征战功夫的精彩，既在胜负，亦在胜负背后的战略、逻辑与眼界。

中国安防鏖战二十年，时代分隔符不外乎三个：模拟化、数字化、智能化。

过去三年，安防智能化之变革悄然印刻于「中国人工智能安防峰会」之上。

它如行业的一面镜子，丈量着安防火速发展的时代脚步。

今年 9 月 5 日，第三届「中国人工智能安防峰会」于杭州成功召开。会上，代表安防新十年的 15 家头部企业，承载着社会数字化转型的期盼，交出了一份份真挚答卷。

他们有人向行业首度分享了过去的成功经验、技术思考；也有人谈到了对未来趋势的预测以及行之有效的模式打法。

譬如大华股份先进技术研究院院长殷俊，他就形象地描述了AI在安防落地的各个阶段，并引发了不少从业者的深度共鸣。

从AI1.0 阶段的“两耳不闻窗外事，一心只读圣贤书”到 2.0 阶段的“纸上得来终觉浅，绝知此事要躬行”，再到当下 3.0 阶段的“忽如一夜春风来，千树万树梨花开”。

殷俊之外，谈起AI落地、安防未来，其实每个人心中应该都有一副不太一样的盛世图景。

作为安防智能化转型的见证者，峰会结束之后，雷锋网 AI 掘金志也收到了来自行业上下游不少从业者的独到见解、深刻思考。

由之，我们将其汇总、梳理，希望能够透析演讲嘉宾的弦外之音，考察字里行间的深意所向，并总结出本届峰会鲜活的应用实践。

或许，你也可以换一种方式，和我们一起，重新审视安防视界。

一、数据挖掘与隐私保护

“水能载舟，亦能覆舟。”

当 360 城市安全集团副总裁、360 视觉科技总经理邱召强在本届峰会上提出“当行业正在享受技术带来的先进性时，是否也要考虑它所带来的数据安全隐患？”这个极具建设性的话题之后，安防从业者田刚思忖良久。

他告诉 AI 掘金志，技术无法做到完全无罪，当视频监控遍布越广、获取的数据愈多时，如何守好行业底线、公民隐私，是行业时刻需要思考的问题。

诚然，当前 AI 落地能力与用户需求尚存较大差距，前者还需面对低成本、流程再造、组织变革、数据隐私保护与安全管控等挑战。

具体来看，最为核心的痛点有二：其一，数据不够多元，且异常封闭；其二，缺乏优质数据，算法难破瓶颈。

一方面，AI 在安防行业的探索才刚刚开始；另一方面，做好 AI 所必须的数据养料有限且质量较差，不同数据源之间存在难以打破的壁垒。

除了少数几家拥有海量用户、具备产品和服务优势的企业外，大多数中小型 AI 安防公司难以以一种合理、合法的方式跨越 AI 落地的数据鸿沟，或者需要付出巨大的成本来解决这一问题。

同时，随着大数据的发展，重视数据隐私和安全已经成为一种世界性的趋势，一系列条例的出台更是加剧了数据获取的难度，这也给 AI 的落地应用带来了前所未有的挑战。

何解？

在本届峰会演讲嘉宾——国际人工智能联合会首位华人理事会主席杨强教授、平安科技副总工程师王健宗看来，联邦学习技术可能是解决以上问题的最佳选择。

通常，智能摄像头产生的数据会被上传到后台服务器中，然后由部署在服务器上的神经网络模型根据收集到的大量数据进行训练得到一个模型，服务商根据这个模型为用户提供服务。

这是一种集中式的模型训练方法，这种方式很难保证数据隐私安全。

同比之下，联邦学习不会让数据直接发送到后台，而是在每个企业自己的服务器上进行训练，并加密上传训练模型，后台会综合成千上万的用户模型后再反馈给用户改进方案。

相较传统学习模式，联邦学习的优点主要体现在五处：

1、在联邦学习的框架下，各参与者地位对等，能够实现公平合作；

2、数据保留在本地，避免数据泄露，满足用户隐私保护和数据安全的需求；

3、能够保证参与各方在保持独立性的情况下，进行信息与模型参数的加密交换，并同时获得成长；

4、建模效果与传统深度学习算法建模效果相差不大；

5、联邦学习是一个「闭环」的学习机制，模型效果取决于数据提供方的贡献。

换句话说，传统方法之下，用户只是人工智能的旁观者，即便参与也存有风险；而在联邦学习场景下，每个人都将是驯龙高手。

二、算力下沉，AI 芯片专用化

前两届「中国人工智能安防峰会」上，算法作为最高频词汇，被各大玩家频频提起、展示。

今年这一态势得以平稳，转而向算力趋近。

西部数据智慧视频产品首席技术官孙煜提到，人工智能在安防行业的应用主要有四个要素：软件、存储、芯片、厂商。

在他看来，软件提供高效实用的算法，海量数据需要被存储才能利用，芯片需要不断降低成本、提高功效，厂商集成以上要素才能让 AI 真正落地。

算法、数据、存储问题目前基本可以得到完美解决，而芯片还是 AI 安防大规模落地的最大阻碍，没有之一。

大趋势下，比特大陆 AI 业务线 CEO 王俊认为，安防行业已经完成从看得清到看得懂的阶段，未来在更多专用AI 芯片加持下，可继续实现看得快、看得起。

人工智能时代，发展 AI 芯片，不仅是技术革命，也是市场需求。

1、实现商业价值与场景应用的无缝融合。

通常，为了寻求商业价值与场景应用的效益最大化，在实现相应功能时必须选用性价比最好、性能功耗最优的硬件来满足。

实际情况是：在采购量未能达到一定指标时，大多数供应商的优质芯片不会切入，即便切入也价格不菲。

也就是说，在做相应的智能化升级时，目前市场上可选择的 AI 芯片种类较为局限，以至于价格偏高且不好用。

2、打破算力垄断，提升企业造血能力。

数据、算法、算力，这是已被公认的 AI 发展三要素。

在算法及数据层面，中国企业表现一直可圈可点。相比之下，算力市场风险巨大，它的战斗程度和迭代速度较摩尔定律更为惨烈。

过去几十年，算力层面的角逐与中国厂商基本无关，海量市场大多被国外几大厂商垄断。

芯片在很大程度上决定着安防系统的整体功能、技术指标、稳定性、能耗、成本等。

幸运的是，这几年不少中国企业已经意识到在数据、算法层的领先已经满足不了产业竞争的现实需要，国际政治不时的压力也会让原先健康的产业链分崩离析。

摆脱海外芯片商们的控制是必行之路，自研 AI 芯片的面世、落地，对缓解芯片禁运担忧有重要意义。

同时，需要指明的是，一直以来市场上大多都是通用型 AI 芯片提供人工智能计算所需的算力，而针对某些场景的专用 AI 芯片较为匮乏。

AI 芯片发展后期，用户关注的一定是真实场景下的综合效果，而不仅仅是计算加速。

具体来看，通用型 AI 芯片在实际应用过程中，会遇到四个问题：

一、通用型 AI 芯片无法和数据产生高效、深度连接。专用 AI 芯片通常针对某些场景做定制化处理，对于数据的理解、分析、处理更为透彻、精准。

二、通用型 AI 芯片无法与市场产生紧密耦合。通用芯片的作业模式是 1 对 N，很难与部分市场环境产生强粘合关系，无法强聚焦。

三、通用型 AI 芯片缺乏优质算法。芯片是框架、算法是灵魂，没有灵魂的框架难以产生足够价值，必须借助和算法强粘合的专用 AI 芯片才能实现潜在潜能。

四、通用型 AI 芯片功耗过大、对温度等环境因素敏感度不够。前端感知对功耗、散热的要求很高，需要做到极致；另外，产品落地不仅仅是技术问题而是工程问题，比如外界气候、温度等都会成为关键因素。

类比一条公路，AI 芯片的集成好比是铺上了柏油，但车辆通行时除了对于路面的高要求，还有对于路牌、路标、服务区的需求，而这些在实际过程中，都得不到很好满足。

受限于国际关系的不断趋紧，海外厂商们不时给行业来一次釜底抽薪，在 AI 芯片选择上，部分优质产品受困，替代方案亟需补强。

提到芯片就会涉及产品，涉及产品就离不开解决方案，未来在算力选择上，安防云端方案怎么做？边、端方案怎么做？这也将是一个不得不去思考的命题。

三、碎片化市场与城市物联网（AIoT）

“大平台，重软件。”

这可能是绝大多数观众参加峰会后的第一感受，这两大特色或也成为对抗安防审美疲劳的主要组成元素。

万物互联时代，摄像机成为机器之眼、AI 进化成机器之脑，同时安防边界越来越宽、愈加模糊。

面对泛安防场景下的海量市场需求，如何解决场景碎片化问题？如何解决需求差异化难复制问题？是继续构建信息烟囱，自己拉队伍做定制还是软硬解耦，开放平台做生态？

从本次峰会多数演讲嘉宾的分享内容来看，基本也已有了最终答案：各自为政，行业发展必受阻碍。

每家厂商在推进自身行业系