据IHS调查报告显示，当前中国监控摄像头总量达1．76亿个，每秒产生的数据量达66TB，未来三年监控摄像头的数量将会增加到6亿多个，面对这样的数据量，传统的基于人眼的安防监控已经无法满足安防行业的需求。
另外一个显著的事实，没有经过结构化的数据，只能起到威慑、侦查取证的作用，如何利用这些数据进行犯罪的预防以及事前的分析已经成为安防行业共同面临的课题。面对这样的课题，如何思考和定位公司的战略布局，本刊采访了北京深瞐科技有限公司的CTO王建辉就其战略思考进行了探讨。
Q：a＆s总经理、总编辑关玉娟
A：北京深瞐科技有限公司的CTO王建辉
Q：从技术角度谈下，公司目前最核心的优势是什么？
A：我们现在核心的部分主要分为两部分，一是算法，二是车辆的数据。一开始公安、交警等用户采集到的数据都是非结构化的，只是原始的视频素材，但是现在人工智能技术需要大量的标注数据进行训练。
其中车辆标注中车辆型号的判断要比人脸标注难很多，就像一个人也很难准确地识别出道路上的车型号一样，这需要庞大的数据库进行训练。理想状态下，当数据库积累足够的数据之后，企业都可以实现精确度的提升，但在面对计算量非常大的神经网络，要想保持精确度，相应的计算速度就会非常慢。例如一张GPU可能只能分析一路或者两路的视频，因此在拥有数据库基础之后，我们一直在优化算法。
通过降低算法复杂度，采用效率更高、计算量更小的模型来达到之前大模型相似的精度，简单地说便是保证精度的同时降低计算量，这也是我们在华为的Atlas智能云硬件平台上与竞争对手PK时，能在精度和效率上超过他们的原因。
Q：形成文本存储之后，能解决应用上的什么问题和痛点？
A：最简单的一个应用，可以识别假套牌车，系统可以实现车牌以及车辆型号的识别，只要将这个信息与车管所进行比对，就能实现洞悉及预警。
我们现在想要做的一件事是想给每辆车的动态轨迹建立一个档案，而且并不需要车主的配合，便能实现抓拍。这个档案建立之后，不仅可以给公安提供大量的破案线索，同时因为每辆车都有社会属性，还可以反映出车主的消费能力（如果是货车还可以反映城市的经济活跃程度），通过这些，可以作为城市的经济指数或者区域的经济活跃程度的重要数据，为政府提供决策判断的重要依据。
我们的算法一开始都是在服务器端（基于GPU）运行的，现在已经逐步从中心往边缘扩展，所以慢慢在智能前端也会有自己的产品。最开始在云服务器的平台上，效率是在每一张Tesla P4的GPU卡上，支持48路视频的结构化运算，但当视频结构化分析的能力逐渐变强之后，计算及解码能力便会成为它的瓶颈。因为监控摄像头出来的数据都是经过视频压缩编码的，在中心端需要对其解码才能进行运算。在发现1080P的解码能力成为性能的瓶颈之后，我们也考虑将解码能力加进来，现在每一张特斯拉P4的GPU卡上只能同时做24路1080P的视频解码和视频结构化运算，从数据上看，解码能力与计算能力所需的GUP计算力是基本相当的，所以为了更好的缓解这部分的压力，需要找到更好的解决方案。
Q：这样的标注是否存在标准化的问题，或者说未来是否也会去倡导这样的标准，让数据资源便能更好的融合？
A：在做车辆识别中，众所皆知车牌颜色、车身颜色、品牌型号等都有国标，在视频结构化中，我们也与公安一所联合推出了视频结构化产品检测的标准的检测工具。
Q：目前这部分的业务的拓展的状况是怎么样的？
A：视频结构化技术的拓展我们分为两个阶段，第一阶段是2013年的车辆综合识别算法，仅仅关注图像中的车，没有涉及到人的信息，第二阶段是2016年加入人的信息做的视频结构化。在车辆综合算法市场占有率中，我们超过了60％，并与大部分安防厂商形成合作关系。在去年的深圳安博会中，展示视频结构化的厂商共有13家，而其中有7家的算法技术都是由我们提供的。
Q：深瞐给人的感觉是专精在某个领域，并将其做到技术最精、市场最大的占有率，那么现在对你们来讲，最大的困难会是什么？
A：现在面对的困难是因为我们前期做sdk纯软件销售过多，虽然利润率很高，但营业额相对而言却不是特别大。为了改变这一现状，我们也开始做自己的硬件产品与解决方案，这也是我们加大与海思合作的重要原因。另外一个是资本市场的问题，当前商汤、旷视等公司融资额特别高，占据风投资源，对我们自身的融资会产生不少困难，也对企业人才、品牌等综合性竞争上造成影响，虽然之前埋头做事让我们在公安或者大公司层面上知名度很高，但是在公众层面目前企业的知名度仍然不足。
Q：在前端硬件方面，企业有哪些发展策略？
A：我们一开始做了FPGA＋Hi3516的智能摄像机解决方案，但整体的销售情况并不太好。一方面是安防行业对FPGA的方案并不是特别友好，除了成本因素还有开发难度的挑战。另一方面在安防行业久了之后，便会发现行业对于海思芯片的依赖程度非常高，因此强化与他们的合作也是当前的重要策略。
海思也希望寻找一些厂商跟他们一起在开发上进行合作，当前市面上做人脸的厂商很多，但真正专心做车辆并且有明确应用场景的非常少，所以双方的合作是互利的。海思未来会推出更多低成本的解决方案，所以在嵌入式前端这块，基于海思的方案会去做更多的部署，一方面是针对摄像头，如果用户愿意安装新摄像头，那么我们便会将视频结构化的功能直接做进相机中，另一方面是针对已有存量的安防摄像机，中国现在拥有1．76亿个摄像头，且都是传统IPC，并不具备视频结构化的功能，我们针对这种情况也在做一个盒子类的产品，实现4－8路摄像头的接入，可以实现结构结构化分析，再把结果根据客户需要实现边缘应用或者往中心传输，通过分散化处理方式，减少中心端解码、计算的压力。
刚刚提到的主要是针对海思的部署，但我们针对英伟达的嵌入式GPU的各个层级都有对应的解决方案。海思芯片在全球安防市场的占有量已经超过70％，这波人工智能对海思而言，只是在原有的芯片上加了人工智能的功能，而新兴的人工智能芯片企业在神经网络加速这方面有它的优势，但也需要补齐安防周边的技术，这个工作量其实也挺大的。
Q：能谈下如地平线、寒武纪等芯片企业进入安防后会带来竞争格局怎样的变化？
A：寒武纪的许多产品是根据军委的需求来做的，具有很好的应用场景，地平线在辅助驾驶拥有自己的应用，但当他们进入到安防领域之后，最大的竞争对手便是海思，如果自己推出整机产品，同样也是面临与海康、大华的挑战，市场竞争将更加恶劣。
之前跟海思的人聊起一件很奇怪的事，国内人们都可能听过AI芯片四小龙，但却没有任何一家的媒体提到海思的芯片，虽然在其他领域不太了解，但进入安防后，海思便是一座大山，怎么会视若无睹？
Q：：没有数据积累的企业是否可以通过购买数据就能解决数据积累的问题？
A：人脸检测和识别的数据可以通过购买数据的方式解决数据积累的问题，而车辆相关的数据无法通过购买数据解决数据积累的问题。因为类似于数据堂这种企业的标注数据是通过众包的方式，让个人进行标注，可以进行人脸相关的数据标注，但是没有都有新车型上市，而且车辆种类众多，相似车辆标注难度大，通过众包方式获取的车辆数据在准确率上参差不齐，在一些数据测试的场景中，我们发现了不少安防大企业的数据存在不少标注错误的现象，如车辆型号误标等，车辆标注并不像人脸标注那么简单，这里面需要一定的时间积累。
Q：现在很多安防企业都对外公布要做生态，如何看待这种生态的效益和风险？
A：最近大型安防公司都在提生态的做法，对小公司／创业公司而言，如果能做好在初期会带来效益的提升。但是我们看很多在做生态的大型安防企业，其实本质是被华为逼出来的，华为拥有服务器及芯片的基础，再加上近期推出的软件定义摄像机，如果能把这件事做好，便会有很强的摄像机生态，对于传统安防企业而言，摄像机是企业市场占有的最根本以及最大的产品线，如果这块受到冲击，那么对于他们而言是致命的。传统大型安防企业的生态能不能做好，还要看它到底能开放到什么程度。同时这样的生态，对于小企业的算法与应用，被替代的可能性非常高，而且替换的成本非常低，最后他们可能会成为类似于在安卓系统上做APP的公司。
Q：综上安防进入智能化时代，行业的竞争格局发生演变，公司通过核心技术能力为用户提供应用解决方案服务，打造自身的品牌是目前企业的战略调整，是不是？
A：是的，我们希望跟安防生态更多的伙伴进行紧密合作，共同拓展市场。
编后语
不少行业人员谈及AI企业，只关注其光鲜的表象，更少人去关心他们进入到安防市场面临的困难。一旦进入安防市场，产品的竞争便会变得细化，无论是芯片、模组、成品硬件还是应用场景的解决方案，都将面临传统企业的压力。相比传统企业去研究神经网络加速器，人工智能企业在视频编解码、曝光控制等技术上都要恶补，后期业务落地工作可能远远比前期的研发要多，同时对于实际应用而言，新的平台与芯片意味着存在Bug的风险和磨合的时间，因此在应用端下功夫的企业相对而言竞争优势更大，一方面从顶层应用切入并不会与传统的厂商形成直面的挑战，另一方面也可以灵活地与其他企业形成更好的互补关系，建造更融洽的行业生态圈。
站在许多主流安防厂商的技术背后，其实有很多类似深瞐这样的企业，拥有着精于某一领域的技术，为整体安防解决方案贡献自己的一份力量。但更多的企业如果没有办法形成自己的品牌，那么它们将永远“默默无闻”，同时利润也会越来越低，在技术变革的时代下，战略的调整已经非常必要。