理財

青桐資本邀請文安智慧陶海,從AI角度談未來智慧城市_資料

人工智慧技術是青桐資本重點關注的領域之一。3月13日,我們邀請 文安智慧CEO陶 海博士 , 從AI技術角度詳細解析了未來城市的發展。

以下為陶海在“青桐大咖說”第37期上的分享內容(圖片和內容均由文安智慧提供):

# 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。 我們可以從視訊和非視訊兩個方面來分析。

1. 視訊方面

從視訊清晰度來看,攝像頭已經從模擬→720P→1080P高清→4K 800萬畫素超高清。從智慧功能上來看,最近一兩年開始可以人臉抓拍,2019年開始有路面、人、車、非機動車的結構化相機等等。

但總體來講,目前視訊發展主要還是停留在採集階段。未來,前端相機的智慧會越來越多,結構化會做進去,有一些專用的檢測也會做進去。

2. 非視訊方面

現在各地主要的工作是把各個委辦局固有的資料建一個IDC,然後打通。這是比較繁雜的一個工作,因為每個委辦局的應用系統都是不同年代建立的,要找到相應的軟體開發商對接協議對接SDK,再垂直把資料融合在一起,起到資料中臺的作用。匯聚完資料之後,才可以把政務服務合一,提供給上層的智慧應用。

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

# AI技術發展趨勢與挑戰

1. 提升原創演算法能力

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 攝像頭不只用於公安和交通,還應更好地提升城市運營效率,服務於百姓生活。 因此, 智慧攝像頭需要做到兩方面:蒐集資訊和發現問題。

目前攝像頭基本的演算法元素是對人、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引數,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。

除了服務於交通,我們的智慧分析平臺還可以應用到城市管理,監測例如乞討賣藝、無證擺攤、垃圾堆放、亂踩草坪等行為。

當然,要實現這些功能,首先需要蒐集資料,再通過大樣本資料進行演算法開發深度學習。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. 建立私有云平臺

現在, 各地建設智慧城市的方式不一,主流的做法是通過AI Cloud 私有云伺服器儲存資料。 百度、阿里、騰訊也都進入這個市場做私有云儲存服務,同時很多專業的演算法公司針對細分垂直行業的需求進行深入演算法開發。

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

智慧城市感知層從架構上可分為,前端感知層AI和後端私有云上的感知層AI。為什麼要區分前後端,而不是集中在私有云上呢?其實華為、阿里等公司非常希望這些功能在後臺實現,因為最有利於私有云平臺部署。

3. “雲邊協同”

從實際應用來看,雲上AI和邊緣AI相互補充的“雲邊協同”模式才是未來的方向。 主要原因是現在攝像頭標準的畫素是200萬即1080P,但隨著識別任務精細度越來越高,對畫素的要求將達到4000萬,受網速限制無法完全將前端拍攝的視訊傳回後端雲。

所以,前端必須具備較強的邊緣視訊影象AI能力,進行基本的行為和事件分析,然後將資料傳回後端進行人臉資料對比、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。

我們深刻體會到做智慧城市AI一定要雲邊業務都覆蓋,兩邊產品都要有。 文安智慧很早就開發了針對交通的電子警察和針對shopping Mall的客流統計,後來又發展出智慧城市精細化運營和智慧門店這兩個廣闊的市場。

#AI思維助力智慧城市

我們可以將城市的“智慧化”分為兩種方案,“城市大腦”和“精細化運營”。

1. “城市大腦”

某些城市的“城市大腦”,現階段實際做的就是訊號控制(信控),用各種大資料來優化交通訊號燈。最後“智慧”出的結果是控制訊號燈的一些引數,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。

儘管這是非常狹義的“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,有控制演算法,然後使用到系統中,再觀測再優化。

我們現在把這樣一個閉環控制系統叫AI,或者叫智慧城市,但如果把它完全等價於人工智慧,這個有待商榷。

人工智慧真正的含義是用機器來模仿人的歸納、推理能力、實現真正高階的智慧功能。我們現在談的智慧城市很多其實就是反饋-控制-優化-自適應這麼一個框架。

2. 精細化運營

我用一組最好的引數來控制城市裡的部件(訊號燈、攝像頭等),它們相當於我在城市裡放的眼睛。用計算機去觀測、理解物理世界發生的事情,人在後面出預案解決問題,互相之間形成一個人機互動的反饋優化系統。我們管這種方案叫做城市的精細化運營。

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:在城市裡布足夠多的觀測點攝像機→用足夠好的演算法來抽取資訊→資訊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。

當前城市狀態,採用什麼預案能夠使得城市狀態變得更好?有人把智慧城市類比為下圍棋博弈,這個問題說來容易做來難。Alpha Go有明確的規則和大量訓練樣本資料,能快速行成策略。

但是城市不一樣, 城市的模擬非常困難,只能參考運用它的實際資料,況且城市運營資料又有限又難收集。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。

智慧城市的資料來源,由計算機視覺(從影象提取資訊之後得出的資料)、政府資料(公民的戶口、社保、醫保等)、網際網路大資料(滴滴、阿里、騰訊等提供的出行、支付、消費資料)一同構成。

資料來源的選擇和精細化運營密不可分。效果層面來看,只要安裝足夠的攝像機獲取資料,加上AI影象分析,我們就能夠及時發現問題反饋問題,幫助政府真正達到城市管理的智慧化。

# 文安智慧助力城市精細化運營

其實精細化運營涵蓋面很廣,文安智慧有2個策略:

1. 點面結合

既廣泛地收集大量資料,也在關鍵地點做重點運營。

要實現全覆蓋的感測器網路,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感測器網路,又能夠提高政府的整體 立杆利用效率。

這是一個面。點是什麼呢?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

我們做了很多基礎工作,其實是為了更高層的智慧(即決策層AI),來真正的輔助智慧城市的管理,為未來智慧城市做準備。

我們在智慧零售、智慧商業、智慧交通和精細化運營這四方面用的前端裝置都是基於海思的主幹IPC處理晶片和英特爾的MovidiusAI加速晶片。後端我們採用了一款叫“繁星”的裝置,處理1500路視訊的大專案,只需要20臺伺服器。

硬體是一方面,演算法也很重要。因為智慧城市、精細化運營、智慧交通等行業的需求在不斷深入,那麼使用方和服務方就需要進行溝通交流,進行演算法開發和優化。

另外,不同場景的演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。

上圖是一個針對校園場景的人臉識別案例,這種場景下我們運用的演算法是ReID,採用級聯結構,在嵌入式、低功耗的環境下,識別每個目標僅需1毫秒。

其實應用場景非常多,例如智慧醫療、教育、養老、社群、樓宇等,但一個公司不可能每個細分垂直領域都做。 文安智慧現在重點佈局兩大垂直行業:智慧城市和智慧商業。我們認為這是近年來即將爆發的兩大行業。

在前端, 我們利用多形態視訊及物聯網資料入口實現覆蓋。

在大腦端, 我們採用雲邊協同思路。AI晶片既要各自在前端完成基礎工作,同時又要把資訊及時傳導到雲端。 把AI晶片直接安裝到攝像機裡。在已經安裝攝像機情況下,把AI晶片做到一個很小巧的盒子裡,視訊分析之後以低頻寬(3G/4G)的形式傳輸回去,或者只把關鍵資訊傳輸回去,再進行後續分析。

在實際應用, 我們能夠幫助政府在智慧城市的推進過程中進行精細化運營,從而管控風險、提高服務質量;除此之外也能夠幫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資料,此外,還要有好的頂層架構,整合資料的傳輸,進行雲邊結合,將硬體和軟體分離,系統和演算法分離,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,形成良性迴圈。

現在文安在做的是一些訊號控制和數值優化,第二階段我們會進行人機結合,優化反饋模組,最後一個階段會去積累經驗,預測未來從而輔助決策。

我們認為, 要實現真正的“智慧城市”,未來十年是大有可為的黃金時代。

責任編輯:

Reference:理財生活通

看更多!請加入我們的粉絲團

轉載請附文章網址

不可錯過的話題