守林員小陳每天的工作，大部分時間都用來在林間巡邏，以便第一時間發(fā)現(xiàn)安全隱患?？菰锓敝氐墓ぷ髯屇贻p的他有點郁悶。

有天他舉著朋友圈里轉(zhuǎn)發(fā)的文章問領(lǐng)導，聽說有地方都能用AI來識別山火了，咱們啥時候能用上啊，以后我也算半個用電腦上班的白領(lǐng)了。

領(lǐng)導懶得搭理他，新的智能監(jiān)控攝像機剛安裝不久，圖像質(zhì)量提升了不說，目標識別、異常行為監(jiān)控之類的功能也都有了，哪里還有經(jīng)費換個“火眼金睛”！年輕人啊，就是身在福中不知福！

小陳囁嚅道：都不能及時更新，還叫智能啊……

類似的經(jīng)歷，正在城市的各個角落上演。

讓攝像機看懂正在發(fā)生的事件并提出告警，已經(jīng)在越來越多的智慧城市項目中落地，不過實現(xiàn)形式卻各有不同。

目前，機器視覺智能分析主要分為兩類：一種是前端智能化硬件分析，另一種是后端服務(wù)器分析。這兩種部署方式的區(qū)別，主要體現(xiàn)在三個方面：

1. 時效性不同。

前端智能化，側(cè)重于對視頻進行實時分析，能夠?qū)崿F(xiàn)“事中報警”，比如在機場、高鐵站，一旦發(fā)現(xiàn)移動目標出現(xiàn)了觸發(fā)預(yù)定義分析規(guī)則的行為，就會引發(fā)聯(lián)動；

而后端智能化則會先將前端攝像機采集的視頻流存儲到服務(wù)器中，根據(jù)預(yù)設(shè)的不同規(guī)則，從海量的數(shù)據(jù)中提取出相關(guān)信息，集中優(yōu)勢計算資源做更深入的分析，實現(xiàn)檢測與事件檢測的協(xié)同聯(lián)動，方便“事后查證”。

2. 數(shù)據(jù)量不同。

實時分析與預(yù)警，需要前端智能化有較高的計算性能來支撐，如果把算法集成在硬件配置低的攝像機上，處理速度變慢，就會喪失前端智能的優(yōu)勢。因此，大部分前端只能運行相對簡單的、對實時性要求很高的算法。

后端智能分析會根據(jù)需求配置足夠強大的硬件資源，可以處理成百上千攝像機組成的系統(tǒng)所上傳的數(shù)據(jù)，運行復雜的、允許一定延時的算法。

3. 成本焦點不同。

智能前置對攝像機提出了強大的軟硬件計算能力要求，終端硬件成本比較高，好處是可以節(jié)省帶寬資源，幫助后端減輕計算壓力，同時實現(xiàn)無人值守，也能夠節(jié)省人力成本；

而后端智能則需要在存儲管理、傳輸帶寬、服務(wù)器集群等方面進行較大的投入，來保障數(shù)據(jù)傳輸?shù)姆€(wěn)定性，當然，分析運算的集中化也讓算法升級、設(shè)備運維都變得簡化。

那在現(xiàn)實中，究竟是“前端好”還是“后端好”呢？

用一句網(wǎng)絡(luò)語總結(jié)，小孩子才做選擇，成熟的大人當然是全都要。

前端的響應(yīng)速度與穩(wěn)定性，與后端的資源能力和全局視角，兩者互為補充，可以更加貼近一線、事半功倍。

舉個最簡單的例子，當自動駕駛汽車走在路上，如果攝像機采集的內(nèi)容還要傳送到云端進行識別、判斷、分析，一旦遇到網(wǎng)絡(luò)不好的環(huán)境，那還沒等指令下傳，事故可能就已經(jīng)發(fā)生了。最佳的解決方案，當然是由自帶智能算法的前端直接完成實時的路況判斷、障礙物識別、違法檢測，而更復雜的線路分析等海量數(shù)據(jù)學習，可以在泊車時交給后端處理，豈不兩全其美？

前后端協(xié)同，前端智能化是重中之重

既然前后端協(xié)同，已經(jīng)成為視頻分析系統(tǒng)的必然趨勢，那么，如何以更低耗能、更低成本實現(xiàn)前端智能化，也就成為各行各業(yè)智能化管理中的當務(wù)之急。

一方面，盡管人們早已習慣了大街小巷攝像機的存在，但其中大部分是僅具備視頻采集功能的傳統(tǒng)攝像機，能“看清”就不錯了，在視頻線索查找時依然需要啟動人海戰(zhàn)術(shù)，消耗大量人力物力。

因此，能“看懂”發(fā)生了什么的智能化、數(shù)字化、高清化攝像機也就成了大勢所趨。有數(shù)據(jù)顯示，2019 年的前端智能化增速相比 2018 年，提升了 100%。

另一方面，越來越多的智能算法開始從后端轉(zhuǎn)移到前端來完成。比如大家熟悉的車牌號識別、目標識別等等，能夠有效減輕后端的計算壓力，實時告警還可以有效降低漏抓誤報的可能。

但在實際場景中，光線、姿態(tài)、清晰度等等，都有可能影響識別效果，這就要求前端有終端芯片、軟件平臺等基礎(chǔ)的支撐，來使更多算法可以落地。

尤其是在多媒體技術(shù)不斷更新迭代的情況下，文字、圖形、影像、動畫、聲音及視頻等不同形態(tài)的數(shù)據(jù)混合在一起，需要技術(shù)雄厚、結(jié)合具體應(yīng)用場景來攻克的企業(yè)才能完成這一挑戰(zhàn)。

就拿公共安全領(lǐng)域來說，有的是靜態(tài)識別，比如車輛、顏色等等；有的是異常行為，比如突然加速、聚集、突然跌倒等等；還有的要針對移動物體進行智能化跟蹤分析、復雜場景下的視頻分析等等……這些都需要不斷引入新的算法來解決。

從這個角度看，前端視覺感知的種類、數(shù)量和質(zhì)量，直接決定了智能化程度的高低。

此外，前端智能化要實現(xiàn)工程上的成本最優(yōu)，需要可以演進式地發(fā)展。其中就存在著不少阻礙，比如有的前端系統(tǒng)比較難接入和兼容，想要在監(jiān)控功能基礎(chǔ)上增加智能分析，往往需要重復安裝攝像機，重復建設(shè)無疑會造成極大的資源浪費；

再比如，目前市場發(fā)展不均衡，有的廠家有算法但產(chǎn)品不足，有的廠家算法和產(chǎn)品都有但缺乏配套軟件，最后呈現(xiàn)的分析效果和效率也都差異很大。

軟件缺乏可持續(xù)的演進能力，最直接的結(jié)果就是很容易遭遇性能瓶頸，尤其是在摩爾定律接近極限、難以突破的現(xiàn)狀下，智能攝像機每 3-6 個月就需要迭代一次，如果沒有開放 OS 和相應(yīng)軟件來對系統(tǒng)進行自動升級，以及加速算法加載與迭代，那么前端硬件的內(nèi)置算力會很快被極速的計算量耗盡。

正如圖靈獎得主 David Patterson 所說，未來十年將是計算架構(gòu)“新黃金十年”，通過架構(gòu)優(yōu)化、“軟硬協(xié)同”的方式來提升整體計算性能，將成為大勢所趨。

總的來看，盡管前端智能化的前途看起來一片光明，但它也受限于許多前置條件，比如低成本量產(chǎn)的嵌入式AI芯片、高性能場景化的垂直算法、全流程可演進的軟件平臺等等，沒有這些，前端智能攝像機也很難飛入街頭巷陌。

淬煉前端：華為的三個智能方程式

在前端智能化已經(jīng)勢不可擋的情境中，華為也結(jié)合自身大量的計算、存儲、聯(lián)接、云化、智能、安全等各個領(lǐng)域的技術(shù)積累與商業(yè)實踐，在“全棧云、全智能、全場景”的機器視覺和大數(shù)據(jù)解決方案基礎(chǔ)上，給出了一個體系完備、面面俱到的解題樣本。

第一道方程式：AI 芯+算法商城，實現(xiàn)前端性能升級

算力是智能的基礎(chǔ)，提供“軟硬協(xié)同”的算力支撐，華為也有自己的思路：

一方面，華為軟件定義攝像機（SDC）搭載專業(yè)AI芯片，算力最高可達 20T，可以在極致低功率、極致算力等不同場景中為前端釋放極致算力。讓硬件可以輕松實現(xiàn)如目標分類和屬性識別等能力，甚至可以完全取代后端服務(wù)器來完成視頻全量特征分析，提升實時響應(yīng)能力。

此外，華為算法與應(yīng)用商城 HoloSens Store 也應(yīng)運而生，實現(xiàn)前端智能算法按需可選，在線加載，賦予前端越來越強大的能力。

第二道方程式：軟件定義+按需適配，實現(xiàn)能力開放

智能視頻監(jiān)控系統(tǒng)往往會在城市的多個場景、多種業(yè)務(wù)下使用，比如白天要檢測車輛排隊長度、甄別事故，晚上則重點看護應(yīng)急車道情況。如何最大化地根據(jù)個性化需求來進行設(shè)計，讓前端智能能夠快速響應(yīng)、不斷創(chuàng)新呢？

答案自然是允許合作伙伴開發(fā)多元化的垂直場景算法，這就需要開放性的軟件定義來將底層硬件能力釋放出去，實現(xiàn)多維感知傳感器硬件等終端，以及多種軟件能力的接入。

華為就基于容器架構(gòu)，華為打造業(yè)界首創(chuàng)攝像機 OS，推出“軟件定義”架構(gòu)。以標準、歸一化的軟件運行環(huán)境，實現(xiàn)軟硬件解耦，統(tǒng)一調(diào)用底層硬件的計算和編排能力、統(tǒng)一由操作系統(tǒng)封裝，開發(fā)者只需要聚焦功能側(cè)的能力，大大降低了開發(fā)門檻。

另一方面，通過一系列行業(yè)標準的北向接入?yún)f(xié)議，打造了開放的軟件生態(tài)。合作伙伴在完成算法訓練與開發(fā)之后，就可以快速集成 SDC OS 公共軟硬件能力，打造成各自行業(yè)中具有差異化競爭力的商用產(chǎn)品。

這樣做的好處是，能夠讓大量合作伙伴加入并品嘗前端智能化的商業(yè)機會，按照各自聚焦的場景開發(fā)大量匹配行業(yè)屬性的長尾算法，解決客戶的實際問題，同時接口標準的統(tǒng)一，能夠持續(xù)演進迭代，進一步降低部署成本，增加其競爭優(yōu)勢。

第三道方程式：多算法+多工具，自動化敏捷開發(fā)

對于應(yīng)用前端智能的企業(yè) / 機構(gòu)來說，要自己訓練一個 AI 模型還是比較復雜、技能門檻較高的工作。想要實現(xiàn) AI 普惠，前提就要讓應(yīng)用開發(fā)變得更容易、更快捷，使其成為 ICT 從業(yè)人員的一項基本技能。

因此華為也將完善的 SDC Studio 開發(fā)工具鏈開放出來，提供通用算法模型、算法模型文件格式轉(zhuǎn)換、數(shù)據(jù)的自動標注等服務(wù)，以降低應(yīng)用者的開發(fā)成本，提升調(diào)測效率。結(jié)合前面提到的算法商城，可以共同實現(xiàn)在 SDC 上的算法與應(yīng)用管理，以便讓前端智能算法和應(yīng)用可以根據(jù)不同場景、全生命周期都能夠持續(xù)演進、敏捷開發(fā)。

完成了這三道方程式的解題，華為也就引領(lǐng)前端智能來到了一個新的維度：

這里不再是單一視覺圖像的世界，而是集合了多種傳感器，讓視覺、聽覺、雷達、定位等各種數(shù)據(jù)互相交織，形成一張全息感知的智能網(wǎng)絡(luò)，為城市治理、交通等精準護航；

也不再是需要重復“打補丁”的成本雷區(qū)，通過軟件定義攝像機 SDC 的開放服務(wù)化接口，讓前端可以跟隨數(shù)字技術(shù)的變化而動，不斷升級更大的價值；

更不是通用算法的“一言堂”，不同種類、不同廠商的多算法在框架體系內(nèi)生長，一同將 AI 推向各個實際場景的細枝末節(jié)之中。這樣的城市之眼，不正是你我所期許的嗎？