AI 安防需要“成功学”

<\/p>

行走在AI安防这大千世界，一种方法论无法描绘所有<\/p>

作者 | 张栋<\/p>

AI安防需要成功学，或者说是通用方法论。<\/p>

方法论，来源于一个个具体方法的总结，具体的方法，是方法论思想的具化。<\/p>

回头去看中国最黄金的互联网二十年，在BAT、TMD壮大的背后，隐藏着一套又一套的互联网方法论。诸如社区\/社群的运营路径；各式各样的商业逻辑；繁杂多元的用户行为；去中心化与自生长等。<\/p>

其中，不少方法论至今还被奉为互联网产业圣经。譬如《流量池》一书中提到的一个观点：<\/p>

移动互联网时代最贵的不是流量，而是用户关系和关系链。<\/p>

腾讯之所以能够稳坐互联网三巨头之一的位置，依靠的不是工具应用的垄断，而是通过QQ、微信等社交产品，打通和绑定用户关系链。<\/p>

这种绑定带来的最大的商业价值，就是不需要通过传统的广告和营销模式去告知用户，只需要通过充分的“社交挑逗”就能让用户追随朋友的喜好。<\/p>

低成本社交流量的获取关键就在于社交关系链的打通。<\/p>

这类方法论通常都有某种普世价值观，这种价值观普遍是利他性且能得到广泛认同的，最终能够冲破各类规则的束缚，回归设定的主题轨道。<\/p>

遗憾的是，互联网C端之外，包括安防在内的B\/G端行业至今还是这类“成功学”或者 方法论的荒漠。<\/p>

过去几年，为什么安防会一跃成为一众科技公司竞相追捧的对象？<\/p>

一个极为重要的原因在于：<\/p>

技术的天然适用性。泛互联网的AI通用方法论可以去指引技术，从而渗透至“封闭的”安防市场。<\/p>

从前泾渭分明的两大领域，因为一条人为的技术管道放入中间，使得两者可以交融。科技公司与安防企业也因为这一项技术理论的共通，成为了同一平台的对手。<\/p>

新形势下，相较保守的AI安防市场若想打破现实的鸿沟，去往视频物联的星辰大海，定量的实际可行的方法论必不可少。<\/p>

理由很简单：<\/p>

对手变了、玩法变了、用户变了、环境都变了，以前的安防市场变成了今天的泛互联网市场。<\/p>

一直以来，有人将成功学或方法论比喻成鸡汤，我更愿意将它翻译成独特的观点与真知灼见。也正如宇视总裁张鹏国此前接受采访时所提：<\/p>

鸡汤是需要的，味精不多就可以了。<\/p>

眼下的AI安防圈，盛产方法论或者高质量鸡汤者屈指可数，在笔者看来，海康威视总裁胡扬忠算是其中佼佼者。<\/p>

胡扬忠在安防行业一直像似一位“老大哥”般的存在，一旦行业遇阻、市场纷乱、成分多元时，他总能第一时间站出来谈一些“镇定人心”的总结。<\/p>

此前他通过相关平台发表过不少精辟方法论，以下是节选的其中三条。<\/p>

一、频繁并购解决不了安防实际问题，曾经中国的安防行业有过大的资本整合，但最终都变成了资本的游戏、闹剧。<\/p>

项目今年多一些，明年少一些，不是特别重要的事情，也不用算得太清楚。不必太过沉迷数字、围着数字在转，把目光放长远，这是人们应该要做的事。<\/p>

二、以前一年做一千万营收都可以赚钱，未来一年做一个亿都可能亏损。安防市场非常碎片化，需求也很零散，安防的业务就像吊在天花板上的无数沙袋，单靠一两个硬拳头，只能撼动个别沙袋，但无法通吃，无法形成规模。<\/p>

安防并不只是投钱就能做得起来的，资本会有一时的冲动，但退出的速度也很快。 在这个市场中，活下来容易，发展壮大很难，谁来了都能咬上一口，但过上舒服的日子很难。<\/p>

三、一个产业的发展也有自己的生态和规律，不是光砸钱就能把事做好。需要资金，也需要时间，需要人才积累，需要团队文化的沉淀。<\/p>

企业要恪守商业底线，不能用野蛮的方式去掠夺市场，通过烧钱补贴进行恶性竞争。早期用户看似得到了一些好处，但最终却因为被绑架而要付出更多。急火煮出夹生饭，小火才能煲好汤。<\/p>

在安防从模拟化到IT化进程中，国产出的经典方法论堪称近十年中国安防行业最绚烂的一笔。譬如：<\/p>

一、一个称职CEO应该具备三大标准：短期和长期平衡好：短期能活下来，长期不要失去机会点；所有正确的决策中选一条最重要、最紧急的，坚定走下去，不犹豫不动摇；重大市场和技术拐点绝对不能错过。<\/p>

二、战役上，不要被双杀，即国内市场不要被打残、海外市场不要被封锁；坚持解决方案、部件级产品的双螺旋结构，轮番突破技术制高点和解决规模发展瓶颈。战略上，必须创造出新的市场。<\/p>

ToC行业和ToB行业有很大不同。在IT领域，To C只能成就一家，只有第一名能活的最好；但To B前10、20名都能活。有定力的公司会笑到最后，任何新技术的落地不会在技术的喧嚣期，而是喧嚣过后的沉静期。<\/p>

三、重兵突围之前，一定要选择更具成长性的业务，通常来说，这类业务需要具备五大特点，缺一不可：可量化（要能量化考核）、可积累（核心竞争力的沉淀）、可迭代（有后来居上的可能性）、空间足够大（有犯错及改正的空间）、符合社会及组织进化的方向（有未来）。<\/p>

管理方法论之外，过去两年，还有数百位技术专家分享了他们的技术方法论。<\/p>

譬如中国工程院高文院士，他曾提到，现有视频监控体系的弊病，使得很多复杂任务无法完成。于是数字视网膜应运而出，承载数字视网膜的摄像头需做两件事：<\/p>

首先做好编码；其次为后面的识别，提取出所需的信息。<\/p>

数字视网膜与人的眼睛既具有影像重构（精细编码视觉内容），又具备特征提取（面向识别理解）的功能。整个数字视网膜实际上包含了三种核心技术：基于背景模型的场景视频编码、视频特征的紧凑表达、视频编码与特征编码的联合优化。<\/p>

整个数字视网膜实际上包含了四方面的核心技术：<\/p>

基于背景模型的场景视频编码；视频同步描述整个表达的记录，同时可结合最近比较热的深度学习；在保证性能的时候，用同一个码流把两个任务都传出去，这需要靠视频和特征原有编码技术的优化形式来解决；最后是云端的检索，对视频进行更加合理的描述，以便用于搜索。<\/p>

而云端系统三大构建模式为：直接基于特征码流、在特征码流上深度分析、前端简单识别+云端大数据搜索。<\/p>

再譬如阿里巴巴副总裁华先胜，他曾判断，算法更新速度极快的今天，如果很多智能功能要嵌入在摄像头端，得把所有软体刷新一遍，工作量巨大且不见得所有硬件会支持。<\/p>

计算是行业需要解决的核心问题之一，怎样才能拥有较高的计算效率，这是包括阿里在内的企业一直在思考的问题。<\/p>

第一要有计算平台的支持，该平台要让项目做起来更加高效，要能容错；其次是云计算平台又需要大量的计算机器资源；最后是算法本身。<\/p>

改进深度学习的方法很多。首先可在机器指令集上进行优化工作，其次也可在CPU和GPU层面优化。算法本身的优化，较为常见的是优化神经网络结构。由于神经网络中集成的计算量相当大，因此我们需要考量能不能把大模型在不损失性能的前提下压缩为小模型，小模型能不能剪一剪。<\/p>

面对复杂而变幻莫测的行业，我们需要勇气也需要谋略。<\/p>

仔细搜寻，去找出为数不多可以影响结局的着力点，从而去发现通往成功的窗口通常要比闭门造车的效果好得多。<\/p>

世界上也许没有可以照搬的方法论，但背后或许有可能连通的表达接口。<\/p>

从必然性思维发展到随机性思维，从确定性认识发展到不确定性认识，这是人类突破自身认识局限的进步。<\/p>

换句话说，从整体的角度来观察个体，不仅能对每一个部分认识的更清晰，也能对各部分之间的联系和影响把握得更到位。<\/p>