人工智能的發(fā)展由算力、算法和數(shù)據(jù)推動(dòng)，它可以使機(jī)器借助先進(jìn)軟件和硬件，進(jìn)行自主學(xué)習(xí)和獨(dú)立解決問(wèn)題。人工智能研究領(lǐng)域也包括計(jì)算機(jī)科學(xué)的其他分支，如機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等。在視頻監(jiān)控市場(chǎng)，現(xiàn)今應(yīng)用最突出的人工智能技術(shù)是深度學(xué)習(xí)。

　　深度學(xué)習(xí)借助電子技術(shù)和軟件算法來(lái)模仿人腦功能。深度學(xué)習(xí)系統(tǒng)會(huì)不斷地從經(jīng)驗(yàn)中獲取知識(shí)，并像人類(lèi)一樣，通過(guò)學(xué)習(xí)真實(shí)的聲音，圖像和其他感官信息來(lái)感知和識(shí)別周?chē)h(huán)境。

　　在這一過(guò)程當(dāng)中，輸入到系統(tǒng)當(dāng)中的聲音、圖像和其他信息被拆分成多層高度抽象的網(wǎng)絡(luò)，每一層都代表著一些特征或者標(biāo)識(shí)符，比如邊緣、顏色、形狀和聲調(diào)。人工智能的高速發(fā)展推動(dòng)了其在智能手機(jī)、醫(yī)療保健和汽車(chē)等多個(gè)行業(yè)的應(yīng)用。 同樣，安防市場(chǎng)也越來(lái)越希望將人工智能應(yīng)用落地，尤其是將深度學(xué)習(xí)算法應(yīng)用在視頻監(jiān)控市場(chǎng)中。盡管深度學(xué)習(xí)并非新興事物，但直到2015年深度學(xué)習(xí)才取得了重大的突破，機(jī)器視覺(jué)識(shí)別的錯(cuò)誤率被大大降低。 在機(jī)器視覺(jué)競(jìng)賽中， ImageNet(一種用于視覺(jué)對(duì)象識(shí)別軟件研究的大型視覺(jué)數(shù)據(jù)庫(kù))在分析圖像數(shù)據(jù)庫(kù)時(shí)首次成功突破了5%的人類(lèi)平均錯(cuò)誤率。深度學(xué)習(xí)如此快速的提升不僅是由于高級(jí)算法的發(fā)展，還因?yàn)榛诙嗪藞D形處理單元( GPU)而非傳統(tǒng)的中央處理單元( CPU)的新型的更新更快的硬件系統(tǒng)的開(kāi)發(fā)。 這些新架構(gòu)可以促使學(xué)習(xí)速度更快，結(jié)果更準(zhǔn)確。因?yàn)榕c使用CPU方法相比，它們能夠更快地模擬出10到100倍的人腦神經(jīng)元。

　　隨著視頻監(jiān)控系統(tǒng)中新基礎(chǔ)架構(gòu)的演進(jìn)，業(yè)界已認(rèn)識(shí)到兩個(gè)主要趨勢(shì)-AI能力從數(shù)據(jù)中心(云)遷移到端，以及多種類(lèi)型的數(shù)據(jù)從端側(cè)匯聚到云。

　　AI從云遷移到端側(cè)–混合AI解決方案

　　AI解決方案從一開(kāi)始就已部署在數(shù)據(jù)中心或云中，并逐漸擴(kuò)展到邊。這種發(fā)展取決于模型開(kāi)發(fā)的過(guò)程和計(jì)算的動(dòng)態(tài)性能。人工智能解決方案分為兩個(gè)階段-訓(xùn)練和推理。訓(xùn)練是指在多次迭代和大量訓(xùn)練數(shù)據(jù)集上模擬神經(jīng)網(wǎng)絡(luò)聚合達(dá)到所需精度的過(guò)程。因此，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的計(jì)算量非常大。 由于訓(xùn)練一個(gè)算法所需算力非常大， 基本上， 訓(xùn)練僅在數(shù)據(jù)中心或云中進(jìn)行。

　　當(dāng)神經(jīng)網(wǎng)絡(luò)被訓(xùn)練得可以識(shí)別圖像和視頻的背景關(guān)系的時(shí)候，將其部署在推理設(shè)備上并將視頻流輸入。這個(gè)過(guò)程稱(chēng)為推斷。 推理是一個(gè)正向傳播過(guò)程，可以通過(guò)神經(jīng)網(wǎng)絡(luò)模型從新的輸入信息中獲取正確的結(jié)果。 當(dāng)今市場(chǎng)上的大多數(shù)深度學(xué)習(xí)解決方案都包含某種GPU硬件。由于當(dāng)前GPU硬件的功率要求較高，深度學(xué)習(xí)分析一度只能在云端或在深度學(xué)習(xí)服務(wù)器或錄像機(jī)上運(yùn)行。 但是， 近年來(lái)，隨著基于A(yíng)SIC的SoC的發(fā)展， 攝像頭也能夠運(yùn)行AI推理算法。

　　因此，視頻分析既可以在現(xiàn)成的標(biāo)準(zhǔn)化分析服務(wù)器或錄像機(jī)上運(yùn)行， 又可以嵌入到諸如網(wǎng)絡(luò)攝像頭和編碼器之類(lèi)的視頻監(jiān)控端側(cè)設(shè)備中。

　　目前，主要有三種方法來(lái)部署AI解決方案。

　　部署在端側(cè)的AI攝像頭 - AI攝像頭生成的結(jié)構(gòu)化數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳輸?shù)椒?wù)器，用于例如面部圖像識(shí)別和車(chē)輛識(shí)別等基于場(chǎng)景的其他應(yīng)用程序。但是，這種方法難以被廣泛采用的原因是AI攝相頭替換傳統(tǒng)攝像頭的成本相對(duì)較高。

　　此外， 端側(cè)AI攝像頭的算力限制也阻礙了廣泛應(yīng)用。即使使用最新的ASIC芯片，許多端側(cè)設(shè)備也將無(wú)法同時(shí)運(yùn)行多種算法。因此，僅靠端側(cè)設(shè)備很難實(shí)現(xiàn)規(guī)模效益。

　　部署在中心的AI解決方案 - 借助這種方法，無(wú)需更換傳統(tǒng)的攝像機(jī)便可將視頻流發(fā)送到分析服務(wù)器或錄像機(jī)或云端以進(jìn)行集中處理。這使系統(tǒng)能夠?yàn)槊總€(gè)攝像頭視頻運(yùn)行更多樣的分析，并將多路攝像頭聯(lián)動(dòng)來(lái)運(yùn)行不同的視頻分析。但是所有數(shù)據(jù)都需要被發(fā)送到數(shù)據(jù)中心， 而這種方法需要高帶寬支持。 數(shù)據(jù)中心必須能夠提供所有算力，這很大程度上意味著用戶(hù)為購(gòu)買(mǎi)AI服務(wù)器和錄像機(jī)需要支付高昂成本。

　　云-邊-端基礎(chǔ)架構(gòu)上分布的AI解決方案 - 這種混合方式可通過(guò)結(jié)合使用端側(cè)的智能攝像頭、 邊側(cè)集中式服務(wù)器和云中心， 來(lái)確保視頻分析的工作負(fù)載更加均衡。這意味著可以在攝像頭上運(yùn)行一些分析，例如人群監(jiān)視、 計(jì)數(shù)和對(duì)象檢測(cè)，目的是節(jié)省帶寬并減輕后端的算力壓力?？梢允褂霉δ芨鼜?qiáng)大的集中式分析來(lái)運(yùn)行需要大算力的應(yīng)用程序，例如人或車(chē)輛的特征提取以及對(duì)象搜索。

　　新技術(shù)推動(dòng)多種類(lèi)型的數(shù)據(jù)從端側(cè)匯聚到云

　　深度學(xué)習(xí)分析能夠?qū)⒎墙Y(jié)構(gòu)化視頻和圖像轉(zhuǎn)換為結(jié)構(gòu)化以及半結(jié)構(gòu)化數(shù)據(jù)。數(shù)據(jù)通過(guò)云-邊-端基礎(chǔ)架構(gòu)匯聚，從AI攝像頭開(kāi)始，然后到邊緣側(cè)的服務(wù)器或錄像機(jī)，再到云數(shù)據(jù)中心。該過(guò)程由算法和算力實(shí)現(xiàn)， 需要強(qiáng)大的邏輯處理器、 圖形處理器、 內(nèi)存和存儲(chǔ)的支持。

　　在端側(cè)，芯片組制造商和安防設(shè)備廠(chǎng)商正在將具有更高算力和更低功耗的處理器嵌入下一代智能攝像頭。目前具備1 TOPS算力的嵌入式SoC的智能攝像頭已經(jīng)很普遍， 而一些高端攝像頭更采用了16 TOPS算力的芯片，這些高端攝像頭可以運(yùn)行多種深度學(xué)習(xí)算法和應(yīng)用程序。

　　有些高端AI攝像頭甚至可在一幀視頻中捕捉200多個(gè)面部圖像并對(duì)圖像進(jìn)行結(jié)構(gòu)化處理。 這種高度智能化的攝像頭會(huì)7X24小時(shí)不間斷的產(chǎn)生高碼率視頻圖像數(shù)據(jù)以及大規(guī)模結(jié)構(gòu)化數(shù)據(jù)，并對(duì)這些數(shù)據(jù)進(jìn)行實(shí)時(shí)存儲(chǔ)。 

　　此外， 大量基于A(yíng)I技術(shù)的上層應(yīng)用顯著增加了用戶(hù)對(duì)視頻數(shù)據(jù)以及結(jié)構(gòu)化數(shù)據(jù)的讀操作。 這需要存放這些數(shù)據(jù)的存儲(chǔ)器具備更高的順序和隨機(jī)讀寫(xiě)性能，以及更大的本地存儲(chǔ)空間。因此，高性能大容量并且具有高P / E(寫(xiě)入/擦除)周期的嵌入式閃存存儲(chǔ)器在端側(cè)的AI攝像頭中被越來(lái)越多的使用，例如e.MMC和UFS。

　　在后端，特別是“ CPU + GPU”架構(gòu)最適合運(yùn)行包括圖像識(shí)別在內(nèi)的大量的深度學(xué)習(xí)任務(wù)。這種組合的流行，部分原因是GPU能夠執(zhí)行并行計(jì)算。當(dāng)運(yùn)行深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)時(shí)，該體系結(jié)構(gòu)使其速度比通用CPU快得多。 

　　而隨著越來(lái)越多的數(shù)據(jù)在包括錄像機(jī)和企業(yè)級(jí)存儲(chǔ)在內(nèi)的后端存儲(chǔ)中被匯聚，需要更大的存儲(chǔ)支撐。具有更高容量的硬盤(pán)存儲(chǔ)陣列可在有限物理區(qū)域中提供更大的容量。由于疊瓦式磁記錄( SMR)技術(shù)的發(fā)展，使得最新一代3.5英寸硬盤(pán)的容量可以最高達(dá)到20TB。  

　　疊瓦式硬盤(pán)通過(guò)將驅(qū)動(dòng)器磁道部分彼此疊置(類(lèi)似于屋頂上重疊的瓦片)來(lái)實(shí)現(xiàn)更大的容量，從而以較低的成本增加同一區(qū)域的存儲(chǔ)密度。這種方法可以在視頻監(jiān)控云中心中很好地發(fā)揮作用， 因?yàn)橐曨l數(shù)據(jù)流具有順序化存儲(chǔ)的特性，并且視頻云中海量歸檔的視頻都不會(huì)進(jìn)行隨機(jī)寫(xiě)操作。

　　為了提升在云端進(jìn)行密集的AI計(jì)算的能力， 一些廠(chǎng)商開(kāi)始在視頻監(jiān)控系統(tǒng)的AI計(jì)算中引入非易失性?xún)?nèi)存主機(jī)控制器接口( NVMe) 存儲(chǔ)， 即NVMe enterprise SSD。與傳統(tǒng)的SSD或HDD相比，這種類(lèi)型的存儲(chǔ)可為AI計(jì)算訪(fǎng)問(wèn)數(shù)據(jù)時(shí)主動(dòng)提供更高的帶寬和更低的延遲， 并將這些數(shù)據(jù)存儲(chǔ)在距離計(jì)算最近的位置。這種方法可以使在大型數(shù)據(jù)集上進(jìn)行實(shí)時(shí)分析成為可能。 

　　此外，業(yè)界還引入了NVMe分區(qū)存儲(chǔ)( ZNS)， 其在SSD上的工作方式與疊瓦式( SMR) HDD類(lèi)似，能夠以較低的成本提供更大的存儲(chǔ)容量，并能更好地實(shí)現(xiàn)主機(jī)系統(tǒng)和ZNS SSD之間的協(xié)作， 合理的分配存儲(chǔ)的工作負(fù)載。盡管這項(xiàng)技術(shù)現(xiàn)今在SSD上落地仍處于初期階段，但它有潛力確保以更具性?xún)r(jià)比的方式使存儲(chǔ)系統(tǒng)更高效、 更穩(wěn)定、更持久地運(yùn)行。

　　人工智能技術(shù)的協(xié)作與整合

　　人工智能和深度學(xué)習(xí)視頻分析現(xiàn)在正在影響新型的視頻監(jiān)控基礎(chǔ)架構(gòu)， 即從端到邊再到云數(shù)據(jù)中心。 AI初創(chuàng)公司，半導(dǎo)體廠(chǎng)商與傳統(tǒng)的視頻監(jiān)控供應(yīng)商已經(jīng)建立了一個(gè)完整生態(tài)系統(tǒng)以提供從芯片到算法和應(yīng)用程序的解決方案，推動(dòng)AI技術(shù)的落地。

　　 隨著成熟的AI加速器廠(chǎng)商不斷推動(dòng)芯片算力的提升， AI初創(chuàng)公司正在積極開(kāi)發(fā)算法，以確保AI發(fā)揮其全部潛力。此外，視頻監(jiān)控設(shè)備制造商和數(shù)據(jù)中心硬件提供商正在不斷探索將市面一流解決方案應(yīng)用于其產(chǎn)品， 使最終用戶(hù)可以以合理的成本從支持AI的解決方案中受益。

　　另一方面，系統(tǒng)集成商和最終用戶(hù)正在尋找有效的方法，將具有一流的AI功能的視頻分析軟件與可靠的視頻監(jiān)控基礎(chǔ)架構(gòu)相結(jié)合。AI解決方案的開(kāi)發(fā)需要涉及科技界多方共同努力。 沒(méi)有一家企業(yè)可以獨(dú)自推動(dòng)AI產(chǎn)業(yè)向前發(fā)展，因?yàn)锳I硬件和軟件的開(kāi)發(fā)非常耗時(shí)耗資，甚至對(duì)一些科技巨頭都是一項(xiàng)巨大的挑戰(zhàn)。由于A(yíng)I的這個(gè)特點(diǎn)， 各廠(chǎng)商的AI技術(shù)的協(xié)作和整合是構(gòu)建可持續(xù)視頻監(jiān)控生態(tài)系統(tǒng)的必要條件。