人工智慧技術（AI）自上世紀五十年代提出以來，已經經歷了70多年的發展，但人工智慧已經成為全社會關注的基礎技術，進而成為世界各國高度重視的關鍵戰略發展方向， 或在過去十年中。在這短短的十年裡，人工智慧技術呈指數級發展，人工智慧的加速演進，帶領各行各業加速向智慧型化邁進。
現代人工智慧的出現，首先是基於深度學習技術的感知智慧型，我們稱之為AI10 次。 所謂感知智慧型，就是讓機器真正具備與人類相同的視覺、聽覺、觸覺等感知能力，這是人工智慧在安防領域最成功的應用，比如對特定感興趣的物體進行檢測和分析。 另一方面，人們顯然不滿足於人工智慧僅僅看到、聽到和處理資訊，而是期望機器像人類一樣學習、思考和推理，這就是認知智慧型領域的用武之地。近兩年，隨著大模型的興起，人工智慧技術向認知智慧型邁進的步伐大大加快，並得到了快速發展。 可以預見的是，AI20 時代將是分界線，20 及以下我們認為是傳統的深度學習模型，20後，更多的大型模型技術不斷湧現，並將逐漸佔據主導地位。 當然，AI20不是人工智慧技術的終結，展望未來，我們希望機器能夠真正成為人工大腦，取代人類的決策和判斷，也就是我們所說的AI30 在決策智慧型時代。 人工智慧技術要達到這個頂峰還有很長的路要走。
現代人工智慧的發展，為科達這樣的安防廠商帶來了新的活力和機遇。 科達在2024年推出了第一款感知相機，這代表著我們從感知智慧型進入現代人工智慧賽道2024年，科達提出“安全+AI”戰略;2024年，科達率先在業界提出AI畫素級推理、AI超低光、AIISP等概念，引領行業技術潮流近兩年來，科達積極投入大模型的研發。 科達基於現代人工智慧的九年技術沉澱，為公司的安防產品、業務服務和解決方案帶來了巨大的效益，乙個又乙個明星產品層出不窮，不僅為科達創造了經濟價值，也保障了社會公共安全，產生了良好的社會效益。
感知智慧型是指借助人工智慧演算法等前沿技術，將物理世界的訊號對映到數字資訊世界，構建多個資料，並以人類熟悉的方式進行通訊和互動。 十年前，深度學習演算法的出現帶來了我們所說的AI1，使這一願望的最終實現成為可能。0 技術革命。
深度學習演算法通過大量的資料訓練來學習特徵，並不斷優化模型，可以處理複雜的資料結構和非線性問題，實現高精度的分類和分類。 它最大的優點是不需要人工設計和選擇特徵，只要有資料，機器就會自動學習目標的最佳特徵，大大減少了機器感知過程中的人工干預，為機器實現感知智慧型提供了最重要的基礎支撐。
在安防監控行業中，最常見的深度學習演算法是對人、車輛、物體和其他感興趣的物體進行分析。 例如，與人相關的人像識別、與車輛相關的車輛損壞分析、非機動車識別和屬性分析，以及其他特定物件的分析，如船舶、動物、文字等。 目前，這些基於深度學習的感知智慧型演算法已成為安防領域各種應用中不可或缺的工具，不僅大大減輕了人類的工作量，而且通過感知智慧型，機器可以比人類看得更清楚，分析更準確。 因此，AI10的感知智慧型演算法在安防應用中佔據了重要地位。
感知只是人類的基本能力之一，人們希望AI能夠擁有人類最重要的認知能力，為我們做更多的事情。 以安防應用為例，我們並不滿足於AI只分析場景中乙個感興趣的目標，而是希望機器對場景周圍的環境有一定的了解，也就是希望機器能夠具備初步的認知智慧型能力。
所謂認知智慧型，是一門基於人類認知系統的技術科學，以對感知資訊的深刻理解和對自然語言資訊的深刻理解為主要研究方向。 如圖1所示，對於安防行業來說，這兩個研究方向有著非常直接的應用。
首先，我們來看一下深度理解感知資訊在安防領域的應用，這與AI1不同分析0時代的人、車、物等特定目標，AI20 在安防領域，泛監控場景的應用很多，如交通、政法、城管、校園、建築工地等場景中的人群情況、安防事件、資料引數甚至健康環境分析等。 這些應用更強調場景中物體與目標與周圍環境之間的相互關係，因此人工智慧需要具備一定的理解和識別能力，我們稱之為場景影象理解。 一些典型的例子包括：交通事故分析，如人行橫道、障礙物檢測、違章停車等;道路安全事故分析，如洪水、雪、霧、火等;分析市政治理事件，如人群聚集、道路占用、亂扔垃圾、冒煙車輛等。
使用傳統的深度學習演算法來完成這些泛安全場景理解任務非常困難，由於這些場景的多樣性和任務的可變性，帶來了資料採集難、標註難、標註成本高、演算法泛化效能差、魯棒性不足、演算法交付時間長、擴充套件性差等諸多問題。 因此，AI10時代的感知智慧型演算法很難用於場景的深入理解。
認知智慧型在安防領域的另乙個方向是基於自然語言資訊對行業知識的理解。 安防廠商提供給使用者的行業解決方案，必須對行業知識有深刻的理解，傳統上用自然語言文本來描述，並生成相應的知識圖譜來承擔。 例如，公安知識圖譜是通過資料分析、文字語義分析等手段，提取公安應用中的人、物、地、機構、虛擬身份等實體，並根據屬性、時空、語義、特徵、位置連線等建立相互關聯，構建多維度、多層次的關係網路。 再比如司法機構的知識圖譜，系統梳理法律領域的實體、屬性和關係，建立邏輯關聯，通過知識圖譜技術進行資料探勘，輔助法律工作者更好地理解和應用法律知識。 安防廠商往往必須掌握相關行業的知識圖譜，才能提供專業的行業解決方案。
然而，知識圖譜本身的構建和應用存在諸多挑戰，難以推廣。 首先，需要建立高質量的知識圖譜構建模型，定義清晰的實體和關係，並使用合適的資料來源和知識表示，所有這些都涉及大量的人工經驗和判斷其次，知識圖譜的構建需要大規模的自動知識獲取，而知識圖譜需要大量的知識作為基礎此外，還需要對知識圖譜進行不斷的更新和迭代，而知識本身並不是封閉的，而是不斷的擴充套件和變化，知識圖譜難以處理不完整或動態變化的知識。 構建和應用這些知識圖譜的困難意味著需要找到一種新的方法來使機器能夠訪問知識。 顯然，這超出了感知智慧型的範疇。
可以看出，對於認知智慧型在安防應用中的兩個深入理解方向，AI10的演算法已經不夠用了，那麼我們的對策是什麼呢？這是 GPT 模型。 所謂GPT大模型，是指基於Transformer架構的生成模型（GPT的'G'），它是通過非常大量的語料庫或影象進行預訓練（GPT的'P'）的具有大量引數（如OpenAI的GPT-4大模型，引數近萬億個）的大模型。 經過艱苦研發，蘇州科達推出了適合安防行業的KD-GPT，它包含三類大模型，分別是：多模態大模型、行業大模型和AIGC影象大模型，如圖2所示。
GPT作為生成式AI模型具有諸多優勢，其中最基本的有以下兩點：一是大模型是多工處理的。 在以前的深度學習模型中，乙個模型對應乙個任務，但現在大模型可以用乙個模型處理多個下游任務其次，得益於Transformers的結構特性，大型模型已經具備了檢索和理解資訊的能力，這也是傳統深度學習模型所不具備的特性。
KD-GPT多模態大模型（見圖3）將多模態的資訊作為輸入，融合模型內部的資訊，可以解決所有疑難的資料問題。 例如，如果我們想檢測圖片中是否有煙霧，我們只需要輸入提示：“煙霧”和待檢測的**，大模型就可以直接輸出檢測結果，而無需收集數千個煙霧**進行訓練。 同樣，如果 alt 文字輸入為“flame”，則大模型可以自動檢測 ** 中是否存在火焰，而無需進行特殊的資料訓練。
KD-GPT的行業模型（見圖4）採用了“通用大模型+行業資料+訓練調優”的思想，使得這個大模型可以輕鬆解決構建行業知識圖譜需要完成的幾項任務，在做好知識推理和質量評估後，行業大模型可以完全替代行業知識圖譜的功能。
科達的AIGC影象模型是另一種大型模型，也可以為人工智慧演算法生成大量的訓練資料。
從認知智慧型到決策智慧型，需要在資料、學習、多模態資料處理、決策樹模型和個性化演算法等方面取得重要進展。 這些進步將有助於迎來乙個完全智慧型社會的時代。
大模型是實現決策智慧型的重要工具之一，因為它們具有高效的資料處理能力和強大的特徵工程能力。
但是，我們還必須面對大型模型的一些問題：
1.公平
大模型是基於大量資料的預訓練和改進訓練的不斷調整，如何保證大模型不受預訓練資料和推廣的偏向？
為了保證大模型的公正性，我們需要使用多個**資料進行預訓練，這樣可以避免模型過度依賴某一型別的資料，從而提高模型的泛化能力。 同時，對於選定的訓練資料，需要投入人工清洗和標註，以保證資料的質量和可靠性。
2.透明度
大型模型本質上是神經網路，神經網路的透明度和可解釋性尚未得到有效解決。 如何評估和監控模型的決策過程？
學術界一直在積極研究大型模型和神經網路的問題，例如訓練輔助模型來評估主模型的效能。 例如，詳細分析大模型每一層的輸出，以找到規則的共性。
3.包含
無論是訓練還是部署，大模型的成本都非常高，科達這樣的安全公司如何做大模型？對於不同尺寸科達的客戶，我們怎樣才能得到乙個大家都能用的大模型呢？
為了降低使用大模型的成本，需要考慮使用預訓練模型，選擇合適的模型架構，並針對每個企業和使用者單體使用分布式計算。 更重要的是，企業和社會各方面應共同努力，通過計算基礎設施建設、計算服務平台建設、算力共享機制的建立、大模型技術研發的推進和大模型激勵政策的制定，讓更多的人和企業輕鬆獲取和使用大模型計算資源。 這需要全社會的共同努力。
4.友好
如何避免大模型提供的所謂**資訊（如教唆犯罪），如何保護人的智財權或大模型的智財權不被其他大模型竊取和侵犯？
在設計和使用大型模型時，首先要遵循道德和法律規範，避免對社會和個人造成不良後果。 目前，國家已初步制定和頒布生成式人工智慧相關法律政策，規範生成式人工智慧的開發和使用，限制大模型的使用範圍和方法，防止其被濫用和侵害他人權益，確保其符合公共利益。 另一方面，尊重和保護智財權也是發展大模型的基礎，國家應加強對大模型的智財權保護，鼓勵創新和技術進步。
綜上所述，雖然大模型的出現被稱為AI的第二次革命，但在技術成熟的曲線上，大模型要達到成熟還有很長的路要走。不僅如此，要想在安防領域實現真正的決策智慧型化，大模型不會是唯一的關鍵技術，人工智慧需要不斷創新發展，還有很長的路要走。
隨著科學技術的飛速發展，技術變革已成為推動安防行業進步的重要力量。 從模擬到數字，從標清到高畫質，從有線到5G，從功能化到智慧型化，每一次技術變革都給安防行業帶來了新的巨大增長。 可以預見，隨著技術的不斷發展，安防行業仍具有充足的動力和廣闊的前景。 要積極擁抱包括人工智慧在內的各種技術變革，充分利用新技術優勢，提高安防工作的效率和質量，共同促進社會和諧穩定。 蘇州科達願與業內朋友、上下游企業攜手共進，共創安防行業的未來
溫張勇，蘇州科達科技有限公司***