智能安防急需适用于边缘计算且高性价比AI芯片

边端AI芯片在实际应用终端需要深度神经网络满足存储占用小、网络精度高、计算速度快、电量消耗低等条件，才能真正发挥作用。例如在社会治安应用中，可根据治安、反恐、社区可疑人员等信息结合时间频次信息等预测出可能出现的危险情况和安全隐患，从而组织治安力量更有针对性地进行社会管理，这些都需要网络的准确性和实时性，而且边缘端设备对体积和成本要求很高，不能接受占用很大的存储空间和功耗。

一、AI芯片是安防领域强需求

　　在电子安防产品市场中，视频监控系统占据了过半的份额，市场规模达到962亿元，成为构建安防系统的核心。目前安防行业涉及多个领域，包括公安安防、智能家居、智能交通、智能制造、智慧城市等，主要需求还是来自于对人和车辆的检索和识别，后期在行为识别方面的需求也会越来越大。在不久的将来，人工智能技术将会取代众多传统的安防技术，整个安防行业的发展已经到了比拼核心技术的关键节点。

　　得益于深度学习的发展，以往模式识别中依靠人工完成的特征提取工作全部可以通过网络结构自主完成。它能够将视频图像内容转化成清晰表达目标属性的结构化数据，再进行数据深度挖掘，可有效提高数据处理效率。图像和视频的人工智能处理，是目前AI芯片商业化前景最乐观的赛道，也是玩家们弯道超车的最佳机会。

　　目前市面上主流的人工智能摄像头产品售价均为几千元不等，是普通高清摄像头的几倍，其主要原因在于AI芯片成本居高不下。如何让AI芯片成本降低，性能不断提高，才是智能安防能否真正落地的关键。

　　二、边缘计算是智能安防的主要瓶颈

　　1.应用层面

　　目前，产品落地上主要体现在视频结构化(对视频数据的识别和提取)、生物特征识别(指纹识别、人脸识别等)、物体特征识别(车牌识别系统)等应用方向。安防系统每天产生的海量图像和视频信息造成了严重的信息冗余，识别准确度和效率不够，并且可应用的领域较为局限。

　　视频监控系统作为前后端分属较为明显的物联网系统，在边缘计算的应用方面有很大潜力。摄像机作为前端采集设备，目前不仅清晰度大大提高，而且对智能化需求也越来越强，因此行业内正在极力推进摄像机能够实现对视频图像内容的实时处理，不但能够极大地降低信息传输系统和后端设备的负担，同时还能够提升整个安防系统的响应速度，为安防领域一直提倡的"事前预警、事中制止、事后复核"理念走向现实提供最有利的技术支撑。

　　比如在人脸识别应用当中，通过前端抓拍+中心分析的前后端智能相结合的模式，将人脸识别智能算法前置，在前端摄像机内置高性能智能芯片，通过边缘计算将人脸识别抓图的压力分摊到前端，解放中心的计算资源，以集中优势计算资源做更高效的分析。

　　2.技术层面

　　现阶段的人工智能，通常是指依赖于海量数据和深度学习，通过监督或非监督方式训练而获得的智能，代价是巨大的计算和存储复杂度，随着算法多样性和复杂度的进一步提升，运算和存储的代价都会大幅增长。传统的解决方案是，大量的数据是在云端的数据中心被分析并决策后，再将结果发还给终端，也就是说，云端负责人工智能的部分，终端（也就是边缘端）负责数据采集以及执行。

　　三、结语

　　AI芯片在智能安防领域扮演着核心角色，芯片在很大程度上左右着安防系统的整体功能、技术指标、稳定性、能耗、成本等，并在安防行业未来发展方向上起到关键作用。目前安防监控领域主流的深度学习芯片是GPU，但GPU存在成本、效率、功耗等瓶颈，因此针对安防行业开发的FPGA/ASIC智能芯片成为新趋势，而且要满足即时、准确、低成本这些条件，才是未来能在智能安防应用中真正落地的AI芯片。相比于传统视频监控，边缘计算+视频监控最主要的变化是把被动监控变为主动分析和预警，因而解决了需要人工处理海量监控数据的问题。从本质上看，边缘计算通过对视频图像进行预处理，去除冗余信息，使部分或全部视频分析迁移到边缘处，由此降低对云中心计算、存储和网络带宽的需求，提高视频分析速度。

　　智能安防领域急需适用于边缘计算的AI芯片，能满足即时、准确、低成本、低功耗等高要求，通过研究院研发的量化神经处理架构QNPU开发的硬件AI芯片，以及配套的一系列推理引擎等软件，可以让智能安防有望突破上述瓶颈，推动智能化安防监控设备更大范围地普及。