安防监控行业有多火,从刚结束的深圳安博会就可以看出,据消息称此次安博会的日均人流量达到了13万之多,为此,主办公司还被罚款了5万元(因为大大超过了主办公司此前申报的3万日均人流量)。而在安防监控行业使用最多的就是监控摄像机了,据市场调研公司估计,到2020年,IP摄像机的数量会超过1亿台,而且75%的IP摄像机会通过网络连接起来。这些IP摄像机采集到的数据将会是一个天文数字,那么如何在这些庞大的数据里挖掘出有价值的信息呢?人工智能将会是一个非常关键的工具。

在2017年安博会期间,英特尔在深圳大中华喜来登酒店举行了主题为“让人工智能改变安防”的高峰论坛,与合作伙伴共同探讨人工智能对安防监控行业变革的推动作用,也展示了一些先进的人工智能安防产品和解决方案。

人工智能将会首先在安防监控行业落地

在论坛上,英特尔多位高管一致认为,人工智能将会首先在安防监控行业落地。首先,人工智能带来了计算机产业基础架构深层次的变化,是安防监控产业化发展的必然趋势,可以满足智能安防监控行业的最根本诉求。

对于人工智能到底能干什么,能给我们带来什么好处?大家都还不是很清楚。其实在很多行业对人工智能的需求都是不清楚的,比如在工业制造行业,如何利用人工智能来提高生产制造效率和生产力水平。“而在安防监控行业,用户的痛点比较明确,比如城市的管理者,他们想要了解人、车、物的密集程度,及其特征,希望能在这些数据的基础上能够挖掘出一些相关的服务。”英特尔中国区物联网事业部首席技术官张宇博士表示。

他举例说,“我们可以通过以图搜图的方式,在一个比较大的区域内,查找出失踪的人口、车辆,以及其他物体。”

除了需求明确以外,还有一个是安防监控行业积累了大量的数据,而人工智能和深度学习的训练离不开大量的数据,只有通过大数据的训练后,才能更准确地进行推理。

20171102-survalliance-2 图1:英特尔中国区物联网事业部首席技术官张宇博士。

深度学习和人工智能的发展趋势

在张宇博士看来,人工智能按照学习方式的不同,可分为三类:监督学习、无监督学习和强化学习。从商业收益来看,目前大部分的商业人工智能应用主要来自监督学习,比如在线广告、金融批贷等等。

20171102-survalliance-3 图2:深度学习和人工智能的现状。

无监督学习是根据监督学习的改进,不需要太多样本,可以通过自己的学习方式找到样本内部和隐含的信息。目前在无监督学习领域最成功的应用是自然语言的处理,也就是说人可以和机器完全对话,机器对自然语言的识别和理解进行回应。

强化学习,有别于监督学习和无监督学习,用户可以指定达到的目的,学习机器可以根据当下的形式做出下一步的判断,达到最大的收入。强化学习适合在规则比较清晰,收益比较明确的场景。强化学习已经使得机器在围棋领域效仿人类,同时强化学习在航空航天领域同样得到应用,通过强化学习,已经使无人机可以再复杂条件实现了自主化的管理。张宇博士也指出,强化学习的效果还不是很好,商业化成功的案例比较少。

他认为,视频处理将是下一个成功部署人工智能的应用。

同时,张宇博士也指出,与上个世纪90年代的人工智能热潮相比,我们只是提高了计算能力,在人工智能理论方面进步不大,还依然不完备。

他表示,“现在我们的处理方式大都是设计一个网络模型,然后用大量的数据来训练模型,但由于缺乏完备的数学方法来做相关证明,以确定所使用的模型是不是最简单的。”

由此,会带来两个问题,一是人类因素在训练过程中占比非常大;另一个是无法保证所设定的网络是最简单的。

除了理论不完备之外,深度学习和人工智能还有一个挑战是对庞大计算能力和存储的需求。

张宇博士解释说,不论是深度学习,还是人工智能都分为两个阶段:训练阶段和推理阶段。

他拿百度的人工智能训练举例,“在百度训练一个模型,需要千亿亿次级别的计算能力,只有大型的数据中心才能支撑这样的计算。在推理阶段,需要的存储空间也相当巨大。”

20171102-survalliance-4 图3:深度学习与人工智能面临的庞大计算和存储需求。

对于人工智能在地域上的发展趋势,据张宇博士的观察,“本轮人工智能从欧美兴起,但现在最活跃的两个国家是美国和中国。”

20171102-survalliance-5 图4:深度学习和人工智能的地域发展趋势。

从美国国家自然科学委员会对全球重要人工智能文章索引的统计来看,在2013年之前,美国发表的人工智能文章数量是最多的,被索引的数量也是最多的。

但在2013年之后发生了很大的变化,中国发表的人工智能文章数量超过了美国,而且趋势不断扩大。这也就是说,中国有越来越多的人投入到了人工智能领域。

另一方面,中国还有来自政府的支持,最近国务院发表了人工智能发展纲要,在纲要中提出,将利用资金的扶持、政府的引导和市场主导的方针,推动人工智能在经济,国家安全等领域的应用。目标是2030年,中国成为全球的人工智能的领导力量。

预计2030年直接产值超过1万亿,相关产业产出要超过10万亿,这是人工智能在我们国内发展的外部力量。正是由于有着这些内在和外在力量的驱动,张宇博士判断今后中国将是深度学习和人工智能最活跃的一个区域。

张宇博士承认很难判断未来深度学习和人工智能的发展趋势,但他参考ICLR(国际学习表征会议)的文章后,做出了一些预测。

他认为第一个趋势就是强化学习。因为在三种机器学习中,最广大的是机器学习,已经有越来越多的研究人员在研究如何利用强化学习向机器人等其他领域的新型应用。

“从英特尔来看,我们从事的是互联网行业,我们认为物联网的发展要经过三个阶段,从物联到智能,从智能到自治,每一个行业处于不同的发展水平,我们认为各自不同的物联网行业会沿着这个方向发展。”他在演讲中表示,“物联网发展到最高的阶段,在这个阶段需要用到各种各样人工智能的技术,实现系统自主化的管理。所以我们认为,强化学习在目前能够下好一盘棋,今后强化学习能帮助我们管理一个企业,一个社区,一个城市,所以我认为是今后发展的技术趋势”

另一个趋势是网络压缩。经过压缩,在不影响最终准确度的情况下传输数据,降低了对内存和带宽的压力,提高运行的速度。可以通过更低比特、剪枝和量化等技术来进行网络压缩。

还有一个趋势就是硬件加速器。目前大多使用通用处理器来进行深度学习和人工智能的开发,以后将会有越来越多的专用处理器出现。

人工智能是一个端到端的系统,需要的不仅仅是计算能力、通信能力,还需要软件的支持。

他指出,英特尔已经在布局了,现在英特尔可以提供从硬件到软件,从前端到后端的完整组合,包括通用处理器和专门的人工智能芯片;在存储方面把SSD的存储速度提升了10倍;在通信方面,英特尔积极参与各种通信标准的制定,从物联网标准的制定到4G,5G,英特尔都是技术和产品的积极推动者。

英特尔在人工智能领域的布局

英特尔正在跟全球的OEM和开发者、以及生态系统内不同的合作伙伴一起合作开发人工智能解决方案,英特尔公司物联网事业部全球数字安全监控市场总监Todd Matsler在接受媒体采访时表示,“我们的合作是多层次的,其中就包括了基于英特尔的硬件,包括传统的处理器、FPGA以及Nervana处理器。同时,我们一直都在致力提高这些处理器的性能和实现最优最先进的算法。除此之外,我们也正在跟合作伙伴一起在相应的行业寻求和实现最佳的解决方案,我们会跟合作伙伴一起进行许多共同的市场营销推广和销售服务,致力于把这些解决方案销售给所需要的行业、城市和其他的客户。”

20171102-survalliance-6 图5:英特尔中国区物联网事业部首席技术官张宇(左)、英特尔公司物联网事业部全球数字安全监控市场总监Todd Matsler(中)和英特尔物联网产品部视频产品线总经理Adam Burns(右)在接受媒体采访。

英特尔DSS(Digital Security Surveillance)业务总经理Adam Burns补充说,为了加强英特尔在人工智能方面的布局,除了在人工智能领域进行的一系列收购外,还特别拨出了10亿美元来打造人工智能领域的生态系统。

比如说与地平线机器人合作,帮助他们进行优化市场的工作,以及建立边缘计算产业联盟(Edge Computing Consortium,简称ECC),与一些列人工智能软硬件参与者一起进行人工智能生态系统建设。

ECC是英特尔与华为、软通动力、沈阳自动化研究所等6家公司共同倡导,于去年年底在北京成立的。到今天,成员单位已经有近120家了。

“这个联盟的宗旨主要是致力于实现边缘计算的参考架构,我们希望通过业内合作伙伴的共同努力,能够打通边缘与边缘内部之间的互联,以及边缘与云端之间的互联,能够为智能制造2025,以及人工智能在各个行业的落地,贡献一份我们的力量。”张宇博士介绍说。

同时,他还指出,最近,在边缘计算产业联盟内部专门成立了一个边缘监控委员会,该委员会主要的目的就是专注于向安防监控行业,使得边缘计算的技术架构能够在该行业更快地发展。

据介绍,通过携手安防领域生态系统合作伙伴,英特尔完成从前端到后端的人工智能解决方案全面部署。其中,英特尔Purley平台打造未来服务器类标杆产品,英特尔Movidius产品与前端、传输、机器视觉等事业部门全面合作,加强深度学习技术的探索与合作,打造端到端的人工智能平台。而Nervana系列产品在深度学习训练平台已经取得实质性成果,结合至强/至强融合、FPGA 和前端广泛应用的Movidius灵活部署方案。

英特尔通过提供端到端的人工智能解决方案,从硬件、库和语言、框架、工具到应用方案,包括处理器、存储和互联技术等,通过一系列的底层软件库以及机器学习算法的创新,驱动人工智能的创新与变革,为安防行业提供快速、精确和可扩展的高能效解决方案。

20171102-survalliance-7 图6:基于英特尔ATOM处理器的深度学习参考设计。 20171102-survalliance-8 图7:Movidius的人工智能棒演示。

本文授权编译自EE Times,版权所有,谢绝转载

EETC wechat barcode


关注最前沿的电子设计资讯,请关注“电子工程专辑微信公众号”。