安防行业，始终秉持技术创新为内核，不断推动行业内部的深度融合与革新。过去二十年里，安防系统历经了由标清至高清的画质飞跃，从模拟到数字的技术革新，以及从传统监控向智能安防的跨越式进步。这些显著的技术升级，极大地提升了智能安防系统的整体性能，为安防行业的蓬勃发展注入了强劲动力。
近年来，深度学习架构、先进算法、AI 芯片以及开源学习平台等人工智能技术的飞速发展，为安防行业注入了新的活力。新一代的人工智能技术正引领安防行业进入一个全新的发展阶段，使安防领域成为人工智能技术实际应用的前沿阵地，实现了技术的快速落地与广泛应用。
AI 与安防产业
随着时代数字化、信息化、智能化的高度发展，传统的安防行业已经从单纯的技术、硬件整体解决方案，转变至兼容化、智能化、云运营之争。在安防行业，智能化已经不再像是过去那样只是安防行业应用的一个点缀，而是成为了真正的核心。
安防市场是一个万亿级的大市场，而且安防行业作为 AI 最先得到广泛应用的领域，经过这几年的快速发展，已成为了人工智能与实体经济深度融合最成功的应用领域之一。
360 智慧生活集团是 360 集团旗下智能硬件及物联网解决方案事业群，推出了智能
门铃、门锁等一系列产品，也是国内行车记录仪的领军企业。
为了让 AI 赋能安防产品，360 智慧生活集团依托 360 智脑推出了视觉大模型并将原有图像相关算法从 “感知” 提升到“认知”。目前，360 智脑视觉大模型已成为 360 智慧生活快速发展的“第二引擎”。
可以看到，AI 技术的发展正推动各种安防产品实现智能化变革，而安防产品背后的视觉技术也为 AI 提供 “感知” 能力，AI 与安防产业不仅迅速融合，两者也相辅相成。
AI 既是网安需求来源，也是网安下一形态。在 AI 乃至大模型时代，网安的技术性需求会由于攻击事件的催化而得到释放，网安设备的硬需求为同向增长状态。工信部等 16 部门发布的《关于促进数据安全产业发展的指导意见》，提到 2025 年我国数据安全产业规模将达 1500 亿元，同比增速 30%。
未来几年，随着高清化和智能化趋势的愈发明显, 安防企业必将面临更激烈的竞争随着国内安防市场需求的不断释放以及相关技术的快速发展, 数字图像压缩处理、流媒体技术、计算机网络通信、自动控制技术、智能报警技术、人工智能技术等已在安防领域得到广泛应用。
从云端到边缘
近年来 AI 运算功能逐渐由后端 / 云端往边缘 (Edge 端) 发展的态势愈来愈明显，主要的好处在于可缩短时间、降低风险及耗能，当然还有最重要的——节省成本。
例如，IT 大厂 Intel(英特尔)提出的 Edge AI 解决方案，强调只需要一般的 PC、Notebook 或 x86 的工业计算机，透过 OpenVINO 开放式平台，即可运用该平台上 200 多种算法 (包括 TensorFlow、CaffeZ… 等) 自行开发或采用第三方伙伴已预先训练好的 AI 模型，轻松将终端设备转变成 Video AI Box、具 AI 功能的 NVR 或 Edge 端的 AI Server，进而解决各种领域所面临的问题，让 AI 系统成本不再高昂。
安防厂商推出的 Edge AI 解决方案也相当多元，尤其监控摄像机厂商已纷纷将 AI 视频的辨识、分析、搜寻、追踪等功能做在前端。例如：晶睿 (Vivotek) 通过前端的对象特征撷取运算(Edge-centric object extraction)，不需在后端安装高效能显卡执行分析运算，有效降低服务器的运算资源和建造成本。
利凌 (LILIN) 则早已看准 Edge AI 将成为主流，致力于边缘运算 AI 摄像机结合 5G 与云端的应用，并推出最新的 AI 废弃物侦测 (Trash Detection)、球类追踪(Ball Tracking)、性别判断(Gender Detection) 等功能，其视频管理软件 (VMS) 更是专为边缘运算 AI 摄像机整合设计。
而软件厂商富萱 (AiUnion) 所开发的 AI 视频辨识边缘运算，则是融合了 AI 深度学习的影像分类、对象侦测和影像分割 (Image Segmentation) 技术，建立如智慧工业、科技执法、安防监控等的通用模型，便于用户直接导入使用，若有特定应用再视其需求量身订制。
从「沉重」到「轻快」
一般来说，AI 在辨识视频时会将相似的影像 (如背景) 视为独立图像而重新进行辨识，因此运算量大; 当有大型场域要做 AI 视频辨识时，支持其运算的硬设备数量及成本必然昂贵，相对耗能也高，并不符合企业持续性发展 (ESG) 的原则。因此，已有不少厂商想方设法，希望能为现行的 AI 运作模式「做减法」，令其挥别沉重的负担，展现轻盈的体态、迈出轻快的脚步。
例如，电子大厂台达 (DELTA) 就推出了 DIVA(DNN Inference OS for Video Analysis)智能加速器，利用一连串相似影像的特性加快 AI 视频分析的速度，可应用在静态或动态摄像机上。只要在任何影像应用的 AI 模型上加上一层 DIVA SDK 软件，就可加速 2～6 倍 (视场域硬件、视频分辨率、AI 模型不同) 且不损失任何精准度，进而降低设备数量及能耗，达到节省成本目的。
新创公司耐思尼 (Nexuni) 也提出利用低功耗、小型化、高度定制化的嵌入式系统 (如 Embedded Linux、Nvidia Jetson Platform… 等)，结合可降级至 KB 储存等级的机器学习模型 TinyML 成为 Edge AI 系统架构——可在资源有限的端点硬件规格上，进行视频(如人脸) 和语音的 AI 运算，并保持与 Server 级运算相同的准确率。
根据实测，TinyML 可将 Server 等级所需的 16GB，降至边缘嵌入式系统的 320KB，等于将传统机器学习模型缩小了 5 万倍，更便于开发可应用于各种规格系统、易于普及的自动化解决方案，提升管理效率。
从专业到普及
近来 ChatGPT 让 AI 在全球的关注热度居高不下，主要在于它让大家使用 AI 这件事变得容易起来。同样地，为了让 AI 能够加速普及市场应用，业界也努力透过简化开发技术与设计流程，希望即使不具备 AI 专业知识的人，也能轻易打造满足本身业务需求且有效的 AI 训练模型。
例如，Intel(英特尔)Geti 计算机视觉平台标榜可让任何人透过简单的数据上传、标注、模型训练以及再训练界面，配合 OpenVINO 工具组进行优化，就可轻易部署高质量的计算机视觉 AI，藉以推动更多应用创新、提高企业整体效能。
有鉴于一般 AI 项目导入流程：数据预处理→选定算法→程序开发 AI 模型→模型验证，不仅需要 AI 或 IT 专业人员，还需反复作业、动辄耗时数月; 杰伦智能 (Profet AI) 发展的 AutoML Platfrom(No-Code AI 平台)，则是将「选定算法→程序开发 AI 模型」两步骤利用机器学习技术自动、快速地建立 AI 模型，而且可将模型验证优化。
如此一来，企业各部门 (如人资、研发、生产、IT… 等) 人员都能很方便地应用 AI 解决所属业务领域的各种问题，例如，将 AutoML Platfrom 应用在工业生产上，能够优化生产制造过程、提升整体良率与效能; 应用在网络安全上，也可协助预测安全程度，防止外泄风险邮件。
声明：本站所使用的图片文字等素材均来源于互联网共享平台，并不代表本站观点及立场，如有侵权或异议请及时联系我们删除。