AIoT大家谈|AI安全监管，从“治理”到“智理”

AI对于简单、重复性高的一些作业环节具有最佳的可替代性，能够将人力有效解放出来，并大幅提升传统模式的生产效率。但像建筑工地、化工厂这类具有较高安全隐患的行业，他们对于AI很大一部分是出于安全监管的需求。

一直以来，安全监管是很多传统行业的痛点。以建筑工地、化工厂为例，仅靠人力无法做到全方位的管理，会存在很多安全隐患。而AI技术的应用，给传统行业的安全监管也带来了新的管理手段和思路。

如何用AI来优化传统行业的安全监管流程？这个过程又有哪些值得注意的问题？

国内AI安全智理龙头企业中科智云高级副总裁李源博士近期在as 『AIoT 创新应用话题大家谈』直播间，围绕着“如何用AI赋能传统行业的安全智理?”这一主题展开了详细的分析和解读，直播访谈QA如下，as编辑做了不改变受访人愿意的整理。

A：冰冻三尺非一日之寒，这些技术的实现主要是通过我们在行业领域持续性的探索积累而来。公司从成立开始，就瞄准了AI技术应用的落地，我们并没有去赶早期人脸识别的风潮，一开始就选择深入到工业应用、建筑这些对AI有切实应用需求的一线场景。

“X-Brain”平台的推出，是公司深耕行业应用多年经验积累的转化。中科智云一直以来都非常重视技术研发，我们跟包括牛津大学在内的很多高校以及前沿的研究机构都有非常紧密的合作，像前面提到的小样本、异常检测等AI技术，公司其实在很早之前就开始了投入研发。

和其他厂商不一样的是，我们并不认为一个算法能够跨行业去通用，所以我们很早就开始研究如何去解决算法和跨行业的碎片化场景结合的问题，现在所有的技术突破都来源于我们持续的积累。

比如“小样本”技术研究。现阶段行业内围绕着AI应用，普遍的思路是先收集模型样本来开展AI算法训练，样本越丰富，算法也就越精准。而中科智云从一开始就投入到通用模型的研究当中，探索如何通过“度量学习”去解决AI模型样本少，甚至没有样本的算法训练问题。

当然，我们也不奢望训练出来的一个模型就能够适配所有的应用场景，我们的方式是把它做成AI训练平台上的一个功能应用(类似于APP)，通过自主添加一些现场样本即可变成满足特定细分场景的AI算法模型。通过这样的功能应用，甚至都不需要专业的算法人员来操作，只需要现场实施的工作人员拿手机拍几张照片，即可快速训练出一套适用的算法。

目前业内很多厂商推出自己的AI开放平台，诸如BATJ等互联网企业主导的AI开放平台，其优势在于云计算平台。而这类互联网企业提供开发框架的目的更多是为盘活它的云计算资产。比如用他们的GPU做训练，来实现他们云存储产品的销售。

BATJ等企业着眼的是开放，他们的AI开放平台面向的用户也是算法工程师这一类有一定技术基础和研发能力的群体。中科智云关注的是AI方案能够真正落地的问题，目标用户是面向工业、化工领域一线工程师。我们提供的不是编程语言，更多是一个训练平台，能够让即便没有神经网络这些技术知识和编程基础，也能获得即拿即用的AI技术应用体验，通过中科智云提供的AI平台工具深度结合一线工程师对行业应用需求的深刻理解，来共同解决工业、建筑等安全领域AI应用落地问题，这也是我们和其他厂商的一个最大的区别。

A：我们始终认为要深耕行业，就需要最大程度去推进AI技术和行业实际应用需求的有效结合。

因此，中科智云在推进AI+行业应用方案落地方面主要实行项目制，通过和行业领先的系统集成商以及独立软件开发商展开深入合作，我们不仅提供平台工具，同时还会对他们进行培训，帮助这些合作伙伴解决技术在实际场景应用中会遇到的一些具体问题。对于我们而言，这也是提升我们平台面向不同行业平台业务实战能力的很重要的事情，这是我们商业化其中的一条路。

另外一种方式是我们会把前面提到的那些技术和经验积累固化到“X-Brain” 平台，平台对外进行销售。

第三块，针对性的提供满足不同行业应用的SaaS服务，这方面主要由我们的行业合作伙伴做二次开发，因为他们对这个行业需求了解更深入。

除此之外，我们还可以提供针对单点应用的AI工具，比如软硬件配套的皮带轮检测仪器，用户可以拿来即用；或者是面向石油行业，防止非法破坏天然气管道的专业监测设备。类似于这类实用性AI设备，可以很好的帮助一线作业人员展开安全监管作业。

通过“项目+平台+终端产品”来实现AI技术变现。

A：“软件定义硬件”某种程度上只是“新瓶装旧酒”，其实就是边缘计算，而边缘计算只是我们部署方式的一种。

简单计算一下，比如一台边缘计算设备能支撑多少路算法，扣除成本，就知道每一路的成本，和服务器端部署成本作比较，很容易算出哪种方式更具成本优势，我们支持云、边、端多种部署方式，主要看用户更倾向于哪种方式。

与此同时，我们也会和一些厂商展开合作，将中科智云的AI算法部署到他们的设备中去。从成本控制和高效响应的角度去考虑，软件定义目前是解决AI应用碎片化问题的有效途径。

A：最具挑战性的环节首先是对用户需求的理解，其次是算法跟场景的适配性，算法泛化能力等问题。

但算法泛化能力不足有一个主要前提，即希望通过一套算法去适应多个场景，这显然行不通。

但通过专业的算法训练平台，可以不用提前训练好一个固定的算法模型，而是在需要的时候结合现场实际场景，在部署的过程中完成算法的训练，这样可以最大程度保障算法和场景的紧密结合程度，提高算法在特有场景的精准度，通过这样短平快的方式来解决算法泛化能力不足的问题。

A：一些大型体育赛事并不是在固定场馆进行，比如马拉松比赛、越野、滑雪这些赛事场地范围很大，如此大的赛事场地要如何保障赛事运行当中的安全，这里就需要用到一些能够实现快速部署、快速适应赛事场地的安全监管设备。

通过“X-Brain” 平台，我们可以快速进行部署，提供软硬一体的专业安全监管设备及管理平台。比如在张家口密苑云顶乐园(北京2022年冬奥会和冬残奥会比赛场地之一)，中科智云与风云科技联合研发的智能哨兵机器人，依靠的就是中科智云自主研发的X-Brian平台的核心自学习框架算法，这款机器人在日常监测中能够自动精准判断入侵者的类别，并将监测到的情况或者入侵者的行踪轨迹上传到后台指挥中心，有效提高安保工作人员效率，确保冬奥会的赛场安全。它最低的耐低温超过零下40度，通过以AI替代人力，也降低了对现场保卫人员的身体伤害的几率。