算法定義硬件，曠視把AI裝回黑盒子

豐色 2022-05-30 14:56:05 來源：量子位

魚羊 豐色 發自 凹非寺

量子位 | 公眾號 QbitAI

這年頭，日常生活里的AI應用，那可真是細到頭發絲兒里了。

身處加油站，卻有人偷偷摸摸抽起了煙？如此危險行為，AI的小眼睛第一時間就能盯上。

居民區里，高空拋物令人頭大，但有AI站崗，便能直擊現場發出警報。

老人摔倒、甚至是廚房垃圾桶蓋沒蓋蓋兒這樣的細節之處，AI也通通都能cover到。

工地等安全系數需拉滿的場景更不用多說，從煙霧檢測到看誰沒戴安全帽、忘穿反光衣什么的，對AI來說都不在話下。

最重要的是，想要引入這樣的AI“巡查員”，現在不再需要專門安裝新的智能攝像頭等設備。

說出來你可能不信，以上所有場景所有任務，甚至一只“盒子”就能hold住。

一只AI“盒子”的魔力

沒錯，就是這么一只10寸大小的真·盒子：

這只“盒子”來自曠視，開頭提到的這么些個AI應用，都是它的實際落地案例。

單從硬件角度來看，這個名為“魔方智能分析盒”的設備，內置一顆AX630全國產AI芯片，INT4算力達28.8TOPS——

妥妥的一個邊緣計算產品。

可如果加上其背后的一大堆AI算法，事情就發生了一些變化：

有了算法加持，再通過RTSP（實時流傳輸協議）、國標等協議與前端相機產品快速對接，它就能完成“人臉檢測”、“煙霧檢測”、“危險行為檢測”等諸多不同類型檢測任務，適配加油站、社區、園區、工地等各種應用場景。

也就是說，原有的攝像頭不用動，加上這么一只魔方盒子，就能完成各種檢測系統的智能化升級。

是不是有點方便？

說到這，你可能也看出來了，與目前市面上常見的物聯網智能設備不同，這只魔方盒子的側重點不在硬件，而在算法。

甚至可以說，這個硬件最終的產品類型，是由算法來定義的——

把核心的解決方案都放到算法層面上，擺脫對硬件的依賴，讓硬件盡量通用，做到一套硬件產品就能應對諸多場景。

“算法定義硬件”

那么問題就來了，為何要另辟蹊徑，用“算法定義硬件”？

這事兒還得從物聯網行業現狀說起。

長期關注AI的朋友們都知道，安防是AI最早應用落地的場景之一。無論是AI公司還是海康威視這樣的老牌科技企業，圍繞AIoT?（人工智能物聯網）這個概念，最多的案例就是在安防場景展開。

但有智能化需求的物聯網場景，遠不止于安防。

2021年的數據顯示，在AIoT領域，AI的滲透率僅為4%，還有96%的場景沒有被AI滲透。

數據背后，反映出的正是AIoT當下面臨的最大痛點之一：需求的碎片化。

從技術角度來解釋這個問題，就是在安防這樣需求量大，場景又相對單一、集中的業務中，算法可以不斷復用、迭代。

但如果換成電瓶車檢測、垃圾分類、高空拋物等等更為碎片化的場景，受限于當前的AI技術，無論是數據采集還是算法復用，都存在較大的困難。

而這樣的碎片化場景，才是AIoT的大頭。

傳統解法：海量硬件+定制算法

如何解決？

傳統解法簡單粗暴：海量硬件 + 定制算法。

也就是說，檢測電瓶車就用專門檢測電瓶車的攝像頭，檢測高空拋物則用檢測高空拋物專用的硬件設備。在這樣的產品體系下，甚至能出來幾萬種不同的攝像頭。

具體到一個場景中，以智慧社區舉例，如果一個社區既有電瓶車檢測的需求，又有智能警戒、室外通道占用檢測的需求，整個工作流就會變成這個樣子：

首先，要提前勘定不同的點位，確定哪個點位部署哪種硬件設備。然后根據這些具體的需求，去分別下單、采購不同類型的產品。

如此一來，就對現場規劃和勘點提出了較高的要求，并且一旦設備部署進來，要對不同點位的功能進行調整也會比較困難。

說到這里，想必其中的問題你也就看出來了。

其一，碎片化物聯網場景下，“海量硬件 + 定制算法”欠缺靈活性，硬件建設和維護成本較高，基本上想要針對新需求部署新算法，就得重新換硬件。

其二，更深一層從技術實踐的角度來說，由于解決方案很大程度上依賴于硬件功能，算法就或多或少需要做出妥協，在業務需求和硬件之間做平衡，導致最適配的算法往往并非最優解。

新思路：軟硬一體，最大化算法優勢

面對這樣的市場現狀，曠視作為一家以AI算法技術起家的公司，就逐漸摸索出了所謂“算法定義硬件”的新思路。

正如前文所說，也就是反其道而行之，以算法為核心去解決場景差異化的問題，弱化對硬件特性的依賴。

同樣以智慧社區的場景來舉例，在選用曠視魔方智能分析盒的情況下，確定檢測點位數量之后，只需采購統一的硬件。

而后，再根據具體規劃，在不同的點位安裝不同的算法包即可。比如，需要在電梯里監測電瓶車是否進入電梯，那么就加載安裝電瓶車檢測的算法包。

后續如果需要將該點位改用來檢測煙火，也無需更換硬件，換上煙火檢測的算法包就行了。

簡單總結一下，在魔方盒子這一類產品中，曠視所做的，就是基于軟硬一體的能力，從最大化算法能力的需求出發，自研硬件。

通過加載不同算法包的方式，在一種硬件設備上形成不同的產品，使硬件本身更加通用、標準化。

如此，站在用戶的角度來看，一方面，在舊有的系統上做智能化改造成本會變得更低，更多潛在需求能更低成本地實現。

另一方面，產品本身從算法出發，最大化發揮算法的優勢，能實現更高的性價比。比如通過算法來針對性地優化較低等級的新品，使其達到更高的算力、精度水準。

值得一提的是，這還只是“算法定義硬件”的第一階段。

曠視透露，隨著算法分發平臺的完善，硬件將進一步演化成為算法的載體。就像特斯拉的OTA，算法更新就能給硬件產品帶來新功能。

AI公司突圍之機

事實上，長期以來，在安防等物聯網場景之中，雖然智能化能力的重要性愈發顯現，但外界仍不免有疑問：AI公司作為后來者，競爭優勢究竟何在？

在供應鏈、渠道等商業領域，傳統強企無疑具備先發市場優勢，這使其在以硬件為主導的標準化產品領域早早奠定霸主地位。

但如今看來，也正因如此，在越來越多量產硬件產品難以覆蓋到的碎片化場景中，恰恰存在AI公司的突圍之機。

曠視的“算法定義硬件”，便是一條具有代表性的AIoT突圍路徑：算法本質上是直接面向各種應用場景的，天然更接近于用戶的需求，以算法為核心，才有可能讓硬件滿足AIoT的海量應用場景需求。

相較于傳統強企，AI公司的核心優勢，還是體現在對于AI技術的長期鉆研和深入洞察。這種優勢具體體現在：

• 在基礎模型研究上的長期投入，對于算法模型有更深刻的理解；
• 處于行業領先地位的算法精度；
• 算法量產能力，能夠高效產生海量算法，降低算法生產門檻；
• 更具可擴展性的平臺，能根據用戶場景的變化，實現高效靈活的算法迭代；
• 具備軟硬一體化的產品能力，最大化算法優勢。

……

如此看來，在AIoT時代，以AI算法見長的AI公司，已經具備了先發優勢。