读懂2020AI安防「术」与「势」丨年终盘点

过去一年,AI安防市场有实体经济的挣扎、AI新秀的锐利、资产泡沫的疯狂、相互之间的利益重构。

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。

1—11月份,商品房销售面积148905万平方米,同比增长0.2%,增速比1—10月份加快0.1个百分点。其中,住宅销售面积增长1.6%,办公楼销售面积下降11.9%,商业营业用房销售面积下降14.1%。商品房销售额139006亿元,增长7.3%,增速持平。其中,住宅销售额增长10.7%,办公楼销售额下降11.3%,商业营业用房销售额下降13.5%。

而联邦学习就不再是让数据发送到后台,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。

11月末,商品房待售面积49221万平方米,比10月末减少102万平方米。其中,住宅待售面积减少92万平方米,办公楼待售面积增加15万平方米,商业营业用房待售面积增加4万平方米。

1—11月份,东部地区商品房销售面积58394万平方米,同比下降1.3%,降幅比1—10月份收窄0.8个百分点;销售额73341亿元,增长7.1%,增速加快0.3个百分点。中部地区商品房销售面积42441万平方米,下降0.3%,1—10月份为增长0.6%;销售额30314亿元,增长5.6%,增速回落1.2个百分点。西部地区商品房销售面积41238万平方米,增长3.8%,增速持平;销售额29943亿元,增长10.6%,增速加快0.5个百分点。东北地区商品房销售面积6832万平方米,下降4.5%,降幅收窄0.5个百分点;销售额5408亿元,增长3.4%,增速加快0.1个百分点。

商业模式在变,盈利模式在变,行业参与者在变,消费者习惯也在变;大量新名词、新公司的涌现让传统老人们无所适从,今天的新人在明天到来之时也遇到了上述所提困扰。

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。

智慧城市的进一步发展必然需要三大技术的持续进步:物联网、边缘计算、通信,眼下常见的智慧城市方案大多在后端打通了数据,但受限于网络等问题,仅能实现沙粒般的智慧化。

联邦学习之所以能够在如此短的时间里迅速由一个构想变为一门学科,主要因为它可以让参与各方在不披露底层数据的前提下共建模型,之后利用整个数据联邦内的数据资源,提高每个成员的模型表现。

遗憾的是,市场上现有的AI芯片方案难以满足前端感知技术的切实需求。

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:

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;

佳都科技智慧城市业务群副总裁张进飞此前在雷锋网AI掘金志主办的「全球AI芯片·城市智能峰会」上表示,我国的城镇化发展特别快,但是这种快速也给城市带来了诸多问题。

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;

最快速地拓展新业务表现在,A、B、C每家厂商都有各自构建好的模型,通过汇总去得到更大的数据模型,在不流通数据的情况下得到数据流通的最好效果,通过资源互补可以在最短时间内安全地获得对方的能力,去拓展新业务。

1—11月份,房地产开发企业房屋施工面积874814万平方米,同比增长8.7%,增速比1—10月份回落0.3个百分点。其中,住宅施工面积613566万平方米,增长10.1%。房屋新开工面积205194万平方米,增长8.6%,增速回落1.4个百分点。其中,住宅新开工面积151447万平方米,增长9.3%。房屋竣工面积63846万平方米,下降4.5%,降幅收窄1.0个百分点。其中,住宅竣工面积45274万平方米,下降4.0%。

相较传统学习模式,联邦学习的优点是显而易见的:

1—11月份,东部地区房地产开发投资63770亿元,同比增长8.3%,增速比1—10月份回落0.1个百分点;中部地区投资25102亿元,增长9.7%,增速回落0.3个百分点;西部地区投资27455亿元,增长15.3%,增速回落0.4个百分点;东北地区投资4939亿元,增长8.9%,增速回落0.6个百分点。

譬如A厂商有校园数据、B厂商有工厂数据、C厂商有社区数据,且这三家厂商都使用了联邦学习技术。

在传统的方法下,用户只是人工智能的旁观者——使用,但没有参与;而在联邦学习场景下,每个人都是“驯龙高手”,每个人都是人工智能发展的参与者。

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。

最快速地优化自身业务表现在,平台每天会有若干个类似A厂商的企业向平台输入加密后的数据模型,而这些数据模型中有A厂商非常缺乏的其他数据信息,而A厂商便可根据这些数据去更新自己的算法模型。

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。

大背景下,赛道玩家们必须走一步看百步,了然新技术下产业的未来走势,而这都将决定着企业产品的周期、产业竞争的最后胜败。

从隐私保护层面来看,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来为用户提供服务。

2019年以来有两次A股热炒的概念,一是边缘计算,另一个就是数字孪生,多支相关股票出现涨停。

4、建模效果与传统深度学习算法建模效果相差不大;

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。

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;

数字孪生这一概念诞生在美国,时间在2002年,提出者是密歇根大学教授Dr. Michael Grieves。 

从业务层面出发,A、B、C这三家厂商便直接获得了两种能力:1、最快速地优化自身业务;2、最快速地拓展新业务。

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。

藉由此,在即将过去的2019年,、平安科技、华为、京东等在内的国内企业和机构推动联邦学习进入了学术研究与行业落地新阶段。

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。

他在一篇文章中首次提到“Digital Twin”,并认为通过物理设备的数据,可以在虚拟(信息)空间构建一个可以表征该物理设备的虚拟实体和子系统,并且这种联系不是单向和静态的,而是在整个产品的生命周期中都联系在一起。 

据预测,到2022年,85%的IoT平台将使用某种数字孪生技术进行监控,少数城市将率先利用数字孪生技术进行智慧城市的管理。 

1—11月份,房地产开发企业到位资金160531亿元,同比增长7.0%,增速与1—10月份持平。其中,国内贷款23013亿元,增长5.5%;利用外资161亿元,增长57.5%;自筹资金52511亿元,增长3.7%;定金及预收款54482亿元,增长10.0%;个人按揭贷款24395亿元,增长13.9%。

智能城市“数字孪生化”

1—11月份,房地产开发企业土地购置面积21720万平方米,同比下降14.2%,降幅比1—10月份收窄2.1个百分点;土地成交价款11960亿元,下降13.0%,降幅收窄2.2个百分点。

变革,显然已经成为AI安防行业的时代主题。

通俗来说,深度学习时代,每个AI企业的技术能力是单打独斗式的;而联邦学习的出现,更为紧密、安全地将各个AI企业联系在了一起,联邦中的每个成员都可以用最快的速度提升自身能力的同时汲取别人的长处,最终获得共同成长。

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。

也就是说,唯有在前端完成智能分析,与后端相配合,才能将城市物联网数据完整利用,打造感知城市。

11月份,房地产开发景气指数(简称“国房景气指数”)为101.16,比10月份提高0.02点。