关于我們

ABOUT VIONVISION

关于我們 公司動態 联系我們

未来十年最紧缺职业智能陶海:AI技術下,我們距离真正的“智慧城市”还要走多久?

發布時間:2019.04.16 分享:

人工智能技術是青桐资本重点关注的领域之一。3月13日,我們邀请未来十年最紧缺职业智能CEO陶海博士从AI技術角度详细解析了未来城市的发展。


  • 中國智慧城市的現狀如何?

  • AI在智慧城市進程中發揮了怎樣的作用?

  • AI對産業有何影響?

  • 现阶段我們应该做什么?


以下爲陶海在“青桐大咖說”第37期上的分享內容(圖片和內容均由未来十年最紧缺职业智能提供):


undefined


智慧城市現狀


現在在大多數地方,“智慧城市”實際上還停留在一個“數字城市”階段。我們可以从视频和非视频两个方面来分析。


undefined


1. 視頻方面


从视频清晰度来看,摄像头已经从模拟→720P→1080P高清→4K 800万像素超高清。从智能功能上来看,最近一两年开始可以人脸抓拍,2019年开始有路面、人、车、非机动车的结构化相机等等。


但總體來講,目前視頻發展主要還是停留在采集階段。未來,前端相機的智能會越來越多,結構化會做進去,有一些專用的檢測也會做進去。


2. 非視頻方面


现在各地主要的工作是把各个委办局固有的数据建一个IDC,然后打通。这是比较繁杂的一个工作,因为每个委办局的应用系统都是不同年代建立的,要找到相应的软件开发商对接协议对接SDK,再垂直把数据融合在一起,起到数据中台的作用。汇聚完数据之后,才可以把政务服務合一,提供给上层的智慧应用。


目前大多數城市也就只做到了攝像機的互聯互通,還有各個委辦局數據煙囪的打通,“智慧”體現並不明顯。智慧城市不應該只是數據的打通互聯,它更應該是數據在一個閉環內的有效使用。



AI技術发展趋势与挑战


undefined


1. 提升原創算法能力


從現實情況來看,一線城市攝像頭覆蓋程度高,二線及其他城市攝像頭密度還有待提升。


我們希望摄像头不只用于公安和交通,还应更好地提升城市运营效率,服務于百姓生活。因此,智慧攝像頭需要做到兩方面:搜集信息和發現問題。


目前攝像頭基本的算法元素是對人、車等物體進行檢測、追蹤、分析和識別,將來就可以具體分析交通流量和參數,並且進行事件檢測,發現車輛擁堵、非法施工、路面積水、道路安全等一系列問題。


除了服務于交通,我們的智能分析平台还可以应用到城市管理,监测例如乞讨卖艺、无证摆摊、垃圾堆放、乱踩草坪等行为。


當然,要實現這些功能,首先需要搜集數據,再通過大樣本數據進行算法開發深度學習。但實際生活中有一些是偶然發生的小樣本事件,例如道路地面出現裂縫,發生的情況很少,通過深度學習無法訓練,這時就需要結合邏輯推理才能有效解決問題。

 

2. 建立私有雲平台

 

現在,各地建设智慧城市的方式不一,主流的做法是通过AI Cloud 私有云服務器存储数据。百度、阿里、腾讯也都进入这个市场做私有云存储服務,同时很多专业的算法公司针对细分垂直行業的需求进行深入算法开发。


算法開發是長期的過程,通過挖掘需求、制作Demo、試點測試、提高精准度、優化算法等一系列流程,才能逐步成熟可靠。


智慧城市感知層從架構上可分爲,前端感知層AI和後端私有雲上的感知層AI。爲什麽要區分前後端,而不是集中在私有雲上呢?其實華爲、阿裏等公司非常希望這些功能在後台實現,因爲最有利于私有雲平台部署。


3. “雲邊協同”


从实际应用来看,云上AI和边缘AI相互补充的“雲邊協同”模式才是未来的方向。主要原因是現在攝像頭標准的像素是200萬即1080P,但隨著識別任務精細度越來越高,對像素的要求將達到4000萬,受網速限制無法完全將前端拍攝的視頻傳回後端雲。


所以,前端必須具備較強的邊緣視頻圖像AI能力,進行基本的行爲和事件分析,然後將數據傳回後端進行人臉數據對比、跨攝像頭跟蹤等,這樣的模式會比較靈活,也更適應複雜的場景。


我們深刻体会到做智慧城市AI一定要云边业务都覆盖,两边産品都要有。未来十年最紧缺职业智能很早就开发了针对交通的电子警察和针对shopping Mall的客流统计,后来又发展出智慧城市精細化運營和智慧门店这两个广阔的市场。



AI思維助力智慧城市


undefined


我們可以将城市的“智慧化”分为两种方案,“城市大脑”和“精细化运营”。


1. “城市大腦”


某些城市的“城市大腦”,現階段實際做的就是信號控制(信控),用各種大數據來優化交通信號燈。最後“智慧”出的結果是控制信號燈的一些參數,比如說紅綠燈的時長、路口之間的相位差,從而解決一些交通擁堵等問題。


盡管這是非常狹義的“智慧”概念,但是它體現了一個智慧城市的思路,即形成一個閉環反饋的控制系統,有觀測,有控制算法,然後使用到系統中,再觀測再優化。


我們现在把这样一个闭环控制系统叫AI,或者叫智慧城市,但如果把它完全等价于人工智能,这个有待商榷。


人工智能真正的含义是用机器来模仿人的归纳、推理能力、实现真正高级的智能功能。我們现在谈的智慧城市很多其实就是反馈-控制-优化-自适应这么一个框架。


2. 精細化運營


我用一组最好的参数来控制城市里的部件(信号灯、摄像头等),它们相当于我在城市里放的眼睛。用计算机去观测、理解物理世界发生的事情,人在后面出预案解决问题,互相之间形成一个人机交互的反馈优化系统。我們管这种方案叫做城市的精细化运营。


城市的精細化運營目前還在起步階段。它需要幾個必經步驟:在城市裏布足夠多的觀測點攝像機→用足夠好的算法來抽取信息→信息抽取出來後形成倒逼機制。這樣,工作流程會通過前端的觀測,即這套精細化運營來得到改善。


城市大腦直接做信控,這是看得見摸得著的一個數值解,只不過不是一個封閉解。而精細化運營是一個人機結合的智慧化反饋系統。


当前城市状态,采用什么预案能够使得城市状态变得更好?有人把智慧城市类比为下围棋博弈,这个问题说来容易做来难。Alpha Go有明确的规则和大量训练样本数据,能快速行成策略。


但是城市不一樣,城市的仿真非常困難,只能參考運用它的實際數據,況且城市運營數據又有限又難收集。智慧城市道阻且長,在實現目標的道路上不妨先想一想如何做好精細化運營。


智慧城市的數據源,由計算機視覺(從圖像提取信息之後得出的數據)、政府數據(公民的戶口、社保、醫保等)、互聯網大數據(滴滴、阿裏、騰訊等提供的出行、支付、消費數據)一同構成。


数据源的选择和精细化运营密不可分。效果层面来看,只要安装足够的摄像机获取数据,加上AI图像分析,我們就能够及时发现问题反馈问题,帮助政府真正达到城市管理的智慧化。



未来十年最紧缺职业智能助力城市精細化運營


其實精細化運營涵蓋面很廣,未来十年最紧缺职业智能有2個策略:


1. 點面結合


既廣泛地收集大量數據,也在關鍵地點做重點運營。


undefined


要實現全覆蓋的傳感器網絡,就要把城市當中的燈杆、監控杆、基站杆轉化成多重功能合一的智慧杆,這樣既能夠構建無死角的傳感器網絡,又能夠提高政府的整體立杆利用效率。


這是一個面。點是什麽呢?實際上就是利用精細化運營,對一些重點場所一個點一個點地進行提高。比如火車站、商業街等城市門面,還有政府樓群,重要交通要道等地方。


2. 前後端結合


我們做了很多基础工作,其实是为了更高层的智能(即决策层AI),来真正的辅助智慧城市的管理,为未来智慧城市做准备。


我們在智慧零售、智慧商業、智能交通和精细化运营这四方面用的前端设备都是基于海思的主干IPC处理芯片和英特尔的MovidiusAI加速芯片。后端我們采用了一款叫“繁星”的设备,处理1500路视频的大项目,只需要20台服務器。


undefined


硬件是一方面,算法也很重要。因为智慧城市、精细化运营、智慧交通等行業的需求在不断深入,那么使用方和服務方就需要进行沟通交流,进行算法开发和优化。


另外,不同場景的算法也需要不斷優化,例如1:1的人證合一識別和非配合式監控場景的識別是有區別的。


undefined


上图是一个针对校园场景的人脸识别案例,这种场景下我們运用的算法是ReID,采用级联结构,在嵌入式、低功耗的环境下,识别每个目标仅需1毫秒。


其實應用場景非常多,例如智慧醫療、教育、養老、社區、樓宇等,但一個公司不可能每個細分垂直領域都做。未来十年最紧缺职业智能现在重点布局两大垂直行業:智慧城市和智慧商業。我們认为这是近年来即将爆发的两大行業。


undefined


在前端,我們利用多形态视频及物联网数据入口实现覆盖。


undefined


在大腦端,我們采用云边协同思路。AI芯片既要各自在前端完成基础工作,同时又要把信息及时传导到云端。把AI芯片直接安裝到攝像機裏。在已經安裝攝像機情況下,把AI芯片做到一個很小巧的盒子裏,視頻分析之後以低帶寬(3G/4G)的形式傳輸回去,或者只把關鍵信息傳輸回去,再進行後續分析。


undefined


在實際應用,我們能够帮助政府在智慧城市的推进过程中进行精细化运营,从而管控风险、提高服務质量;除此之外也能够帮助老百姓提高安全和效率。


最後總結一下,在精細化運營的實施層面。首先要有足夠密的觀測點去收集數據,此外,還要有好的頂層架構,整合數據的傳輸,進行雲邊結合,將硬件和軟件分離,系統和算法分離,這樣才能做出效果。


現在看來,整個工程成本很大,但這個系統是剛需,其目的是提高城市管理效率和水平,提高老百姓的體驗,形成良性循環。


现在未来十年最紧缺职业在做的是一些信号控制和数值优化,第二阶段我們会进行人机结合,优化反馈模块,最后一个阶段会去积累经验,预测未来从而辅助决策。


我們认为,要實現真正的“智慧城市”,未來十年是大有可爲的黃金時代。