不同的人工智能幫助解決不同類型的問題，經典機器學習適于統計問題和推薦引擎。深度學習適于圖像/語音識別、自然語言處理、模式識別檢測，推理適于供應鏈、數據庫欺詐檢測、波動分析，新興方法適于生物序列對比等。簡單說，人工智能是能夠感知、推理、行動和適應的計劃;機器學習是性能隨時間推移和數據增加而逐步提升的算法;深度學習是機器學習的一個分支，通過多層神經網絡在海量數據中進行學習。

　　當前的AI開放平臺的市場情況

　　AI開放平臺離不開城市大腦和行業應用，隨著經濟生活的不斷發展，城市的建設與管理也面臨新的變化，近幾年人工智能、云計算、物聯網、大數據等先進技術的快速發展，覆蓋了治安防控、智慧交通、智慧校園、智慧社區等諸多領域的智慧城市，實現了大量的場景應用落地。許多傳統安防企業、互聯網企業和運營商服務商都參與到數據資源、技術能力、產品研發的競爭合作各環節，共同促進數字經濟和智慧城市的建設。視頻圖像由于包含大量的物聯感知信息，成為智慧城市建設的重要內容之一，因此，基于圖像智能分析構建智慧城市數據底座的系統架構成為行業的主要方向，目的是構建智慧城市的“視覺中樞”，再以“視覺中樞”為基礎賦能智慧城市。盡管各廠家對自己的定位和規劃不盡相同，但綜合來看，可以歸納為兩類設計理念。

　　一、以數據采集、信息連接和智慧大腦為思想的平臺架構，主要方式是通過前端感知、邊緣計算和數據中心，打通城市治理的各個角落，把城市、企業、個人的數據匯聚起來，進行分析挖掘，讓城市運行更智能。

　　二、通過以人工智能為核心的先進技術為千行百業賦能，提升場景化應用體驗，針對實際應用的需求升級來推動智慧城市有序發展。通過量身打造的行業解決方案，提供更加完善靈活的工具手段，解決管理使用中的痛點，

　　這兩種理念并不排斥，因為不論是由上而下的數據連接，對城市治理進行換腦換血手術，還是自下而上的應用牽引，對各類場景進行升級賦能，本質是相互融合，互相促進。這兩種理念的相同之處都是有前端圖像采集和后端數據分析。圖像采集的發展趨勢是通過智能終端或邊緣智能提升基礎設施，只有將城市每個區域的視頻進行智能化分析，才能支撐后續的數據治理和知識推理等環節。

　　“新基建”政策出臺的主要背景

　　國家出臺“新基建”政策的原因主要為因為疫情對經濟的影響，盡管新冠肺炎在中國本土實現了控制，但在全球不斷蔓延的不容樂觀，疫情波及的國家越來越多，美國股市出現了史無前例的短期多次熔斷，全球的經濟形勢受到影響，世界經濟組織紛紛調低經濟增長預期，甚至斷言全球經濟將進入衰退期。疫情給中國經濟帶來的下行壓力影響會帶來較大的系統風險和社會風險，政府需要啟動經濟增長的新引擎。以5G網絡、人工智能、物聯網等新技術為核心的第四次工業革命的浪潮興起，傳統基建投資的邊際效益下降，需要通過新的基礎設施來支撐。國家希望推動“新基建”優化結構，促進科技進步和產業升級。

　　基礎設施的升級將帶動信息產業快速發展

　　“新基建”概念源于2018年底中央經濟工作會議，會議部署2019年工作任務時指出，“加快5G商用步伐，加強人工智能、工業互聯網、物聯網等新型基礎設施建設”。2019年全國兩會，政府工作報告明確要求：加快5G商用步伐和IPv6(互聯網協議第6版)規模部署，加強人工智能、工業互聯網、物聯網等新型基礎設施建設和融合應用。2020年1月3日，首次國務院常務會議要求：要大力發展先進制造業，出臺信息網絡等新型基礎設施投資支持政策，推進智能、綠色制造。今年初，因新冠肺炎疫情暴發等原因，“新基建”進度受到影響。隨著復工復產，加速推進成為必然。

　　傳統基礎設施主要包括鐵路、公路、機場、橋梁等，增長空間有限，“新基建”涵蓋了5G、特高壓、城際高速鐵路和城際軌道交通、新能源汽車充電樁、大數據中心、人工智能、工業互聯網(物聯網)七大領域。“新基建”是為未來經濟增長儲能，將給5G、云計算、工業互聯網等信息產業鏈帶來更多支撐。在此輪基建熱潮中，北京、河北等13個省市相繼公布2020年重點項目投資計劃，總投資額近34萬億元，如此大規模的經濟投資，對相關產業的拉動無疑是顯著的。以5G、人工智能、數據中心等為代表的新型基礎設施建設，將極大加速信息技術在各行業的深入應用，從而更多地推進傳統產業的改造升級，比如：利用信息技術進行數字化升級改造的平安城市、交通、能源、物流等城市支柱行業、AR/VR設備、無人機、智能機器人、智能汽車、遠程辦公、在線教育等。5G網絡的鋪設、云計算設施的升級、邊緣計算設施的部署等基礎設施的質量性能的改善以及大規模建設，必將帶動這些新業務的發展，創造出新的繁榮業態。

　　“新基建”的主要領域

　　從智慧城市建設的角度分析，“新基建”包括四層：1、基礎是5G、大數據、人工智能、云計算、物聯網、區塊鏈，需要基礎設施的支撐，如5G基站、IDC數據中心等;2、第二層是運用信息化技術升級城市現有的傳統基建設施，如智慧城市、智慧交通等項目;3、第三層是發展新能源新材料的配套應用設施，如充電樁、光伏等;4、第四層次是補短板，如科技園區、城際高鐵、輕軌等。其中，作為核心基礎技術的人工智能發揮著關鍵作用。其中，人工智能是引領新一輪科技革命、產業變革、社會變革的核心驅動力，它將人從枯燥的勞動中解放出來，越來越多的簡單性、重復性、危險性任務由人工智能系統完成，減少人力投入和提高工作效率，持續研究新一代人工智能的應用場景，將重新激發生產、分配、交換、消費等經濟活動的生命力，催生新技術、新產品、新產業，將對經濟發展、社會進步、國際政治經濟格局等方面產生重大深遠的影響。

　　AI開放平臺的技術組成

　　人工智能在孕育新技術新產品的同時，也對傳統行業進行了巨大賦能，不但在教育、醫療、養老、環保等領域提高公共服務精準化水平和人民生活品質，而且對基礎設施和社會安全運行的態勢可以準確感知預測，提高社會治理能力和水平，從而推動經濟結構的重大變革，實現社會生產力的整體提升。

　　不同的人工智能幫助解決不同類型的問題，經典機器學習適于統計問題和推薦引擎。深度學習適于圖像/語音識別、自然語言處理、模式識別檢測，推理適于供應鏈、數據庫欺詐檢測、波動分析，新興方法適于生物序列對比等。簡單說，人工智能是能夠感知、推理、行動和適應的計劃;機器學習是性能隨時間推移和數據增加而逐步提升的算法;深度學習是機器學習的一個分支，通過多層神經網絡在海量數據中進行學習。

　　近年來，全球數據井噴式的爆發、AI算力的飛速增長和深度神經網絡算法的突破，使得并行計算變得更快速和更有效，人工智能開始全面爆發。深度學習使得機器學習拓展了人工智能的領域范圍，讓幾乎大部分機器輔助功能都變為可能，比如無人駕駛汽車、無人機、語音識別、欺詐檢測、產品推薦等方面。在圖像分類、物體檢測、圖像語義分析、人臉識別、光學字符識別等計算機視覺領域，深度學習的應用尤為廣泛，在一些場景中甚至可以比人做得更好。其中，深度學習對圖像解析的突出幫助使得視頻應用得到了跨越式發展。深度學習主要依靠三個方面：巨大的標記數據樣本(圖像和語音)、先進的算法/模型/軟件(神經網絡算法CNN和RNN以及深度學習框架)和高性能計算(數據樣本多/模型訓練時間長/參數更新快速同步)。

　　數據來自于千行百業的基礎信息，軟件算法的開源優化和芯片算力的快速提升使得人工智能形成了真正開放的巨大生態，AI開放平臺作為技術孵化、應用創新和商業布局的結合點，正在從各大企業的內部研發產品開始走向臺前，為人工智能的快速普及提供技術支撐。

　　算法方面，目前CNN的深度學習框架主要包括：Caffe、Tensorflow、CNTK、MXNet等。CNN分為模型訓練和應用推理兩個環節：模型訓練是獲取推理模型，應用推理是根據訓練模型和輸入數據獲取計算結果，如圖片分類。不同環節采用不同的計算架構：模型訓練使用CPU+GPU計算架構，應用推理可以采用CPU+FPGA、計算架構等。GPU算法實現架構成熟，適合較復雜的訓練算法，FPGA可靈活實現多任務處理且運行能效更好。

　　算力方面，目前實現深度學習的高性能計算硬件平臺主要包括GPU、ASIC、FPGA，GPU因為先發優勢占據較大市場份額，FPGA正試圖在云端服務器發力，ASIC難度更高但更適用于深度學習算法。算力需要具備并行性、多線程、高內存帶寬等特性，而且由于數據的訓練時間長，需要低功耗的硬件架構。GPU是目前深度學習訓練系統比較成熟和廣泛的硬件平臺，最初為處理圖形而設計具備了大規模的獨立神經元，更擅長高度并行的密集計算。通常，訓練平臺(AI開放平臺)采用CPU+GPU卡組建集群和數據中心，應用程序的串行部分在CPU上運行，計算任務繁重的部分由GPU加速，CPU與GPU通過PCIE總線通信，GPU主要通過專用編程框架CUDA軟件開發，CUDA不需要借助圖形學API，采用通用計算并行架構和C語言進行開發，降低了難度。

　　AI開放平臺在智慧城市建設中的落地

　　城市中攝像頭每天采集的數據量非常大，內容非常豐富，蘊含巨大的價值，可以解決城市管理中的諸多難題。我們希望把視頻圖像里面的內容和目標自動轉換成結構化數據，讓每個人都能直接理解人/車/事這幾類主要信息，車：車型、車款、車牌號碼、車輛顏色、行駛方向、行駛速度，人：步行、騎車、性別、年齡、上身、下身、背包拎包，事：擁堵、逆行、徘徊、奔跑、劇烈運動、交通行為。有了以上數據就能進行決策和優化，比如根據交通流量優化紅綠燈配時系統，比如在視頻中搜索可疑車輛(肇事)和可疑人(失蹤)，比如挖掘數據之間的關系和規律，找到數據之間背后的原因，還可以進行趨勢預測，比如半小時甚至更長時間后的車流和路徑規劃。但原先的智能分析技術一直存在識別準確率低、場景適應性差、識別種類少等問題。深度學習通過大量數據訓練來建立輸入數據和輸出數據之間的映射，通過人工智能來自動處理海量監控視頻數據，解決了以往的技術瓶頸。以平安城市為例，針對道路監控等相對標準場景的視頻，可進行人臉動態識別和機非人實時結構化分析和特征信息提取，轉化為公安所需的情報線索。

　　人工智能離不開行業應用，行業應用也離不開人工智能。人工智能要落地，一定要深入到行業中的具體場景，解決實際問題，如何讓AI算法快速賦能千行百業--大多數AI開放平臺為了降低開發者的使用門檻，大多能提供免費的公用硬件資源、標準規范的開發語言以及快捷易用的操作方法，有些經驗的開發人員只要提供大量的樣本，都可以通過AI開放平臺針對自己的應用需求進行優化和改進。以天地偉業的平安城市系統解決方案為例，前端產品主要是用于邊緣節點計算的AI攝像機(人臉識別攝像機/卡口電警攝像機)，在采集視頻和圖片的同時，依靠內置的算力芯片和智能算法，為云端的數據中心提供結構化的數據，可以減少云端分析處理的計算資源壓力和網絡帶寬等系統成本。云端產品主要是智能NVR、人臉識別比對服務器、圖像結構化分析服務器。智能NVR是在集中存儲圖像的基礎上，通過集成深度學習算法實現了針對視頻內容的智能分析和信息提取，比如小型比對庫的人臉識別/車輛識別等，適合中小型項目使用。人臉服務器和結構化服務器通過在X86服務器集成高性能芯片和深度學習算法，專門對人臉特征、車輛特征、機動車/非機動車/行人的全目標特征進行快速提取和準確識別比對，比如1億人臉底庫的識別比對、卡口過車圖片的二次特征提取和以圖搜車、行人的衣著體貌特征識別和以圖搜人等。這些融合在前端產品和云端產品的算法可以持續升級優化，甚至可以根據客戶的特殊需求進行定制，原因就是基于AI開放平臺，結合行業具體應用需求和承載的硬件資源，實現了靈活快速的優化配置，為不同行業不同場景提供了最優性價比的組合方案。

　　智慧城市對信息感知的目標是全面、全量、實時。通過邊緣節點計算和云端計算把非智能的設備和系統轉變成具有強大人工智能的設備和系統，基于AI的大數據平臺，通過大數據治理技術將海量多源異構數據治理成行業知識，利用機器學習、知識圖譜、符號推理等技術就可以主動分析隱藏在人的行為背后的行業知識。AI開放平臺作為人工智能加速普及的有益嘗試，也存在訓練環境受限、客戶預期過高、算法調優難度大等問題，需要廠商持續加大投入，推動開發生態擴張。

　　來源：天地偉業