宇視首席架構師姚華 7 年實踐：揭秘「安防＋AI」的道與術

3月31日，由雷鋒網主辦的AI盛會 ——「2018中國人工智慧安防峰會」，在深圳科興科學園國際會議中心落下帷幕。

在上午場的演講環節中，宇視科技副總裁、首席架構師姚華髮表了主題為《安防+AI的探索與實踐》的主題演講。他曾主導搭建了宇視安防產業總體架構，並參與指導580餘個平安城市、330餘個智能交通等重大項目。

姚華認為，AI已經成為公共安全政策中最熱門的關鍵詞。AI正在加速安防IT化3.0。安防具有很強的包容性，可以吸納一切先進的技術為其所用，包括前兩年熱門的雲計算、大數據，以及現在的AI。單一技術很難實現用戶需求，多種技術的融合才能真正實現用戶需求。

雖然安防行業里，演算法已經開始大量應用，但是用戶需求和環境適應性還在持續演進。在這樣的背景下，AI對安防行業提出了7大挑戰：對前端、存儲系統、圖像智能分析、大數據、安防行業標準、業務應用、信息安全的挑戰。

以下是姚華演講實錄，雷鋒網做了不改變原意的編輯：

大家好，我是宇視科技的姚華。我今天的演講題目是「安防+AI的探索與實踐」，來跟大家談談這幾年從事的AI安防相關工作。

AI已成為公共安全領域最熱門的辭彙，正如李子青教授在開場演講中說的這句話：現在安防企業不講AI都不好意思說自己是安防企業。

自2014年起，公安、政府就逐漸加大在社會治安、公共治安等領域的信息化投入，而信息化建設的關鍵詞就是大聯網、大數據、信息安全互聯網、人臉智能、視圖庫等。

當前的環境下，人工智慧正在加速安防IT化3.0。

作為最早提出安防IT化的公司之一，宇視科技在IT3.0時代的目標就是：看得清、看得懂、看得穩、看得快。

看得清：隨著攝像機光學感測器的持續更新迭代，目前1080P，之後還會演進到4K甚至8K的階段。

看得廣：除了GB/T-28181的不斷完善外，再到CA/T1400視圖庫的聯網應用,以及圖像安全或者視頻安全處理。

看得懂：數據如何高速應用

這便是安防IT化3.0需要去完成的。

AI進來後，大家都知道前端的邊緣計算和後端的雲計算，全流程裡面的數據也都有一個深度的變化。

過去只有視頻，到現在還有圖片，如果前端GPU性能較強的話，圖片會越來越多，後端的圖片的傳輸、存儲、帶寬、峰值都會有變化。後續的流程還包括結構化、RFID信息和物聯網信息分析等，全流程變革還是比較巨大的。

我們在AI時代，既要看到AI對單產品變化提出的需求，也要看到AI對整個系統的影響。

人工智慧對安防系統的七大挑戰

但AI的應用，仍舊對安防行業提出了諸多挑戰。

我們今天只講主要的七大挑戰：對前端的挑戰，對存儲系統的挑戰，對圖像智能分析的挑戰、對大數據的挑戰、對安防行業標準的挑戰、對業務應用的挑戰以及對信息安全的挑戰。

以AI對前端的挑戰為例，攝像機和AI如何在人臉抓拍當中能夠做得更快更好，前期我們都做了大量的探索。我們要解決算力和前端功耗工程性和產品性中的一些矛盾，以及在複雜環境下能夠正常工作，這些都是對前端的重要挑戰。

雖然現在演算法已經開始大量應用，但是用戶的需求和環境的適應性還是在持續演進。不是我們挑戰安防標準，是安防標準要更快地讓大家在標準下互聯互通，讓標準能夠快速地在產品上落地，還有讓標準更快成熟，這需要我們整個行業的人共同完成。

隨著數據種類的變化，用戶的業務需求和對數據分析的需求也越來越多，之前的視頻階段，我們做的只是提供看、存、查、管這些基礎業務，但是現在有了這些結構化數據，各種各樣的組合分析會產生非常重大的數據反應。這些需求的變化對後期的業務應用和行業生態鏈都會製造較大的挑戰。

還有AI對存儲的挑戰，存儲對象由原先的視頻變為現在視頻+圖片+結構化+半結構化，我們的寫讀原來是10：1，為什麼是10：1？一般來說，存視頻的時候只要不出案件是不會去看的，所以對於存儲來說，只是完成了保存不丟、查起來高效的模式。

但是當我們有這些圖片結構化、半結構化數據時，想把這些數據做業務挖掘的時候，就需要1:1的模式。這裡帶來的挑戰是，各類數據混存模式下，大量小文件導致普遍存儲性能下降的問題。這個問題對很多存儲系統是非常具有挑戰性的。

此外，AI激活了原始數據，讀寫需求大量提升。分析、清洗後產生的新數據，價值大幅提升，對可靠性要求也大大提升。原來大家說大多數據都是垃圾數據，因為只要案件不發生，視頻就是垃圾。但是存儲了結構化數據以後，經過清洗後，它就變成了高價值的數據。

海量不同價值的數據保存後還有一個問題，所有的東西不可能不計任何代價去做，肯定是要有一個合理的存儲TCO，TCO是整體的購買成本、運維成本、後期成本。

前面幾位專家都提到了AI對視頻圖像智能分析的挑戰，就是演算法並行的需求。

我們能不能用一個相機就把行人檢測、人數統計、機動人越線這些事情全部給做了。或者我用後台的智能分析，用一個GPU把這個庫的畫面全都做了，目前還不能做到一個GPU上同時跑多個演算法。

目前市場上的公司在只能達到一個GPU並行跑一種演算法的水平，算力也只能應用在一項任務當中。

假設派出所有很多伺服器資源分別供商場和地鐵出入口兩套AI系統使用，按照目前的運算，其實這兩個算力的資源是不能完全共享的，所以產品不均衡會導致計算資源的浪費。隨著我們智能建設的增長，人臉、視頻結構化的大量應用，會導致現在機房建設和機房能耗大幅度提升，如何做好這裡面的平衡，也是我們作為廠家和技術提供商需要去考慮的。

安防行業從來沒有拒絕過前沿技術，永遠是張開雙臂歡迎。那麼最終哪種技術能夠真正落地，還是要看實際應用情況。

此外，好AI更需要好的架構與產品。整個業界看法是，智能業務在計算存儲平台和後端算力。

目前整個行業里有兩種架構來做，第一種是多廠商，按1400標準來說，現在還沒有把各個很細節的階段之間的介面標準定義好。比如從前端A演算法放在B演算法的前端，C演算法放到D智能後端，還有E智能業務。

很多客戶反饋希望產品最終可以達到這個狀態。

但現階段要做到這些介面完全開放，可能還需要一段時間，可能是一年可能是好幾年，甚至有可能是十年。

因為演算法也是在不斷地迭代更替，晶元也在不斷更替，有些是通用方案，有些是專用方案，介面怎麼定義，對行業來說永遠是新的命題。

還有一種方案是，所有的應用案件加前後端，但它的數據是開放的，標準介面，這樣就能給各個行業調度。

這兩種方案方向並不代表哪個更優，只是在整個行業中，我們只能依據現有行業具體的實際情況去達到最優解。用戶最終想要的結果是，產品和架構是不是帶來最好的TCO效果。

宇視在SMV（安防視覺）架構上，底層是物聯網基礎設施，包括智能攝像機、智能卡口、電警等等，在上層是智慧化平台服務，有時空地圖引擎、視圖智能分析引擎、時空大數據引擎、視圖雲存儲，這中間有一個UNISEE是輸出介面。再往上屬於應用平台，包括綜合治理業務、公共安全業務、公安和交警業務、大安防業務。左右兩翼是視頻信息安全體系和安防標準，這個整體架構可以保證AI在安防業務的落地。

2016年10月，宇視第一次提出SMV安防機器視覺戰略。從「讓監控變得簡單」到「雲監控、易安防」，再到安防IT化，整個宇視的基因一直是從系統端的角度來解決安防行業的痛點需求。在產品解決方案的整體思路上，則是單產品要做到最優，自由產品的組合是要比別的組合產品效率更高。

接下來我談談幾個產品設計的AI思考。

核心產品的代號叫「關山」，主要的產品是崑崙——視圖數據中心一體機、秦嶺——超融合視圖雲存儲、燕山——視頻安全准入網關、潼關——人臉速通門、函谷——深度智能攝像機、天目——智能抓拍單元。

我講講一個攝像機的測試。

前面已經談到了攝像機的設計，我們的Myriad2算力是0.2T FLOPS，TX1是1T的運算能力，Myriad的功耗是2W，TX1是15W，我們會更傾向用2W的方案來解決前端的應用，來做人臉抓拍、並發40人臉檢測、關鍵信息結構化。

這是崑崙2代產品

它應用了主流的英偉達和英特爾方案。這是一個集群應用，上面主要有通用計算板卡、智能計算板卡和大數據板卡。單機最高能做到640路人臉比對，單機最高的80路人、車、非機動車活動目標提取。

我們可以看到，之前的產品出現了噪音過高、功耗過高的問題。在用戶的機房裡，持續運營能力、業務能力，以及長期轉化能力比較差。在新疆就遇到過一個情況，有一個廠商的智能計算伺服器都燒毀了。

這提醒我們，做算力要保持平衡，讓機器跑得太快就可能會出現故障。我們還用了一些集群的調度，讓每一個CPU都能夠被調度來做集群運算。GPU目前還不能做到像X86這樣的模型用虛擬化方案，深度卷積演算法需要訪問GPU的內核，如果在中間加一層則會影響到效果。

隨著演算法迭代，對內核的要求不一樣，目前大部分做的還是沒有中間做虛擬化的方案。當然有些廠家做池化方式，但是具體效果還沒有看到，從我個人經驗看，目前的演算法加中間一層可能會影響效率。所以設計這個東西的時候會考慮到高融合、高性能、高可靠。

還有一點是李子青老師提到的，需要大人工數據來做分析，我們現在做到千億級的數據量，在設計規劃和思考中，產品和用戶應用和未來發展要結合起來。

我們的AI系統在鄂爾多斯的人員管控、廣西來賓的人像核查系統等得到了應用。現在宇視的標定機房的月電費是28萬多，今年擴建之後功耗要達到60萬人民幣一個月。對於演算法、算力來說，我們最希望看到的是有廠商進行測試，最後會發現時間越久，幾個廠家測的越相近。

AI的技術對我們未來的應用是很多的，我的演講就到這裡。雷鋒網雷鋒網

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！