從2015年以來，人工智能的第三次浪潮可以說是隨著深度學習技術的突破發展驅動而掀起。發展到現在，人工智能的產業發展關鍵在于商業化。商業化僅僅依靠技術本身將無以為繼，AI市場容量、應用的深度、數據的規模決定了人工智能在某個具體行業的發展速度。就這一點而言，得益于平安城市十幾年的建設，安防行業的智能化走在了前面。

根據美國信息服務社的數據，截至 2015 年末，全球已安裝了超過 2.45 億個視頻監控攝像頭，我國已安裝的監控攝像頭也已超過 3000 萬個，同時全球和國內監控攝像頭銷售市場仍在逐年擴張，每年僅我國就產生數萬PB的數據量。與數據量同步增長的是巨大的市場規模，國內安防市場在近十年來快速發展，市場總產值從2012年的3280億，增長到了2017年的6000億，研究機構預計到2022年會達到萬億規模。

海量數據決定了智能化的發展速度，市場規模決定了商業化的潛力。人工智能+安防成為各大公司追逐的“香餑餑”則是必然。本文將從市場格局、技術方案、AI芯片三個方面，由大到小分析AI安防芯片的行業面貌及其發展現狀與前景。

市場格局

近年來，安防行業保持了中高速增長態勢，行業中企業集中度大幅提高，行業競爭加劇，資源向龍頭企業集中趨勢愈發明顯。隨著安防龍頭企業快速崛起，大型企業與中小企業之間的差距逐漸拉大，再加上產業鏈延伸、橫向跨界、行業深耕方面的優勢，強者越強、贏者通吃的趨勢已經顯現。

國內安防行業價格競爭日趨激烈，導致傳統產品毛利率有所下滑，具有技術壁壘的安防龍頭公司占據優勢。行業長尾效應明顯，洗牌加劇，龍頭企業依托技術、資源和規模優勢仍能保持高速增長，而位于長尾尾端的眾多中小企業已逐漸處于盈虧平衡狀態，生存艱難。

安防行業發展多年，企業在規模上明顯形成了梯度，?？低?、大華、宇視等公司占據了絕大部分市場份額，并且都在積極擁抱AI技術。國內安防領域整體的集中程度也逐年攀升，形成了“兩超多強”的格局，?？低暫痛笕A股份領跑市場，東方網力、佳都、蘇州科達、天地偉業、漢王等第二梯隊企業奮起直追。AI技術火爆之后，近幾年又出現了眾多基于人工智能的軟硬件提供商，例如依圖、商湯、曠視、云從、比特大陸等。當有了新技術的支持，尤其在AI應用正式落地安防之后，投資或收購AI技術公司成為傳統安防企業最有效創新升級的方式。

技術方案

多年的發展，使得安防行業不僅形成了比較完整的市場格局和產業鏈。在市場格局方面，視頻監控占據了近50% 的市場份額，這其中又分為前端(攝像頭)和后端(主控/云端)兩部分。

前端產品的核心功能是為后端提供高質量、初步結構化的圖像數據，其主要作用有兩點：提升部分智能分析應用的實時性，節省帶寬和后端計算資源。

典型的前端智能攝像頭內置深度學習算法，一方面可以在前端完成人臉定位檢測和質量判斷，有效解決漏抓誤報問題，同時擁有較好的圖像效果，即使周圍環境光線不佳，人員戴帽子或一定角度下低頭、側臉，仍然可以做到準確檢測，并自動截取視頻中的人臉輸出給后端;另一方面可以輸出編碼后的網絡視頻，還支持輸出非壓縮、無損無延時的視頻流圖像，這樣可以為大型用戶節省服務器成本和帶寬，在同等服務器數量和計算能力的情況下能夠接入更多路攝像頭。

后端產品的核心功能是利用計算能力對視頻數據進行結構化分析，一般包括智能 NVR、高密度 GPU服務器。前者是基于深度學習算法推出的智能存儲和分析產品，兼顧傳統 NVR 優勢的同時增加了視頻結構化分析功能;后者集成了基于深度學習的智能算法，每秒可實現數百張人臉圖片的分析、建模，可支持數十萬人臉黑名單布控，人臉 1V1 比對、以臉搜臉等多項實用功能，滿足各行業的人臉智能分析需求。從前后端智能化模塊來看，目前的解決方案有兩種思路，一種是智能前置，一種是后置智能，這一直是行業備受爭議的兩個方向。由于前端設備內的空間有限，再加上功耗、成本等因素的限制，智能前置會受硬件計算資源限制，只能運行相對簡單的、對實時性要求很高的算法，但算法升級、運維較難;后端智能分析通?？梢愿鶕枨笈渲米銐驈姶蟮挠布Y源，能夠運行更復雜的、允許有一定延時的算法。另外，在后端算法升級、運維都會比較方便。需要說明的是，前后端產品不是對立與競爭的關系，根據實際應用的不同將長期同時存在。

AI芯片的發展前景

無論是前端產品還是后端產品，其底層能力都是芯片賦予的。對于智能前端產品目前有兩種芯片解決方案。

一種是較為通用的視覺處理器(半定制芯片)，如 movidius 、英偉達的 Jetson 系列芯片、NVIDIA 的Jetson TX 芯片，這些主要針對終端市場。?？怠⒋笕A、宇視、蘇州科達、格靈深瞳、商湯科技等大部分公司的前端智能產品在 2016 年正式推出。另一種是將較為通用的智能識別類算法直接固化為 IP ，嵌入到視頻監控 SOC 芯片中(全定制芯片)，優點是量產后功耗、價格等都極具優勢，但功能拓展性有限。

在后端芯片方面，英偉達的GPU被采用最多，其應用場景通用，但是昂貴，不過我們不得不承認在安防監控領域GPU依然是最主流的深度學習方案，但GPU在成本、效率、功耗三方面仍在不足：

成本方面，嵌入式端GPU為數百美金，后端高性能GPU高達數千美金。在嵌入式端，市場上已量產的IPC Soc 芯片價格已經降到幾美金，可以說是很好的替代品，但后端需要做大規模數據處理時還是離不開GPU。高昂的芯片成本，推高了前后端設備的價格，阻礙了大范圍應用。效率方面，GPU擅長深度學習算法訓練，但卻拙于推理。在推理階段，一次只能處理一張輸入圖像，并行優勢不能完全發揮。

功耗方面，GPU在深度學習計算上，比CPU節省10倍能耗，但作為通用型芯片，在處理大量視頻數據時功耗依然不容小覷，用電及散熱成本也是一個大問題。

相比GPU，專用定制的、高性價比的ASIC 芯片的優勢越來越明顯，目前被越來越多的企業寄予希望。經過專門設計優化的ASIC 芯片，有著更高性價比、更容易大規模部署的優勢。相比 GPU 的通用性，ASIC 芯片是一種為實現特定要求設計的集成電路，這意味著該芯片無法擴展，但除此之外，無論功耗、可靠性還是體積、成本均遠低于GPU。鑒于 ASIC 芯片的諸多特質，業界普遍認為將會成為未來人工智能領域的核心，越來越多的算法企業也在基于ASIC 優化算法，而安防也成了主要的應用場景。

例如比特大陸人工智能芯片BM 1680 就是一款面向深度學習應用的 ASIC 芯片，其加速核采用改造型脈動陣列架構技術，具備4096個并行執行單元，適用于CNN/RNN/DNN 等神經網絡的預測和訓練。BM 1680 從2015年底開始設計，歷時一年多成功流片，在2017年6月拿到了樣品，并在當年內實現量產。

基于BM 1680，比特大陸還推出了算豐 SC1 和 SC1+兩種深度學習加速卡，前者擁有一顆高性能BM 1680 芯片，后者則采用雙BM 1680級聯架構，兩顆芯片通過高速SerDes聯接。此外，針對視頻和圖像分析，比特大陸基于BM 1680芯片和加速卡SC1+，研發了智能視頻分析服務器算豐SS1。SS1 預裝 Ubuntu 16.04操作系統，預裝包括固件、驅動、BMDNN計算庫、Runtime庫等軟件環境，以及目標檢測和目標識別的樣例模型和測試程序，適用于人臉檢測、人體檢測、人臉識別、機非人檢測分類等安防場景。

目前，比特大陸第二代人工智能芯片 BM 1682 于 2018年3月份推出，可脫離 X86 CPU 單獨存在，支持客戶二次開發，擁有單芯片八路H264/H265解碼能力，支持視頻圖像后處理硬件加速，相比第一代擁有更低功耗、更高密度的特點，實際性能提升5倍以上。此外支持以太網，PCIE的多芯片互聯，易于橫向擴展，支持大規模數據中心。

受限于已經部署了大量的非智能前端設備，以及前端有限的計算和儲存能力，后端設備在空間、能耗、環境等方面限制較少，也更有利于大規模數據的深度處理，因此后端設備在當前更適合人工智能技術的大規模應用，在不改造前端設備的前提下進行智能化升級。

結語

未來，AI 勢必將改變安防，賦予安防系統更加智能化，自動化處理視頻、圖片等非結構化數據和結構化數據，提升信息搜索的精準程度，極大提高警務效率，讓整個社會更安全、更有秩序，而要實現這樣的轉變這有賴于行業上下游的通力配合。值得注意的是，在這個耗資巨大、耗時很長的行業中，尋找具有創新性、性價比高、可大規模部署的方案，是最務實也最接近成功的選擇。