2020年9月5日，由雷锋网& AI掘金志主办的「第三届中国人工智能安防峰会」在杭州正式召开。
本届峰会以「洗牌结束，格局重构」为主题，会上代表未来新十年的15家企业，为现场1000余位听众和线上几十万观众，分享迎接安防新十年的经营理念与技术应用方法论。
峰会之上，大华股份先进技术研究院院长殷俊带来了题为「AI 行业应用，产业升级」的精彩演讲。
殷俊认为，AI经历了理论研究的1.0、智能落地的2.0，目前处于行业智能的3.0阶段。
AI 1.0时期是“两耳不闻窗外事，一心只读圣贤书”，计算力不够，数据有限，算法不成熟；
2.0阶段是“纸上得来终觉浅，绝知此事要躬行”，算法、算力有了突破，成熟的算法寻找落地场景；
3.0阶段是“忽如一夜春风来，千树万树梨花开”，行业最需要的不仅是一套算法、一套系统，而是企业解决客户痛点和需求的能力。
在行业智能背景下，人工智能需要具备的基础能力包括：一是AI技术泛化、快速迁移新应用的能力；二是应用牵引，快速适配新需求的能力。
殷俊认为在3.0阶段是应用主导个性化和AI解决方案的敏捷交付。
在这个过程中，首先要构建人工智能解决方案的端到端体系化能力，大华已经在四个方向做了重点布局：系统架构、数据智能、智能工程化、智能技术。
除了构建以上核心能力，大华还开放全栈能力，赋能行业生态，并在实战中持续积累人工智能核心技术，针对全场景理解、小规模数据、泛化能力、多任务学习和AutoML的人工智能五大技术挑战，开展实践探索，并已取得出色的实战应用成果。
最后，殷俊强调，AI目前还是依赖人工为主，大华希望未来在行业共同努力下，能够真正转向AI的自我智能，推动行业智慧化落地。
大华股份先进技术研究院院长 殷俊
以下是殷俊现场演讲全文，雷锋网作了不改变原意的整理与编辑：
殷俊：大家好！感谢雷锋网的邀请，在座的有很多都是老朋友了，非常开心每年都能够和大家聚一次。
过去三年时间，我们一直在讨论人工智能到底是什么？
如今，AI已经可以赋能各行各业，包括在很多碎片化场景中，也可以看到AI的身影了。今天我想跟大家分享的话题是：“AI行业应用，产业升级”。
过去两年，数字经济这个词特别火热，安防也被称之为数字安防，数字安防实际上经历了很多次的更新与迭代。
从最早的数字化、网络化到今天的智慧化，AI的到来使得智慧化转型成为可能，在践行的过程中，我们首先需要思考：AI如何才能实现商业化，毕竟技术不可能一直投入，得不到产出。
2018年，在雷锋网组织的第一届人工智能安防峰会上，我们探讨了AI如何去推动行业变革。
2019年，在雷锋网组织的第二届人工智能安防峰会上，我们谈到了如何去提升场景化的应用体验。
今年，我们将谈谈AI如何真正持续落地，产生商业价值，以实现智慧化转型。
首先我们认为，AI已从1.0阶段发展到了今天的3.0阶段。
什么叫AI 1.0阶段？这个阶段大家都在研究各式各样的算法，我们可以形象地称之为“闭门思过”。
为什么会这样？因为那时候计算力不够、信任度不够、算法不成熟，数据也很稀缺，所以也可以总结为：两耳不闻窗外事，一心只读圣贤书。
AI 2.0阶段，算力得到了一定的突破，算法也可以阶段性落地，譬如之前的车牌、人脸等识别，可以用AI进行部分功能替代，这个阶段我们总结为：纸上得来终觉浅，绝知此事要躬行。
今天到了AI 3.0阶段，我们要谈的不是做出一套非常厉害的算法、也不是做出一套非常厉害的系统，而是需要弄清楚客户究竟需要什么功能？而我们能够提供什么样的能力？
这个时候就会发现，真正的3.0阶段可以称之为：忽如一夜春风来，千树万树梨花开，也就是真正到了万紫千红绽放所有的行业生态的阶段。
面对这个阶段，大量行业应用驱动人工智能需求的快速加载，为匹配智慧化的服务要求，两大能力最为关键。
第一，AI技术要能够泛化。不同行业会有很大的差异，但基础的AI能力能够快速迁移到新应用，比如大华以前做车牌识别做交通管控的应用，在民生服务领域，大华将这个技术快速迁移，应用到智慧停车场及绿色停车位等领域。
第二，面向一个新型、突发性的应用需求，能够有快速适配的能力。正是因为具备这样的能力，在今年疫情之初，大华在短短的7天时间实现研发并量产超高精度的测温系统。
基去这个两个点，以人工智能为工具，可以为包括政府端、企业端、To C端提供各类各样的智慧化服务。
另外，AI 3.0阶段还应该是应用主导个性化AI解决方案的敏捷交付。
在这个过程中大华认为，首先要构建人工智能解决方案端到端的体系化能力，重点构建系统架构、数据智能、智能工程化、智能技术四大基础能力，保证我们做实智慧化的应用服务。
同时，不仅仅要聚焦人工智能本身，更重要的是通过物联网与人工智能的融合，积极、高效响应各行业的应用需求。
幸运的是，身处AI 3.0阶段，大华已经锻造了三种能力：
第一，我们有一套完整的技术体系架构，基于丰富的硬件与软件资源，大华已实现了以业务导向的快速定制体系，解决了AI加载、算力与资源调配、安全等实际问题，从而保证技术快速落地，实现高质量、高可靠性、弹性的稳定交付。
第二，我们有一套完整的数据智能闭环，在数据智能上，除了解决智能化本身的问题，还需要建立数据从“数据获取、数据治理、数据管理到数据分析”的完整的数据链路闭环。大华利用长期积累的大量行业经验、实践经验、数据经验，建立了一整套从感知到智能到数据环境的数据智能的闭环。
第三，我们有一套完整的工程体系，大华已建立面向人工智能快速部署的完整工程体系，加快从技术到产品到商业落地的转化效率。此外，在整体系统运行上，大华在端、边、云的数据统一、系统调度和数据链路做了大量的工作，实现真正的端、边、云数据协同，从而保证系统最优地运行效率和用户体验。
基于刚才所提的架构体系，我举一个例子。
比如我们基于自身的感知能力做生态环保，可以真正面向客户的作业管控需求，形成一个完整闭环；同时我们还会根据业务的不同实现快速加载，完成服务端可弹性的兼容，如标尺、污染物、水表、卡尺等方面的应用，以及未来在生态环保方面其他更多的业务应用需求，都可基于我们弹性的技术架构做到快速扩充。同时在中间能力方面，包括基础设施、IoT物联网等能力也可以无限拓展。
回到数据智能，我们认为在整个数据世界里面其实什么都没有，唯一有的要素就是数据。
对于数据来说，从采集到应用，其实整个过程非常辛苦。通过人工智能等手段去做感知数据的真正结构化，这是一个层层递增的纬度问题。基于此，去年安博会期间，大华提出了通过AIoT构建我们的四维数字世界，来构建智慧孪生的过程。
在这个构建过程中，我们认为人工智能不是一个点状的问题，而是一个产业链的问题。
人工智能的应用不会是单一算法问题，而是以全链路的数据为基础，强调的是通过数据智能与人机协同，用贴合业务的人工智能解决方案满足智慧化的需求，这对在线系统的全网设备与计算能力管控与调度，人工智能的加载，多维度感知技术等提出了更高的要求。
所以大华在构建人工智能体系的过程中，考虑到了包括算力的构建、核心算法的构建、面向各个行业应用的构建，以及我们如何去覆盖各个产品类型的逻辑。
当然，只是解决了数据智能化还不够，还需要对数据进行挖掘、整合、分析。
所以我们构建了一条完整的数据链路，从数据管理、数据治理、数据知识加上人的经验，来实现数据智能的闭环。
我们认为，此前的数据智能更多的还是基础智能加上人工经验辅助，还不能达到自我智能。
未来，从经验式的数据智能，到自我决策的逻辑，需要通过大量的数据经验、人为经验，包括行业经验，来满足我们在数据智能这方面能力的提升。
另外一块是工程化逻辑，就是如何能够快速产生人工智能能力。
我们在构建这方面能力的时候，主要考虑到了两个点：第一把整个平台做好，这样才能做到从数据到算法快速的生成。
第二需要满足现场快速定制化的要求，包括数据隐私、数据安全性问题。
基于此，我们构建了一大一小两大数据训练平台，包括大华巨灵人工智能开发平台、大华巨灵人工智能开发工作站，以实现我们的AI快速标准化和定制化的过程。
同时，我们也发现，近几年中国出现了很多芯片公司，我们会面临更多芯片的选型问题。基于此，我们也构建了一套完整的供应链体系，来实现面向所有芯片的快速部署，加快我们从技术到产品，到商业落地的转化效率。
另一方面，在整个系统中，我们还要完善端侧、边侧、云侧大小系统融合过程中数据连通、数据融合、数据一致性的问题，来优化全网资源配置、算力统一调配，保证数据一致性。
除此之外，我们还要和合作伙伴们去做互联互通。
从云端到智能应用，从算法仓库到硬件产品，我们在每一层都会提供开放能力，我们希望和所有合作伙伴一起开放共赢。
当然，AI虽然现在可以做到部分商业化落地，但未来还有很大的提升空间。
我们认为人工智能未来在五大方面可能会有比较大的提升，包括全场景理解、小规模数据、算法的泛化能力、多任务学习以及AutoML过程。
先来谈谈全场景理解。以前的交通路口AI应用，其实只能叫做半人工智能，因为很多规则需要提前部署，我们会划出很多规则线，告诉相机哪个是斑马线、哪个是红绿灯、哪个是道路线，这个工程量其实很大。
后面我们把交通要素全部标识出来，做成了一个全域智能模型，也就是说不用再人工配置了。
对于产品解决方案来说，这是一个非常好的提升方向。我们认为，未来的AI发展趋势，在于对全环境的感知，让它能够自适应理解全场景，而不用人为地告知目标对象属性。
小数据这个问题，刚才杨教授也讲到了，未来不会有大量的数据给到你，需要你通过数据生成和迁移学习快速实现新功能开发。
其实通过小量数据样本，也可以得到一个比较好的数据模型，我们会做一些训练模型，希望通过这些尝试，帮助人们快速降低算法成本。
第三块叫做泛化能力，视频应用环境各式各样，有白天、晚上、下雨、曝光，不同环境下的成像都不太相同。
这时候通过我们的系统能力去提升算法的鲁棒性，来减少对场景的依赖至关重要。我们认为实战是检验算法性能的唯一标准，而不是实验室指标高一个点、低一个点。
再来，我们还要解决多任务问题。为了实现一个场景应用，现在一套算法做下来，可能有十几二十个模型。未来，我们希望利用多任务学习技术，提升计算资源利用率，在有限计算资源的条件下，实现多算法融合，让算法训练更简单。
最后一点，这也是我们的一个梦想，我们希望通过AI的设计语言，来实现编译部署和编译环境。大华内部有一套DAIL的编译器和语言，虽然大部分的内容还是开源或者引入。但未来我们也希望能够开发出一套国产化的EDA工具，来简化整个行业智能算法的开发和部署过程。
今天讲到了很多内容，总结一下，主要有三个点：
1、AI会长期处于第三阶段；
2、应用会主导AI个性化发展；
3、AI目前还是依赖人工为主，未来会真正转向自我智能，实现人工智能的快速落地与技术普惠。
最后，感谢雷锋网给我这次分享的机会，谢谢大家。
正在生成分享图...
林觉民