0
“算法幾乎沒有什么門檻了。”
有不少人如此認為。
當AI初創(chuàng)企業(yè)層出不窮，開放式平臺日漸增多，幾年爭奇斗艷下，算法的確不再是九天月，遙不可及。
算法、算力、數(shù)據(jù)的人工智能三要素中，算法逐漸被合力攻下，不再為少數(shù)人獨有算法，逐漸滲透進蕓蕓產業(yè)，落地至萬千場景時，新的市場模式誕生：
不少企業(yè)做起了“算法商城”的生意，打造計算機視覺領域的APP Store。
算法是否真的沒有門檻？像下載APP一樣購買算法的算法商城模式，真的可行嗎？
市場太大，供應太少。
這是催生視覺算法商城的沃土。
AI等技術日趨成熟，AI正從安防、交通等領域走向全域。
未來5-10年，AI市場將達千億、萬億級別已是不爭事實。
人臉識別和車輛識別金字塔尖底下，藏著一個巨大的腰尾市場。
海量的碎片化市場里，存在著萬千被忽視的小場景。
火焰識別、吸煙識別、樓道障礙物識別、快遞爆倉識別、疲勞駕駛檢測......
無數(shù)散落在全國各地區(qū)、各行業(yè)的AI需求，像潺潺流水的小溪，正流淌、貫穿出一副山河巨制。
它碎片化、客戶體量小、項目規(guī)模小，營收小，但勝在數(shù)量多，如毛細血管般的市場，正成為腰尾部市場走上臺前的重要砝碼。
但，不僅扎根于AI腰圍部的市場少之又少，也沒有一家公司能涵蓋所有算法。
由此，不少人認為，計算機視覺算法平臺，是AI發(fā)展的必然未來式。
主張軟件定義的華為便是其中之一。
強勢入圈安防的華為不斷亮出新的底牌，包括2019年的算法商城。
算法商城，可視為華為軟件定義攝像頭、連接合作伙伴上的進一步延續(xù)。
在華為看來，線下場景千千萬，一個硬件一種算法將成為過去。
算法快速發(fā)展的需求。AI時代算法、軟件更新?lián)Q代的速度遠遠快于過去，每月乃至每周都有版本升級。
需求多樣性。單一算法需要精準度會不斷提升，未來更需要人臉、人體、姿態(tài)等多維度數(shù)據(jù)輔助。
運維管理智能化。未來算法多樣性，場景多樣性，以及全網攝像機的管理，需要一個可視、可管理、可遠程控制的產品，與云端互動，實現(xiàn)在線加載、升級、管理。
智能攝像機根據(jù)不同的場景按需加載不同的軟件和算法，通過多特征提取與識別、多攝像機間的協(xié)同、端云間的協(xié)同成倍地提高智能分析效率。
通過算法平臺，結合生態(tài)伙伴，賦能千行百業(yè)。
不難發(fā)現(xiàn)，這與華為對安防碎片化場景的理解一致。
華為一直嘗試重新整合安防的碎片化，又或者，重新定義安防市場。
段愛國曾接受雷鋒網AI掘金志的專訪時提到，碎片化是傳統(tǒng)安防的思維慣性和遺留問題，歷史時期，數(shù)據(jù)的確是碎片化的。
但傳統(tǒng)時代，數(shù)據(jù)不是關鍵；智能時代，數(shù)據(jù)堪比石油，需要聯(lián)通、共享、匯聚，方能產生更多價值。
進入新的時代，碎片化已經是一個偽命題。
安防需要擁抱云和大數(shù)據(jù)，大聯(lián)網、大數(shù)據(jù)、大平臺、大生態(tài)。
但不少人對此持觀望態(tài)度。
他們認為，安防場景更多是產品定義。安防行業(yè)并不等于手機行業(yè)，不能簡單類比。
算法商城模式或者軟件定義的成立，需要考慮幾個必要問題。
1、細分場景是否有高頻的交互和算法需求。
To C 市場，APP Store或者算法商城也許游刃有余，以手機為例，人與產品不停地交互，聽音樂、看視頻、打游戲等，切換、升級、卸載軟件非常頻繁。
但To B/P市場，場景需求差異較大，用戶選擇某一產品，是基于其特定的需求和產品的功能。
人與產品沒有也不需要頻繁交互，軟件升級迭代頻率也不高。
比如超市攝像頭，目的是巡店、貨品管理、輔助結算等功能，切換算法的需求存在，但并不高頻和迫切，也無需人與產品長時間交互。
2、算法隨意切換的前提是硬件的高配置或標準化。
要實現(xiàn)設備承載不同的算法運行，要么設備參數(shù)配置高，要么標準化。
但即使同為某一品牌，幾百款不同產品，具備不同的芯片、傳感器性能、解析度大小、焦距遠近等，高配置和標準化似乎都難以實現(xiàn)。
跨越這些障礙，承載多算法、多應用也許需要時間和技術，算法商城提供商需要考慮的問題。
3、市場大小和成本考量。
正如前文所述，海量的腰尾部市場中，碎片化、客戶體量小、項目規(guī)模小，營收小，單個細分領域市場并不大。
這對算法商城的算法開發(fā)、研發(fā)成本提出極高要求。
算法的成本在于開發(fā)和驗證，目前的算法模型訓練，是否收集到足夠多的場景數(shù)據(jù)是關鍵。
針對AI視覺算法商城話題，雷鋒網AI掘金志采訪了數(shù)位業(yè)內專家、企業(yè)高管，對于AI視覺算法商城模式，企業(yè)家們有著共識，也有各自不同的選擇和看法。
業(yè)內某高管 1：邊際成本、客戶能力、行業(yè)知識是關鍵
體量大的市場被頭部企業(yè)瓜分，細分場景的市場容量小，而算法投入大，研發(fā)成本要足夠低，邊際成本足夠低，且平臺能力、客戶能力在線，這個理論才有實現(xiàn)的可能，否則業(yè)務難以實現(xiàn)閉環(huán)。
以現(xiàn)在深度學習的技術，初步素材積累的工作量驚人。
算法平臺的技術可以攻克，核心是客戶的整體能力，否則平臺的意義不大。
更重要的是，在垂直領域，關鍵的門檻不是AI算法能力，而是行業(yè)知識。
算力、算法、數(shù)據(jù)技術壁壘之外，「場景、應用、知識」成了決定算法能否真正落地的關鍵點。
比如識別天氣，需要了解不同類別的云，生成原理，演變過程，還需要模擬測試環(huán)境和測試集；再比如識別豬，需要了解豬的全生長周期，每個周期具體情況。這些都需要長期深耕行業(yè)。
這些都需要深入到一線，與客戶溝通交互，獲得具體場景的認知，但這些是單個開發(fā)者不具備的。
業(yè)內某高管 2：軟件定義不是一個趨勢，是一種可落地的方式
軟件定義不是一個趨勢，是一種可落地的方式。
1、在成本面前，海量算法需求并非都能被挖掘且落地。
首先，算法的豐富性需要達到一個量級。
其次，算法研發(fā)需要巨大的成本投入，比如，可落地的算法需要訓練海量的樣本，但樣本積累的工作量巨大：
需要10萬量級的樣本，才能訓練出80%的精確度，且抓取數(shù)據(jù)后，需要以張為單位的甄別樣本，并標定。比如寵物識別，就需要上百萬級別的數(shù)據(jù)和標注工作量。
根據(jù)目前深度學習能力，小樣本難以實現(xiàn)高精度。市面上買來小量樣本訓練，可能只達到70%精確度，誤報率非常高，難以落地。
目前為止，之所以AI在人、臉、車落地效果較好，是因此類頭部領域積累的樣本足夠豐富。
另外，客戶群體、渠道等問題是變現(xiàn)的核心環(huán)節(jié)，并非算法單維度。
手機的軟件定義之所以成功，一是足夠多的應用，二是手機APP本身的研發(fā)非常輕量化，且研發(fā)完后變現(xiàn)很快。
只有那些掌握了客戶群體，掌握了產品，掌握了渠道，有實力的公司，慢慢去運營，才有可能。
2、攝像機本身的碎片化，讓大規(guī)模應用難度大。
與手機僅有兩個系統(tǒng)，任何應用都能運行不同，攝像機內在芯片和硬件都不同。
比如海思的芯片，從幾美金到幾百美金不等，不同芯片上的算法并不兼容。
有些算法需要2T的算力才能運行30幀，有些算法可能只需要0.5T就夠了。把高算力的算法放到低算力的產品上，難以得到想要的效果。
而且算法落地后受攝像機的成像影響很大，即使是同一品牌的產品，不同產品型號之間，鏡頭廣角、傳感器等的質量都不一樣，最終對算法的效果都有影響，所以大規(guī)模產品應用較難。
業(yè)內某高管 3：算法商城需要經歷教育市場的過程
每個新的行業(yè)，會先經歷供給創(chuàng)造需求，再需求拉動供給的階段。
正如蘋果迭代幾代后，才開始在To C市場大面積普及，人工智能落地時也如此，在教育中得到反饋并不斷迭代。
算法商城需要經歷一個教育市場的過程。
智能安防攝像機的應用程序并不是一個新概念。
隨著深度學習技術的進步，基于應用程序的生態(tài)系統(tǒng)與視頻分析的同步興起，更多基于深度學習視頻分析的應用，將被更多攝像機所兼容，算法應用的角色也變得更為突出。
在各種場景上，攝像機與場景的組合十分復雜，但近年來，越來越多的智能硬件產品已在迭代跨越這些障礙。攝像機正從單一功能的終端，向多應用聚合的平臺轉變。
當基礎設施完成后，依托云，構建一個類似于APP Store的模式，于用戶，只需要下載算法，就有新的AI支持。
對于大公司來講，這也是持續(xù)發(fā)展的優(yōu)選，硬件敲門，軟件做增值服務。
在更宏觀的層面上，大廠可利用體量和品牌優(yōu)勢，結合合作伙伴的能力，加速數(shù)據(jù)融合和算法開發(fā)。
初創(chuàng)企業(yè)，以完全獨立的第三方平臺的角度切入，是能幫助智能化能力不高的企業(yè)在智能化時代立足。
大華股份資深算法工程師：深入業(yè)務場景，構建算法全鏈路技術研發(fā)和高質量交付能力
無論是行業(yè)算法還是算法商城本質還是希望通過智能化技術讓客戶能快速、精準解決他的業(yè)務痛點。
但隨著數(shù)字化轉型的不斷深入，各行各業(yè)對于智能化的需求越來越多，需要產業(yè)提供在更細分場景下的定制算法，導致了需求越發(fā)“碎片化”，并且市場對算法交付要求也不斷提升，需要開發(fā)者在深入理解行業(yè)痛點前提下，進行定制、精準、快速、可控的算法開發(fā)。
當前主流算法商城普遍上還是基于圖片識別，有一定可行性，但普適性不高；同時，對于部分通用的成熟型算法，由于應用場景差異較小，基礎模式即可滿足需求。
因此，我們在實現(xiàn)人工智能產業(yè)化落地中，始終貫徹“場景牽引”、“可商用”、“快速定制交付”的理念，聚焦從數(shù)據(jù)管理、算法訓練、人工智能應用開發(fā)、跨平臺部署、產品仿真驗證、發(fā)布交付的全鏈路技術研發(fā)和閉環(huán)管理，在此基礎上我們自研了巨靈一站式人工智能開發(fā)平臺，為各行業(yè)提供一站式算法及方案開發(fā)交付支撐能力，從而實現(xiàn)算法高質量的定制化敏捷交付，大幅提升算法產業(yè)化落地效率。
以交通行業(yè)為例，杭州的綠色停車方案（早餐店、便利店等附近車位20分鐘內免費停車）緩解了杭州市民短時停車難的問題，所以一經推出，廣受好評。
這背后是開發(fā)人員切實理解從違章處罰到便民管理的行業(yè)需求，有針對性的開發(fā)定制，最終提供真正滿足客戶需要的算法方案。
非現(xiàn)場違章審核算法更是如此，由于不同地區(qū)判罰標準不一，需要開發(fā)人員重新梳理需求，打磨算法，才可真正降低交警人工復核工作量。
目前，通過深耕行業(yè)核心業(yè)務，大華股份已開發(fā)20余個細分行業(yè)算法方案，100多類場景化算法功能，后續(xù)也將持續(xù)加強端邊云算力協(xié)同，加快算法靈活加載到全產業(yè)鏈，滿足成本與性能的行業(yè)智能差異化需求。
曠視高級副總裁陳雪松：初期先有算法后有商城，可用度是關鍵
算法商城應該是有算法之后才有商城，而不是有商城后再有算法。
與其說是生態(tài)的問題，不如說是行業(yè)發(fā)展階段的問題。
算法商城應該在整個算法行業(yè)相對穩(wěn)定和固化的背景下成立。
比如APP Store，是在有了很多可用的APP之后才開始出現(xiàn)和繁榮，最早大家都是直接在對應的網站下載，是APP的大量產生，催生了Store，這是初期階段的一個關鍵因素。
另外，算法的可用度是商城的關鍵。
目前用戶對算法（無論是主流算法還是長尾算法）關注的焦點在可用度上，而非數(shù)量規(guī)模。
只要它可用，用戶可以接受，就能快速應用。反之，快速迭代出來的算法不可用，對于用戶來說價值為0。
目前算法提供商應該將精力放兩個方面：核心算法的可規(guī)模化、可用度上，長尾算法的快速生產能力和可用度。
細分領域有很多細碎的產品，比如城管有36類大的管理事件，共2230個產品。
占道經營、車輛違停、垃圾溢出、道路基礎、井蓋位移等需求均具備不同環(huán)境，需要不同的產品。
快速迭代的生產能力和可用性是關鍵，且有一定瓶頸。
目前，在城管領域，垂直行業(yè)的小樣本快速訓練可取得很好的效果，但要賦能全行業(yè)，還有很長的路要走。其中涉及方法、訓練平臺，數(shù)據(jù)標定工具和模型生產，這是一個系統(tǒng)化的工程。
其次，計算模型的優(yōu)化，目前算法商城的提供商在算法的優(yōu)化和匹配上難以達到落地效果。
業(yè)務有過一次大測試，結果顯示，算法商城的單一算法運營效率比算法獨立運營效率的慢三倍，也就是說，算法商城需要三臺服務器才能實現(xiàn)后者效果，這意味著用戶要為硬件多付3倍的錢。
云從科技聯(lián)合創(chuàng)始人姚志強：AI通用化和開發(fā)門檻程度不足，可考慮把算法集成到操作系統(tǒng)中
AI算法商城不是一個偽命題，但目前看來前景有限，因為人工智能的通用化、開發(fā)門檻與成本還沒到降到一定程度，所以最理想的做法是把AI算法工廠集成在操作系統(tǒng)中，操作系統(tǒng)提供基礎算法+行業(yè)場景+產品模塊。
以云從為例，云從人機協(xié)同操作系統(tǒng)，簡稱CWOS（Cloudwalk Operating System），是運行在通用操作系統(tǒng)或云操作系統(tǒng)之上，提供人機協(xié)同相關算力、算法和數(shù)據(jù)管理能力和應用接口的底層軟件系統(tǒng)，專為人與計算機之間進行自然交互、協(xié)作完成復雜業(yè)務而構建，同時為開發(fā)者設計研發(fā)人機協(xié)同智能應用提供全面支持，旨在降低人工智能應用門檻、提升人類與機器智能進行協(xié)作的效率和體驗。
CWOS目前將研發(fā)方向劃分到七個技術板塊，其中涉及的算法工廠包含了一系列持續(xù)保持業(yè)界領先的基礎AI能力，包括：泛人臉識別、視頻理解、場景化OCR、語音識別與語音合成、自然語言處理等。
另一方面，通過一站式的模型服務，為人機協(xié)同操作系統(tǒng)提供基礎AI技術的生產能力，可以管理全生命周期的AI建模過程，對人工智能生產效率有數(shù)量級的提升，同時顯著降低了人工智能技術門檻。
杉地科技 CEO 傅劍輝：共性不是痛點，安防不存在太多模式，靠的是產品和服務
算法商城很難做到手機的APP Store，下載就能用。
它能夠解決一些場景30-50%的共性需求，但不能解決行業(yè)的特性需求，需要定制化。
目前人和車的算法基本能滿足絕大多數(shù)需求，但很多領域不具備共性，比如工業(yè)、水質、環(huán)保等等。
短期看，在這種體系中，商城滿足不了用戶的核心需求。正如目前很多AI攝像頭具備了一定的AI功能或算法，但行業(yè)客戶真正用的時候，不會選擇。
長遠看，AI+場景不斷垂直領域化，即行業(yè)化，垂直行業(yè)的算法商城模式是可行的，前提是其長期專注某個領域，聚焦行業(yè)場景算法。
即使算法商城與行業(yè)頭部企業(yè)合作，也需要經歷較長時間的打磨。
共性不是痛點，AI不能顛覆性解決問題，只能在效率提升和流程優(yōu)化上加速。
比如AI+醫(yī)療就是一個門檻極高的行業(yè)，截止目前全球范圍內，AI在醫(yī)學只是輔助，而不能決策。
對于AI算法公司，基礎模型算法開源，但核心競爭力算法不會開放，這些付出了AI企業(yè)巨大是AI企業(yè)的核心競爭力之一。
另外，硬件平臺和操作系統(tǒng)平臺都是對開發(fā)者巨大挑戰(zhàn)，即使具備了平臺能力，硬件和芯片等難以統(tǒng)一，真正用起來比較難。
安防行業(yè)不存在太多商業(yè)模式，靠的就是產品和服務。
極視角 CEO 陳振杰：「算法商城+開發(fā)者生態(tài)」的模式適合90%的碎片化市場
根據(jù)Gartner發(fā)布的2020人工智能技術成熟度曲線，計算機視覺技術已趨于成熟，相關產業(yè)正在經歷洗牌。
人工智能視覺領域已經由技術萌芽階段、頭部場景落地階段，發(fā)展到大規(guī)模工程化應用階段。
在這一階段，市場對于人工智能技術落地提出了兩大核心訴求：
算法品類的豐富度與算法的高性價比。
未來會有10萬種以上的算法，每個垂直行業(yè)有幾十種算法需求將成為標配。去到行業(yè)會發(fā)現(xiàn)，僅僅交通場景，就有近100種算法。
與游戲行業(yè)類似，AI賽道未來必然有兩個方向：一是專業(yè)化分工，一是平臺的出現(xiàn)。
頭部客戶的頭部需求，將由頂級科學家供應；頭部客戶的場景需求和行業(yè)客戶全鏈條需求，將由初級、中級、高級開發(fā)者供應。
公安、交通、金融等頭部場景的需求，將由頂級科學家供應，而90%的腰尾部市場需求則更加適合利用“算法商城+開發(fā)者生態(tài)”的模式進行供應。
極視角想要建立的AI算法平臺，將連接算法開發(fā)者和算法需求方，提高視覺算法開發(fā)者效率。
極視角的商業(yè)模式，連接了算法需求方與算法開發(fā)者，通過為開發(fā)者提供人工智能底層開發(fā)平臺，與開發(fā)者共創(chuàng)海量視覺算法；B端算法需求方則可以根據(jù)所需場景，在算法商城中自由選擇算法進行部署應用。 雷鋒網雷鋒網雷鋒網
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
