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(fā)自 凹非寺

量子位 | 公眾號 QbitAI

這年頭，日常生活里的AI應(yīng)用，那可真是細(xì)到頭發(fā)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(qū)里，高空拋物令人頭大，但有AI站崗，便能直擊現(xiàn)場發(fā)出警報。

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

工地等安全系數(shù)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(xiàn)在不再需要專門安裝新的智能攝像頭等設(shè)備。

說出來你可能不信，以上所有場景所有任務(wù)，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(yīng)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(shè)備，內(nèi)置一顆AX630全國產(chǎn)AI芯片，INT4算力達(dá)28.8TOPS——

妥妥的一個邊緣計算產(chǎn)品。

可如果加上其背后的一大堆AI算法，事情就發(fā)生了一些變化：

有了算法加持，再通過RTSP（實時流傳輸協(xié)議）、國標(biāo)等協(xié)議與前端相機(jī)產(chǎn)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(wù)，適配加油站、社區(qū)、園區(qū)、工地等各種應(yīng)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(tǒng)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(lián)網(wǎng)智能設(shè)備不同，這只魔方盒子的側(cè)重點不在硬件，而在算法。

甚至可以說，這個硬件最終的產(chǎn)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(chǎn)品就能應(yīng)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(lián)網(wǎng)行業(yè)現(xiàn)狀說起。

長期關(guān)注AI的朋友們都知道，安防是AI最早應(yīng)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(yè)，圍繞AIoT?（人工智能物聯(lián)網(wǎng)）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(lián)網(wǎng)場景，遠(yuǎn)不止于安防。

2021年的數(shù)據(jù)顯示，在AIoT領(lǐng)域，AI的滲透率僅為4%，還有96%的場景沒有被AI滲透。

數(shù)據(jù)背后，反映出的正是AIoT當(dāng)下面臨的最大痛點之一：需求的碎片化。

從技術(shù)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(yè)務(wù)中，算法可以不斷復(fù)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(dāng)前的AI技術(shù)，無論是數(shù)據(jù)采集還是算法復(fù)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(tǒng)解法：海量硬件+定制算法

如何解決？

傳統(tǒng)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(shè)備。在這樣的產(chǎn)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(qū)舉例，如果一個社區(qū)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(shè)備。然后根據(jù)這些具體的需求，去分別下單、采購不同類型的產(chǎn)品。

如此一來，就對現(xiàn)場規(guī)劃和勘點提出了較高的要求，并且一旦設(shè)備部署進(jìn)來，要對不同點位的功能進(jìn)行調(diào)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(lián)網(wǎng)場景下，“海量硬件 + 定制算法”欠缺靈活性，硬件建設(shè)和維護(hù)成本較高，基本上想要針對新需求部署新算法，就得重新?lián)Q硬件。

其二，更深一層從技術(shù)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(xié)，在業(yè)務(wù)需求和硬件之間做平衡，導(dǎo)致最適配的算法往往并非最優(yōu)解。

新思路：軟硬一體，最大化算法優(yōu)勢

面對這樣的市場現(xiàn)狀，曠視作為一家以AI算法技術(shù)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(qū)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(shù)量之后，只需采購統(tǒng)一的硬件。

而后，再根據(jù)具體規(guī)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(jiān)測電瓶車是否進(jìn)入電梯，那么就加載安裝電瓶車檢測的算法包。

后續(xù)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(jié)一下，在魔方盒子這一類產(chǎn)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(fā)，自研硬件。

通過加載不同算法包的方式，在一種硬件設(shè)備上形成不同的產(chǎn)品，使硬件本身更加通用、標(biāo)準(zhǔn)化。

如此，站在用戶的角度來看，一方面，在舊有的系統(tǒng)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(xiàn)。

另一方面，產(chǎn)品本身從算法出發(fā)，最大化發(fā)揮算法的優(yōu)勢，能實現(xiàn)更高的性價比。比如通過算法來針對性地優(yōu)化較低等級的新品，使其達(dá)到更高的算力、精度水準(zhǔn)。

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(fā)平臺的完善，硬件將進(jìn)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(chǎn)品帶來新功能。

AI公司突圍之機(jī)

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

在供應(yīng)鏈、渠道等商業(yè)領(lǐng)域，傳統(tǒng)強(qiáng)企無疑具備先發(fā)市場優(yōu)勢，這使其在以硬件為主導(dǎo)的標(biāo)準(zhǔn)化產(chǎn)品領(lǐng)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(chǎn)硬件產(chǎn)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(jī)。

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(zhì)上是直接面向各種應(yīng)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(yīng)用場景需求。

相較于傳統(tǒng)強(qiáng)企，AI公司的核心優(yōu)勢，還是體現(xiàn)在對于AI技術(shù)的長期鉆研和深入洞察。這種優(yōu)勢具體體現(xiàn)在：

• 在基礎(chǔ)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(yè)領(lǐng)先地位的算法精度；
• 算法量產(chǎn)能力，能夠高效產(chǎn)生海量算法，降低算法生產(chǎn)門檻；
• 更具可擴(kuò)展性的平臺，能根據(jù)用戶場景的變化，實現(xiàn)高效靈活的算法迭代；
• 具備軟硬一體化的產(chǎn)品能力，最大化算法優(yōu)勢。

……

如此看來，在AIoT時代，以AI算法見長的AI公司，已經(jīng)具備了先發(fā)優(yōu)勢。