人工智能技术发展概述
人工智能作为计算机科学行业的顶尖技术之一，自1956年达特茅斯会议正式提出以来，一直受到各行各业的关注。 在图灵测试中，人工智能的识别和评价是唯一的参考，基本的思维起点仍然是仿生学。 这是一个推论，人的人工智能无限接近，但永远达不到天花板。 但事实上，在人工智能问世后的几十年里，它似乎没有沿着这条道路发展。 正如我们今天所看到的，在某些细分领域，人工智能的能力完全超出了人类的能力。
i. 难点探索：功能简单，经验宝贵
实际上，在2016年初甚至更早的时候，有大量具有潜在需求的行业和巨大的空白市场，智能作为前沿命题已经出现在许多大大小小的安全公司ppt甚至特定的产品中。 但受显示芯片计算能力，采集终端技术，后端算法技术以及整体方案成熟度等因素的限制，在此时间段推广的算法大多属于早期荒废使用，效果不理想时大部分算法落到实际部署。 本期算法大多以对象/人体模型检测为主，基本功能为最简单的周界入侵，线路混频报警，逆行检测等事件类检测，业务功能及实现机制较为简单。
现在看来，这一时期的大多数算法、业务功能和支持方案都不容易使用，甚至相对落后。 然而，这一时期对智能算法的探索为安防行业深度学习算法的蓬勃发展提供了大量的工程经验。
二。 时代潮流：安全是AI最好的栽培土壤
20对于人工智能行业来说，十六年注定是不平凡的一年。 今年，GPU行业的绝对领导者Vida推出了基于人工智能深度优化的新型Pascal架构，GTC2016正式发布了一系列基于完整核心的特斯拉显卡TeslaP40和TeslaP4，同年推出了嵌入式芯片NVIDIAJetsonTX1。 设计用于深度学习的神经网络是否作为服务器级GPU卡P4/P40，作为TX1的芯片嵌入长老，在引入这两个GPU后，在人工智能的快速发展中提供了大量的计算支持，甚至在今年，也可以在许多项目中看到。
谷歌于2016年初开放了TensorFlow源代码，首次将深度学习训练系统公开，引爆了整个人工智能算法产业。 Tensor Flow仅在出版的第一年就帮助了100多万名研究人员、工程师、艺术家、学生和其他专业人员取得了巨大的进步。 在包括伯克利和微软CNTK网络在内的TensorFlow和caffe的基础上，大量人工智能算法如雨后春笋般涌现，点燃了新一轮人工智能探索的高潮。 人脸识别，行为分析，图像结构化分析，OCR识别等复杂的图像信息处理与提取技术和算法得到了质的提升，由原来的探索前进逐渐演化为成熟可靠的方案，并通过大量的实际应用部署获得大量的样本训练，逆向为算法本身的演化提供海量支持。
任何人工智能算法都希望成为一个成熟的方案，并能得到广泛的应用 推广离不开海量的数据培训和实践经验。 当其他行业资源不足需要进一步完善时，也是2016年，国家正式发布“十三五”规划，要求在“十三五”期间基本完成视频图像基础设施和应用系统建设，全面建设视频图像资源综合应用系统，整合各类视频图像资源和智能分析处理，安全有效利用社会视频资源，实现视频图像汇聚，共享，分析和应用，使安全和运维能力大大提高，为公安机关各部门，公安部门，其他政府部门和社会提供全面的视频和图像信息服务。 同时，在视频图像信息分析系统中，明确提出了大量的分析需求，包括视频内容的结构化分析（实时流视频流）、信息提取和视频图像信息根据预定的策略比较、碰撞、深度、大面积、多维数据挖掘和研究。
由于“十三五”规划对视频图像分析算法有明确的要求，在“十三五”期间出现了无数的算法。 根据各级用户需求，包括基于人工智能的人脸，视频结构，ReID等深度学习算法及相关应用落地“测试场”进行现场部署和演练，通过大量协同作战实验室等方式获得坚实的资源支持。 随着“十三五”建设的深入，除了传统的安防企业，越来越多的互联网公司加入了人工智能的浪潮，因此人工智能也得到了爆炸性的增长。
得益于底层的坚实支撑，开源架构和探索者提供的技术基础以及国家“十三五”的有利政策，在当今时代，安防行业无疑是人工智能最好的“培育土壤“。 在这段时间里，涌现出了无数的算法公司，只要你能想到，任何智能分析需求都会得到答案。 同时也在算法应用上，依靠人脸识别算法实现了“刷脸”登录、“刷脸”开门甚至情感、疲劳识别等一系列应用在整个安防行业得到了衍生。 用户愿意花钱，厂家愿意投资研究，这是人工智能最好的时代。
三.建议。 困境：人工智能重新定义安全
好的AI=算法/样本，这是传统对人工智能的理解。 对于AI本身来说，具有足够正负样本的海量计算能力，再加上大量的训练和调优算法，基本上可以交出一份满意的答卷。在第一轮人工智能建设浪潮中，每个人都在追求更高的指标、更多的标签和更高的绩效，为极端指标投入了大量的人力物力。 而随着项目开始落地，当算法付诸实践，当整个安防行业正式向前推进时，人们逐渐发现一个无法绕过的问题：人工智能是简单的组件产品还是系统的解决方案？ 在回答这个问题之前，我们先回顾一下深度学习算法本身。 从“智能”的角度来看，人工智能可以简单地分为弱人工智能、强人工智能和超人工业智能。
人脸识别要想成功落地，为用户提供最优解决方案，面临的挑战比这更大。 人工智能落地需要端到端系统中各类组件的适配。 人工智能重新定义了安全性，并对每个节点上的设备提出了新的挑战。 回到前面的问题，人工智能应该是一个简单的组件产品还是一个系统的解决方案？ 答案显而易见，在安防行业，无论落地产品都是空中楼阁。人工智能算法是对前端，存储，大数据，算法算力调度乃至协议标准等方面有严格匹配要求的系统方案，在机房，电力，人工等一系列产品的安全行业实施配套要求，对人工智能TCO的成本无疑提出了更高的要求。
四。 重新访问：专注于着陆和应用
如今，人工智能仍然是业界最热门的话题。 但用户不再像第一次遇到人工智能时那样迷信。 在许多情况下，用户更愿意让算法验证其可行性，或者简单地与算法制造商合作，以确定算法是否可用。而各厂商和算法公司也在项目实践中发现，仅仅依靠人工智能，深度学习，大数据，如“场景定义算法”，“人工智能工程”等更注重算法落地和实际应用的概念。 同时，通过新一轮算法的不断PK和“十三五”建设的模式洗牌，实力雄厚、经验丰富的制造商逐渐改变了探索方向，不断投入到算法的落地、智能分析总体方案的拉通、用户应用的完整闭环和流程简化等方面。
人工智能算法作为核心技术仍需不断投入和探索，这才是永恒的真理。 另一方面，各算法厂商不再把算法指标作为最重要的竞争力，而是把多算法解决方案，应用生态匹配作为最关键的亮点。 原本单一的算法可能无法实现业务，现在通过不同的算法协同检索比较可以轻松实现，这种结合应用的整体方案已经成为新的建设重点。
v.未来：制度剥削
未来，随着算法和服务的高度融合，各行业将形成具有行业属性的特殊服务和解决方案。 人脸识别的建设和发展将逐步调整各行业的业务场景。 另一方面，该算法正在向标准化组件发展。 正如当年的IP摄像机所经历的那样，包括人脸在内的各种深度学习算法最终将成为标准的交付品，管理算法的多算法服务框架平台必然成为下一波平台建设的新高潮。