百度創始人李彥宏坦言，現階段“人工智能不再講究酷炫，而是要講究如何扎扎實實地推進和落地。”

　　如果說AI是蒸汽機與內燃機，那么AI算力則是“煤炭與石油”——AI應用建立在算力之上，若沒有算力可“燒”，AI將是空中樓閣。OpenAI的一份AI算力供需研究報告顯示，AI算力需求量每三個半月就會翻一番，從2012年到2018年，算力需求增長了30萬倍。

　　算力缺乏阻礙智能攝像頭發展

　　交通、零售、物流、智慧城市……傳統的安防行業正因為人工智能而拓展到更多維度。然而，當下AI算力卻捉襟見肘，無法滿足特定計算需求。受到算力、算法和技術標準等因素的制約，安防監控視頻的快速處理和深度利用仍需要大量使用人工分析。

　　算力的缺乏也導致智能安防攝像頭普及速度低于預期。目前常見的智能攝像頭大多應用于基本監控場景，要對復雜場景進行多目標的實時識別和分析，終端算力還無法支持。因此，目前的攝像頭可以算作前端智能化，而非智能前端化。當然，也可以將視頻送到云端去處理，但這樣又會帶來高延遲和數據安全性的問題。

　　“未來的市場必定是數據規模和計算能力的角逐。”浪潮商用機器有限公司OpenPOWER產品營銷部總監張琪表示。誰能夠在解決算力不足問題的同時又能夠更好降低功耗與成本，誰就能在AI浪潮下占領安防鰲頭。

　　多技術結合緩解難題

　　AI算力不足的問題正在不斷被相關企業解決。例如集合了云端計算、邊緣計算、端側計算的一體化部署方案，能一定程度上緩解攝像頭算力不足的難題。

　　AI無論應用于消費還是行業場景，其未來的算力是多點協同性質的。這就要求針對不同問題場景提供不同解決方案，這些方案需要能夠解決針對異構的適配能力和遷移能力，以便更好地前向兼容。

　　例如某些ToB場景中，將攝像頭額外疊加AI算力形成“胖終端”，通過外設將圖像識別置于本地，一方面降低時延，一方面減輕了對于網絡連接和容量的需求。

　　這些方案的設計本質上就是要解決一個問題——分配好終端和云端分別需要完成的任務。但業界對AI算力應更多部署在前端還是后臺尚無統一意見。

　　將合適的算力放到合適的位置

　　要解決好算力問題，安防領域需要云邊端協同發展，將合適的算力放到合適的位置。當然，算力并非孤立存在，其他因素也將影響算力的使用。例如若沒有進行存儲優化，那么芯片實際能夠提供的計算力其實會大大低于理論值。

　　那么，如何分配算力并平衡好其他影響因素?海康威視的AICloud架構或許可以提供思路：利用云計算中心彈性分配計算服務器、存儲服務器的資源，夠按需調度智能算法和大數據算法。

　　由于人工智能技術整體發展還處于初級階段，智慧安防行業也隨之面臨很大的不確定性，而這也為各種安防企業提供了巨大的舞臺，舞臺上將呈現怎樣精彩的表演?令人期待!