守林员小陈每天的工作，大部分时间都用来在林间巡逻，以便第一时间发现安全隐患。枯燥繁重的工作让年轻的他有点郁闷。

有天他举着朋友圈里转发的文章问领导，听说有地方都能用AI来识别山火了，咱们啥时候能用上啊，以后我也算半个用电脑上班的白领了。

领导懒得搭理他，新的智能监控摄像机刚安装不久，图像质量提升了不说，目标识别、异常行为监控之类的功能也都有了，哪里还有经费换个“火眼金睛”！年轻人啊，就是身在福中不知福！

小陈嗫嚅道：都不能及时更新，还叫智能啊……

类似的经历，正在城市的各个角落上演。

让摄像机看懂正在发生的事件并提出告警，已经在越来越多的智慧城市项目中落地，不过实现形式却各有不同。

目前，机器视觉智能分析主要分为两类：一种是前端智能化硬件分析，另一种是后端服务器分析。这两种部署方式的区别，主要体现在三个方面：

1. 时效性不同。

前端智能化，侧重于对视频进行实时分析，能够实现“事中报警”，比如在机场、高铁站，一旦发现移动目标出现了触发预定义分析规则的行为，就会引发联动；

而后端智能化则会先将前端摄像机采集的视频流存储到服务器中，根据预设的不同规则，从海量的数据中提取出相关信息，集中优势计算资源做更深入的分析，实现检测与事件检测的协同联动，方便“事后查证”。

2. 数据量不同。

实时分析与预警，需要前端智能化有较高的计算性能来支撑，如果把算法集成在硬件配置低的摄像机上，处理速度变慢，就会丧失前端智能的优势。因此，大部分前端只能运行相对简单的、对实时性要求很高的算法。

后端智能分析会根据需求配置足够强大的硬件资源，可以处理成百上千摄像机组成的系统所上传的数据，运行复杂的、允许一定延时的算法。

3. 成本焦点不同。

智能前置对摄像机提出了强大的软硬件计算能力要求，终端硬件成本比较高，好处是可以节省带宽资源，帮助后端减轻计算压力，同时实现无人值守，也能够节省人力成本；

而后端智能则需要在存储管理、传输带宽、服务器集群等方面进行较大的投入，来保障数据传输的稳定性，当然，分析运算的集中化也让算法升级、设备运维都变得简化。

那在现实中，究竟是“前端好”还是“后端好”呢？

用一句网络语总结，小孩子才做选择，成熟的大人当然是全都要。

前端的响应速度与稳定性，与后端的资源能力和全局视角，两者互为补充，可以更加贴近一线、事半功倍。

举个最简单的例子，当自动驾驶汽车走在路上，如果摄像机采集的内容还要传送到云端进行识别、判断、分析，一旦遇到网络不好的环境，那还没等指令下传，事故可能就已经发生了。最佳的解决方案，当然是由自带智能算法的前端直接完成实时的路况判断、障碍物识别、违法检测，而更复杂的线路分析等海量数据学习，可以在泊车时交给后端处理，岂不两全其美？

前后端协同，前端智能化是重中之重

既然前后端协同，已经成为视频分析系统的必然趋势，那么，如何以更低耗能、更低成本实现前端智能化，也就成为各行各业智能化管理中的当务之急。

一方面，尽管人们早已习惯了大街小巷摄像机的存在，但其中大部分是仅具备视频采集功能的传统摄像机，能“看清”就不错了，在视频线索查找时依然需要启动人海战术，消耗大量人力物力。

因此，能“看懂”发生了什么的智能化、数字化、高清化摄像机也就成了大势所趋。有数据显示，2019 年的前端智能化增速相比 2018 年，提升了 100%。

另一方面，越来越多的智能算法开始从后端转移到前端来完成。比如大家熟悉的车牌号识别、目标识别等等，能够有效减轻后端的计算压力，实时告警还可以有效降低漏抓误报的可能。

但在实际场景中，光线、姿态、清晰度等等，都有可能影响识别效果，这就要求前端有终端芯片、软件平台等基础的支撑，来使更多算法可以落地。

尤其是在多媒体技术不断更新迭代的情况下，文字、图形、影像、动画、声音及视频等不同形态的数据混合在一起，需要技术雄厚、结合具体应用场景来攻克的企业才能完成这一挑战。

就拿公共安全领域来说，有的是静态识别，比如车辆、颜色等等；有的是异常行为，比如突然加速、聚集、突然跌倒等等；还有的要针对移动物体进行智能化跟踪分析、复杂场景下的视频分析等等……这些都需要不断引入新的算法来解决。

从这个角度看，前端视觉感知的种类、数量和质量，直接决定了智能化程度的高低。

此外，前端智能化要实现工程上的成本最优，需要可以演进式地发展。其中就存在着不少阻碍，比如有的前端系统比较难接入和兼容，想要在监控功能基础上增加智能分析，往往需要重复安装摄像机，重复建设无疑会造成极大的资源浪费；

再比如，目前市场发展不均衡，有的厂家有算法但产品不足，有的厂家算法和产品都有但缺乏配套软件，最后呈现的分析效果和效率也都差异很大。

软件缺乏可持续的演进能力，最直接的结果就是很容易遭遇性能瓶颈，尤其是在摩尔定律接近极限、难以突破的现状下，智能摄像机每 3-6 个月就需要迭代一次，如果没有开放 OS 和相应软件来对系统进行自动升级，以及加速算法加载与迭代，那么前端硬件的内置算力会很快被极速的计算量耗尽。

正如图灵奖得主 David Patterson 所说，未来十年将是计算架构“新黄金十年”，通过架构优化、“软硬协同”的方式来提升整体计算性能，将成为大势所趋。

总的来看，尽管前端智能化的前途看起来一片光明，但它也受限于许多前置条件，比如低成本量产的嵌入式AI芯片、高性能场景化的垂直算法、全流程可演进的软件平台等等，没有这些，前端智能摄像机也很难飞入街头巷陌。

淬炼前端：华为的三个智能方程式

在前端智能化已经势不可挡的情境中，华为也结合自身大量的计算、存储、联接、云化、智能、安全等各个领域的技术积累与商业实践，在“全栈云、全智能、全场景”的机器视觉和大数据解决方案基础上，给出了一个体系完备、面面俱到的解题样本。

第一道方程式：AI 芯+算法商城，实现前端性能升级

算力是智能的基础，提供“软硬协同”的算力支撑，华为也有自己的思路：

一方面，华为软件定义摄像机（SDC）搭载专业AI芯片，算力最高可达 20T，可以在极致低功率、极致算力等不同场景中为前端释放极致算力。让硬件可以轻松实现如目标分类和属性识别等能力，甚至可以完全取代后端服务器来完成视频全量特征分析，提升实时响应能力。

此外，华为算法与应用商城 HoloSens Store 也应运而生，实现前端智能算法按需可选，在线加载，赋予前端越来越强大的能力。

第二道方程式：软件定义+按需适配，实现能力开放

智能视频监控系统往往会在城市的多个场景、多种业务下使用，比如白天要检测车辆排队长度、甄别事故，晚上则重点看护应急车道情况。如何最大化地根据个性化需求来进行设计，让前端智能能够快速响应、不断创新呢？

答案自然是允许合作伙伴开发多元化的垂直场景算法，这就需要开放性的软件定义来将底层硬件能力释放出去，实现多维感知传感器硬件等终端，以及多种软件能力的接入。

华为就基于容器架构，华为打造业界首创摄像机 OS，推出“软件定义”架构。以标准、归一化的软件运行环境，实现软硬件解耦，统一调用底层硬件的计算和编排能力、统一由操作系统封装，开发者只需要聚焦功能侧的能力，大大降低了开发门槛。

另一方面，通过一系列行业标准的北向接入协议，打造了开放的软件生态。合作伙伴在完成算法训练与开发之后，就可以快速集成 SDC OS 公共软硬件能力，打造成各自行业中具有差异化竞争力的商用产品。

这样做的好处是，能够让大量合作伙伴加入并品尝前端智能化的商业机会，按照各自聚焦的场景开发大量匹配行业属性的长尾算法，解决客户的实际问题，同时接口标准的统一，能够持续演进迭代，进一步降低部署成本，增加其竞争优势。

第三道方程式：多算法+多工具，自动化敏捷开发

对于应用前端智能的企业 / 机构来说，要自己训练一个 AI 模型还是比较复杂、技能门槛较高的工作。想要实现 AI 普惠，前提就要让应用开发变得更容易、更快捷，使其成为 ICT 从业人员的一项基本技能。

因此华为也将完善的 SDC Studio 开发工具链开放出来，提供通用算法模型、算法模型文件格式转换、数据的自动标注等服务，以降低应用者的开发成本，提升调测效率。结合前面提到的算法商城，可以共同实现在 SDC 上的算法与应用管理，以便让前端智能算法和应用可以根据不同场景、全生命周期都能够持续演进、敏捷开发。

完成了这三道方程式的解题，华为也就引领前端智能来到了一个新的维度：

这里不再是单一视觉图像的世界，而是集合了多种传感器，让视觉、听觉、雷达、定位等各种数据互相交织，形成一张全息感知的智能网络，为城市治理、交通等精准护航；

也不再是需要重复“打补丁”的成本雷区，通过软件定义摄像机 SDC 的开放服务化接口，让前端可以跟随数字技术的变化而动，不断升级更大的价值；

更不是通用算法的“一言堂”，不同种类、不同厂商的多算法在框架体系内生长，一同将 AI 推向各个实际场景的细枝末节之中。这样的城市之眼，不正是你我所期许的吗？