，為現場 1000 余位聽眾和線上幾十萬觀眾，分享迎接安防新十年的經營理念與技術應用方法論。
峰會之上，大華股份先進技術研究院院長殷俊帶來了題為「AI 行業(yè)應用，產業(yè)升級」的精彩演講。
殷俊認為，AI 經歷了理論研究的 1.0、智能落地的 2.0，目前處于行業(yè)智能的 3.0 階段。
AI 1.0 時期是“兩耳不聞窗外事，一心只讀圣賢書”，計算力不夠，數據有限，算法不成熟；
2.0 階段是“紙上得來終覺淺，絕知此事要躬行”，算法、算力有了突破，成熟的算法尋找落地場景；
3.0 階段是“忽如一夜春風來，千樹萬樹梨花開”，行業(yè)最需要的不僅是一套算法、一套系統，而是企業(yè)解決客戶痛點和需求的能力。
在行業(yè)智能背景下，人工智能需要具備的基礎能力包括：一是 AI 技術泛化、快速遷移新應用的能力；二是應用牽引，快速適配新需求的能力。
殷俊認為在 3.0 階段是應用主導個性化和 AI 解決方案的敏捷交付。
在這個過程中，首先要構建人工智能解決方案的端到端體系化能力，大華已經在四個方向做了重點布局：系統架構、數據智能、智能工程化、智能技術。
除了構建以上核心能力，大華還開放全棧能力，賦能行業(yè)生態(tài)，并在實戰(zhàn)中持續(xù)積累人工智能核心技術，針對全場景理解、小規(guī)模數據、泛化能力、多任務學習和 AutoML 的人工智能五大技術挑戰(zhàn)，開展實踐探索，并已取得出色的實戰(zhàn)應用成果。
最后，殷俊強調，AI 目前還是依賴人工為主，大華希望未來在行業(yè)共同努力下，能夠真正轉向 AI 的自我智能，推動行業(yè)智慧化落地。
以下是殷俊現場演講全文，雷鋒網 AI 掘金志作了不改變原意的整理與編輯：
殷?。捍蠹液?！感謝雷鋒網的邀請，在座的有很多都是老朋友了，非常開心每年都能夠和大家聚一次。
過去三年時間，我們一直在討論人工智能到底是什么？
如今，AI 已經可以賦能各行各業(yè)，包括在很多碎片化場景中，也可以看到 AI 的身影了。今天我想跟大家分享的話題是：“AI 行業(yè)應用，產業(yè)升級”。
過去兩年，數字經濟這個詞特別火熱，安防也被稱之為數字安防，數字安防實際上經歷了很多次的更新與迭代。
從最早的數字化、網絡化到今天的智慧化，AI 的到來使得智慧化轉型成為可能，在踐行的過程中，我們首先需要思考：AI 如何才能實現商業(yè)化，畢竟技術不可能一直投入，得不到產出。
2018 年，在雷鋒網組織的第一屆人工智能安防峰會上，我們探討了 AI 如何去推動行業(yè)變革。
2019 年，在雷鋒網組織的第二屆人工智能安防峰會上，我們談到了如何去提升場景化的應用體驗。
今年，我們將談談 AI 如何真正持續(xù)落地，產生商業(yè)價值，以實現智慧化轉型。
首先我們認為，AI 已從 1.0 階段發(fā)展到了今天的 3.0 階段。
什么叫 AI 1.0 階段？這個階段大家都在研究各式各樣的算法，我們可以形象地稱之為“閉門思過”。
為什么會這樣？因為那時候計算力不夠、信任度不夠、算法不成熟，數據也很稀缺，所以也可以總結為：兩耳不聞窗外事，一心只讀圣賢書。
AI 2.0 階段，算力得到了一定的突破，算法也可以階段性落地，譬如之前的車牌、人臉等識別，可以用 AI 進行部分功能替代，這個階段我們總結為：紙上得來終覺淺，絕知此事要躬行。
今天到了 AI 3.0 階段，我們要談的不是做出一套非常厲害的算法、也不是做出一套非常厲害的系統，而是需要弄清楚客戶究竟需要什么功能？而我們能夠提供什么樣的能力？
這個時候就會發(fā)現，真正的 3.0 階段可以稱之為：忽如一夜春風來，千樹萬樹梨花開，也就是真正到了萬紫千紅綻放所有的行業(yè)生態(tài)的階段。
面對這個階段，大量行業(yè)應用驅動人工智能需求的快速加載，為匹配智慧化的服務要求，兩大能力最為關鍵。
第一，AI 技術要能夠泛化。不同行業(yè)會有很大的差異，但基礎的 AI 能力能夠快速遷移到新應用，比如大華以前做車牌識別做交通管控的應用，在民生服務領域，大華將這個技術快速遷移，應用到智慧停車場及綠色停車位等領域。
第二，面向一個新型、突發(fā)性的應用需求，能夠有快速適配的能力。正是因為具備這樣的能力，在今年疫情之初，大華在短短的 7 天時間實現研發(fā)并量產超高精度的測溫系統。
基去這個兩個點，以人工智能為工具，可以為包括政府端、企業(yè)端、To C 端提供各類各樣的智慧化服務。
另外，AI 3.0 階段還應該是應用主導個性化 AI 解決方案的敏捷交付。
在這個過程中大華認為，首先要構建人工智能解決方案端到端的體系化能力，重點構建系統架構、數據智能、智能工程化、智能技術四大基礎能力，保證我們做實智慧化的應用服務。
同時，不僅僅要聚焦人工智能本身，更重要的是通過物聯網與人工智能的融合，積極、高效響應各行業(yè)的應用需求。
幸運的是，身處 AI 3.0 階段，大華已經鍛造了三種能力：
第一，我們有一套完整的技術體系架構，基于豐富的硬件與軟件資源，大華已實現了以業(yè)務導向的快速定制體系，解決了 AI 加載、算力與資源調配、安全等實際問題，從而保證技術快速落地，實現高質量、高可靠性、彈性的穩(wěn)定交付。
第二，我們有一套完整的數據智能閉環(huán)，在數據智能上，除了解決智能化本身的問題，還需要建立數據從“數據獲取、數據治理、數據管理到數據分析”的完整的數據鏈路閉環(huán)。大華利用長期積累的大量行業(yè)經驗、實踐經驗、數據經驗，建立了一整套從感知到智能到數據環(huán)境的數據智能的閉環(huán)。
第三，我們有一套完整的工程體系，大華已建立面向人工智能快速部署的完整工程體系，加快從技術到產品到商業(yè)落地的轉化效率。此外，在整體系統運行上，大華在端、邊、云的數據統一、系統調度和數據鏈路做了大量的工作，實現真正的端、邊、云數據協同，從而保證系統最優(yōu)地運行效率和用戶體驗。
基于剛才所提的架構體系，我舉一個例子。
比如我們基于自身的感知能力做生態(tài)環(huán)保，可以真正面向客戶的作業(yè)管控需求，形成一個完整閉環(huán)；同時我們還會根據業(yè)務的不同實現快速加載，完成服務端可彈性的兼容，如標尺、污染物、水表、卡尺等方面的應用，以及未來在生態(tài)環(huán)保方面其他更多的業(yè)務應用需求，都可基于我們彈性的技術架構做到快速擴充。同時在中間能力方面，包括基礎設施、IoT 物聯網等能力也可以無限拓展。
回到數據智能，我們認為在整個數據世界里面其實什么都沒有，唯一有的要素就是數據。
對于數據來說，從采集到應用，其實整個過程非常辛苦。通過人工智能等手段去做感知數據的真正結構化，這是一個層層遞增的緯度問題?；诖?，去年安博會期間，大華提出了通過 AIoT 構建我們的四維數字世界，來構建智慧孿生的過程。
在這個構建過程中，我們認為人工智能不是一個點狀的問題，而是一個產業(yè)鏈的問題。
人工智能的應用不會是單一算法問題，而是以全鏈路的數據為基礎，強調的是通過數據智能與人機協同，用貼合業(yè)務的人工智能解決方案滿足智慧化的需求，這對在線系統的全網設備與計算能力管控與調度，人工智能的加載，多維度感知技術等提出了更高的要求。
所以大華在構建人工智能體系的過程中，考慮到了包括算力的構建、核心算法的構建、面向各個行業(yè)應用的構建，以及我們如何去覆蓋各個產品類型的邏輯。
當然，只是解決了數據智能化還不夠，還需要對數據進行挖掘、整合、分析。
所以我們構建了一條完整的數據鏈路，從數據管理、數據治理、數據知識加上人的經驗，來實現數據智能的閉環(huán)。
我們認為，此前的數據智能更多的還是基礎智能加上人工經驗輔助，還不能達到自我智能。
未來，從經驗式的數據智能，到自我決策的邏輯，需要通過大量的數據經驗、人為經驗，包括行業(yè)經驗，來滿足我們在數據智能這方面能力的提升。
另外一塊是工程化邏輯，就是如何能夠快速產生人工智能能力。
我們在構建這方面能力的時候，主要考慮到了兩個點：第一把整個平臺做好，這樣才能做到從數據到算法快速的生成。
第二需要滿足現場快速定制化的要求，包括數據隱私、數據安全性問題。
基于此，我們構建了一大一小兩大數據訓練平臺，包括大華巨靈人工智能開發(fā)平臺、大華巨靈人工智能開發(fā)工作站，以實現我們的 AI 快速標準化和定制化的過程。
同時，我們也發(fā)現，近幾年中國出現了很多芯片公司，我們會面臨更多芯片的選型問題?；诖?，我們也構建了一套完整的供應鏈體系，來實現面向所有芯片的快速部署，加快我們從技術到產品，到商業(yè)落地的轉化效率。
另一方面，在整個系統中，我們還要完善端側、邊側、云側大小系統融合過程中數據連通、數據融合、數據一致性的問題，來優(yōu)化全網資源配置、算力統一調配，保證數據一致性。
除此之外，我們還要和合作伙伴們去做互聯互通。
從云端到智能應用，從算法倉庫到硬件產品，我們在每一層都會提供開放能力，我們希望和所有合作伙伴一起開放共贏。
當然，AI 雖然現在可以做到部分商業(yè)化落地，但未來還有很大的提升空間。
我們認為人工智能未來在五大方面可能會有比較大的提升，包括全場景理解、小規(guī)模數據、算法的泛化能力、多任務學習以及 AutoML 過程。
先來談談全場景理解。以前的交通路口 AI 應用，其實只能叫做半人工智能，因為很多規(guī)則需要提前部署，我們會劃出很多規(guī)則線，告訴相機哪個是斑馬線、哪個是紅綠燈、哪個是道路線，這個工程量其實很大。
后面我們把交通要素全部標識出來，做成了一個全域智能模型，也就是說不用再人工配置了。
對于產品解決方案來說，這是一個非常好的提升方向。我們認為，未來的 AI 發(fā)展趨勢，在于對全環(huán)境的感知，讓它能夠自適應理解全場景，而不用人為地告知目標對象屬性。
小數據這個問題，剛才楊教授也講到了，未來不會有大量的數據給到你，需要你通過數據生成和遷移學習快速實現新功能開發(fā)。
其實通過小量數據樣本，也可以得到一個比較好的數據模型，我們會做一些訓練模型，希望通過這些嘗試，幫助人們快速降低算法成本。
第三塊叫做泛化能力，視頻應用環(huán)境各式各樣，有白天、晚上、下雨、曝光，不同環(huán)境下的成像都不太相同。
這時候通過我們的系統能力去提升算法的魯棒性，來減少對場景的依賴至關重要。我們認為實戰(zhàn)是檢驗算法性能的唯一標準，而不是實驗室指標高一個點、低一個點。
再來，我們還要解決多任務問題。為了實現一個場景應用，現在一套算法做下來，可能有十幾二十個模型。未來，我們希望利用多任務學習技術，提升計算資源利用率，在有限計算資源的條件下，實現多算法融合，讓算法訓練更簡單。
最后一點，這也是我們的一個夢想，我們希望通過 AI 的設計語言，來實現編譯部署和編譯環(huán)境。大華內部有一套 DAIL 的編譯器和語言，雖然大部分的內容還是開源或者引入。但未來我們也希望能夠開發(fā)出一套國產化的 EDA 工具，來簡化整個行業(yè)智能算法的開發(fā)和部署過程。
今天講到了很多內容，總結一下，主要有三個點：
1、AI 會長期處于第三階段；
2、應用會主導 AI 個性化發(fā)展；
3、AI 目前還是依賴人工為主，未來會真正轉向自我智能，實現人工智能的快速落地與技術普惠。
最后，感謝雷鋒網給我這次分享的機會，謝謝大家。
